一种强反射表面高光去除方法

针对陶瓷、塑料和玻璃等材质在较为复杂的曲面形状下容易产生多区域、大面积的过饱和高光反射以及光照不均等现象,传统基于局部区域的高光去除方法存在工作量大且效果不佳的问题,难以达到预期目标。因此,本文提出一种基于多角度光源采集的多幅图像,结合整体图像融合和同态滤波方法,实现高光图像整体去除,极大缓解光照不均的问题,提高图像整体质量。为了验证此方法的普适性和鲁棒性,使用此方法分别对手机外壳、矿泉水瓶、塑料袋、金属零件、玻璃瓶和陶瓷盘等六种不同材质或空间形状进行高光去除实验。实验结果表明,本文提出的高光去除方法能有效去除图像的所有高光区域,显著缓解图像光照不均问题,增强图像对比度,特别是对存在大面积高光或暗影区域的图像的质量改善具有显著作用。

基于生成对抗网络的单张图像高光去除方法

针对真实场景下图像镜面高光降低图像质量的问题,提出了一个新颖的生成对抗网络(generative adversarial network,GAN)模型,可以有效去除单张真实场景图像中的高光。核心思想是通过VGG-19模块提取图像特征,然后利用GAN生成去除高光的图像,并对其质量进行判定。为了提高针对真实场景中不同尺度大小高光的去除能力,在生成器中加入了金字塔分割注意力机制和空间注意力机制,为多尺度的特征分配不同的权重,从而更聚焦于高光区域的特征,以提升纹理恢复效果。所训练的模型利用上下文损失函数、对抗损失函数和一致性损失函数来联合优化模型参数,提高了去除高光后图像与真实漫反射图像之间的相似性。在2个基准数据集与真实室内外场景中的测试实验结果表明,所提方法可以有效去除图像中的高光,并准确恢复高光区域的本征颜色与纹理细节。

一种基于弱监督学习的图像镜面高光去除算法

高质量图像是计算机视觉任务的基础,但实际生活中高光的出现会覆盖物体表面的纹理和颜色信息,导致图像质量显著下降。目前用于高光去除的深度学习方法往往需要大量高光-无高光配对图像进行监督,而高光图像对应的无高光版本存在收集和处理困难的问题。本文提出一种基于弱监督学习的图像镜面高光去除算法,旨在仅使用高光图像完成训练且达到很好的高光去除效果。首先,利用稀疏非负矩阵分解(NMF)方法估计图像的高光区域,并从无高光区域裁剪出无高光的参考图像。然后,将两者输入到联合训练的高光生成、高光消除和图像重建模块,协同优化各模块功能。总体采用循环生成对抗网络(CycleGAN)架构训练网络并最终生成无高光图像。选取自然图像数据集SHIQ和LIME进行实验,实验结果表明,所提方法能够有效去除镜面高光,并且在性能上对比现有的弱监督学习方法有较大提升。

基于多视角序列图像的高光去除CycleGAN网络

光线照射镜面物体产生的镜面反射使得采集的图像产生高光现象,高光会影响很多视觉任务的精度。针对图片的去高光问题,在经典无监督学习CycleGAN的框架下提出了一种端到端的分层网络,该模型的输入为已标定的序列高光图像,输出为去除高光的图像。为了获取成对数据集以训练网络,使用可微分渲染器生成视角、光照可控镜面反射-漫反射成对合成数据集。无监督CycleGAN图像风格迁移网络作用于输入图像时,仅使用小批量的背景图片,即可将图像分解为前景与背景,图像风格迁移网络仅作用于前景,进一步提高了图像转换的精度。实验结果表明,该方法可有效去除高光。

基于图像处理的番茄表面高光去除方法

为解决光照不均匀导致的番茄表面出现块状的高光区域而干扰视觉算法识别精度的问题,采用图像分割、图像滤波和图像融合相结合的高光去除方法。通过试验验证,该方法在单个番茄与多个番茄情况下都表现较好,并且峰值信噪比(PSNR)和结构相似性(SSIM)两个指标的平均值为0.954和28.91。结果表明,该方法能有效去除番茄表面的高光,研究结果对指导番茄加工流水线改造具有一定意义。

基于快速双边滤波的图像高光去除研究

在各向异性的物体中,高光被视为是漫反射分量以及镜面反射分量的一种线性组合。单幅图像的高光去除是计算机视觉中一项非常有挑战性的课题。很多方法试图将漫反射分量、镜面反射分量进行分离,然而这些方法往往需要图像分割等预处理过程,方法鲁棒性较差且比较耗时。基于双边滤波器设计了一种高效的高光消除方法,该方法利用最大漫反射色度存在着局部平滑这一性质,使用双边滤波器对色度的最大取值进行传播与扩散,从而完成整幅图像高光去除。方法采用一种加速策略对双边滤波器进行速度优化,与目前流行的方法相比,有效提升了方法的执行效率。与传统方法相比,该方法高光去除效果更好,处理速度更快,非常适用于一些实时应用的场合。

基于保边滤波器的单幅图像高光去除

研究图像分割优化问题,由于图像中存在高光中,造成干扰,提出一种简单但有效的单幅图片高光去除方法。传统单幅图像高光去除方法,一般需要进行图像分割预处理,或者进行交互输入。提出的新方法无需图像分割预处理,也不要交互输入,而是使用漫反射色度估计值作为引导值,对最大色度图应用边界保留滤波器,并最终得到去高光后的图片。实验结果比较表明,与传统方法比较,该方法不但能够去除单色物体表面高光,对于复杂纹理表面高光非常有效,且输出图像在非高光区更接近输入图像,提高了图像分割效果。

实时单幅图片高光去除算法

单幅图片的高光去除是一个非常具有挑战性的课题。综述以往多数方法,一般需要进行图像分割等预处理,或者要求用户进行交互输入。采用的方法是从高光图片的颜色统计规律出发,发现了最大漫反射色度局部平滑这一特性;然后估计镜面反射像素最大漫反射色度,由基于线性模型对最大色度的值进行扩散传播,从图像中的漫反射像素传播到镜面反射像素;最后求出图像中每个像素的漫反射分量。与传统方法相比较,这种高光去除的方法效果较好,而且非常简单,适合并行,可以满足实时应用需要。

基于SURF的连续帧图像配准及高光去除

物体上的高光直接影响工业检测、模式识别和计算机视觉等领域中后续处理的算法性能。如何检测和消除图像中的高光区域一直是个热点问题。这里介绍了一种基于SURF的连续帧图像配准及高光去除的方法。首先,利用SURF特征检测及其特征描述方法,对连续帧图像进行自动配准;其次,在连续帧图像配准后,对图像进行融合;最后,输出去除高光的图像。实验表明:该方法用于消除或消弱高光区域有比较好的效果,有一定的理论和应用价值。

基于照明恢复算子的单幅图像高光去除方法

现有的高光去除方法仅仅是处理在特定的背景和光照环境中拍摄的图像,通过人工干预减少了拍摄角度以及其它环境干扰因素的影响,然而这并不符合自然场景的特征,并且这些方法无法解决由高光导致的饱和像素问题,同时会在图像中引入新的伪影。针对高光图像中存在饱和像素的问题,提出一种基于照明恢复算子的单幅图像高光去除方法。首先利用基于前景背景分离原理的闭合式抠图法检测高光区域并得到高光检测系数矩阵;之后分别从实验和理论两个方面验证高光像素值和其在正常照明下的像素值之间存在的线性关系;最后从图像形成方程开始结合高光检测系数矩阵推导出照明恢复算子复原场景中被高光破坏的原始信息,实现高光去除。实验结果表明,所提出的方法能够有效地解决饱和像素的问题,并且不会引入伪影噪声,在各种场景下均取得了优于现有研究方法的高光去除效果。

导向滤波的高光去除改进算法

为了解决传统的高光去除方法在去除图像高光时黑色像素点褪色、边缘和纹理缺失、产生伪影效应的问题,提出了一种导向滤波的高光去除改进算法。该算法通过设置第一阈值分离出图像中的黑色像素和其他像素,并采用不同方法分别估算黑色像素和其他像素的最大漫反射色度,避免黑色像素点发生褪色;利用导向滤波器对最大色度图进行了平滑处理,避免了伪影效应;在分离漫反射分量过程中,根据分母与第二阈值的关系,将滤波后图像中的像素点划分为两类,并对不同类别的像素点采用不同方法实现漫反射分量的分离,避免了分母为0导致错误分离。根据实验结果,该算法相比于传统算法,在防止黑色像素褪色、保留图像边缘和纹理信息、避免伪影方面均表现出优势。

基于条件生成对抗网络的梯级表面高光去除方法

针对传统高光去除方法对梯级图像高光去除表现不佳问题,提出了一种基于条件生成对抗网络的梯级图像高光去除方法(multi-scale spatial dense gradient cascade generative adversarial network,MSDGC-GAN)。该方法设计了一种空间上下文密集模块(spatial contextual feature dense block,SCFDB)能够深度提取像素行与列之间的空间背景信息。此外,设计了一种多尺度梯度级联结构以弥补网络下采样中的尺度特征损失,并且该结构能够赋予模型多尺度鉴别能力同时稳定训练梯度分布。在分析了经典双色反射模型基础上,将最大漫反射度估计应用于损失函数以监督网络训练。实验结果表明,该方法在经典高光数据集和自制梯级高光图像数据集中表现均优于对比方法。

多视角图像特征匹配的高光去除方法

针对物体镜面反射使拍摄图像出现饱和高光导致的纹理信息丢失问题,提出了一种基于多视角图像特征匹配的高光去除方法。首先,选取两幅不同视角的图像作为基准图和辅助图,转换到HSV空间进行亮度调整,将亮度统一后的两幅图像进行特征点匹配,估算出单应性变换矩阵,然后利用该矩阵将辅助图透视变换到与基准图同一视角,最后利用MSF算法对基准图进行高光检测,将检测出来的高光区域遮罩在辅助图的相应位置选择纹理信息对基准图进行填补并修复缺失纹理,从而去除基准图的高光。实验结果表明,所提出的方法适用于多种真实场景图像的高光去除,且在保证图像峰值信噪比和结构相似性有所提高的同时能最大限度地恢复高光区域的纹理细节信息,高光去除后的视觉效果更好。

空间约束聚类分析的零部件图像镜面高光去除方法

为了解决镜面高光造成的零部件图像质量下降问题,提出了一种空间约束聚类分析的零部件图像镜面高光去除方法。首先,将零部件图像投影到最小-最大色度空间,通过固定的聚类中心对聚类过程进行空间约束在保证簇中色度相近的同时实现彩色像素和消色像素的分离;然后,采用强度比调整和亮度直方图统计分别对彩色像素和消色像素中的镜面反射分量进行估计;最后,结合二色反射模型,实现零部件图像的镜面高光去除。实验结果表明,经所提方法去高光后的实际拍摄图像的平均熵值和结构相似度分别达到了5.750、0.998 8,有效地去除了零部件图像中的镜面高光,提高了图像质量。

一种实拍图像的高光去除方法

根据双色反射模型,通过分离出漫反射分量的方法,获得了对图像中的高光去除的结果。同时,针对双色反射模型要求的相机响应函数必须满足线性关系,但实际拍摄图像为非线性关系的问题,提出了基于参数自适应确定的伽马变换漫反射分离方法。实验结果表明,该方法可对实际拍摄的图像完成有效的高光去除。

基于无监督学习的金属表面高光去除算法研究

金属材料表面的高光会严重破坏图像的连续性,产生一定的伪边缘,导致高光区域的纹理细节减弱甚至消失,干扰后续表面的区域分割和缺陷检测等操作。针对现有高光去除方法效率低、损失大、易失真、金属高光数据难标定等问题,提出了一种基于卷积神经网络(CNN)的无监督感知增强网络模型。使用生成对抗的方法生成大量拥有高光特征信息的金属图像,用于增加训练集中高光金属图像数据集的数量;在上下文聚合网络中引入细节增强模块(detail enhance model,DEM)和色彩增强模块(color enhance model,CEM)提高低分辨率权重图中的特征细节保留率;评估函数采用多尺度结构相似性函数代替原有结构相似性函数,解决在图像尺寸过大时细节不敏感的问题。实验表明,所提模型相比其他多曝光图像融合模型,在融合速度领先情况下,融合图像的互信息和平均梯度等评估指数提升10%左右,能够保留更多的纹理特征信息。

一种去除单张图片中高光的方法

在计算机视觉研究领域,高光的存在对计算机视觉的各种算法影响很大,比如图像的分割和特征提取等,如何检测和消除图像中亮度过高的区域一直是个热点问题.介绍了一种去除单张图片中高光的方法,通过提取并转换高光区域的亮度特征达到去除高光的目的.

基于频域滤波的高光去除方法

结构光三维测量广泛应用于测量物体外轮廓,但使用这种技术测量金属零部件时,会由于金属表面的局部强反射形成高光区域,这种高光致使相机饱和、信息丢失,造成条纹中心提取不准确,从而产生较大的测量误差。因此,寻找一种有效的手段来避免高光问题是非常必要的。基于结构光测量系统自身的特点,提出一种新的高光去除方法——频域滤波法。该方法将高光视作噪声,通过对比分析漫反射光条和高光光条频谱分布的不同,制作合适的滤波器以滤除高光。通过3dsmax软件仿真,模拟高光效果,测试频域滤波后的条纹中心提取精度比不滤除前提高0.8pixel。将该方法应用于实际叶片测量中,较好地解决了其中的高光问题。仿真和实验均证明,频域滤波法可以在一定程度上降低高光对结构光条纹中心提取准确度的影响。

基于偏振信息的强反射工件高光去除及视觉测量方法

搭建了一种基于反向传播神经网络与高斯分布函数的图像高光去除模型。该模型可以优化图像的特征提取及特征匹配。以高反射率金属工件表面作为实验对象,进行了边缘特征提取及视觉测量精度分析,实验结果表明,所提方法可实现0.75 mm的视觉测量精度,一定程度上验证了所提方法的可行性。

基于单幅图像的高光分量可靠去除方法

该文针对目前高光去除算法中存在的颜色失真问题,提出了一种基于MSF图像的局部高光去除算法,并通过一种基于颜色聚类的算法提高了高光区域选取的准确性。实验结果表明,所提出的算法可以解决已有算法中存在的颜色失真,提高了高光分离可靠性。