A New Shadow Removal Method for Color Images

Shadow and variable illumination considerably influence the results of image understanding such as image segmentation, object tracking, and object recognition. The intrinsic image decomposition is to separate the reflectance and the illumination image from an observed image. The intrinsic image decomposition is very useful to remove shadows and then improve the performance of image understanding. In this paper, we present a new shadow removal method based on intrinsic image decomposition on a single color image using the Fisher Linear Discriminant (FLD). Under the assumptions-Lambertian surfaces, approximately Planckian lighting, and narrowband camera sensors, there exist an invariant image, which is 1-dimensional greyscale and independent of illuminant color and intensity. The Fisher Linear Discriminant is applied to create the invariant image. And further the shadows can be removed through the difference between invariant image and original color image. The experimental results on real data show good performance of this algorithm.

基于EnlightenGAN图像增强的自然场景下苹果检测方法

自然光照下阴影会降低采摘机器人视觉系统对苹果目标的准确感知能力,导致采摘效率低。本研究采用EnlightenGAN算法进行图像增强,以实现阴影的去除和苹果目标检测精度的提升。首先通过图像光照归一化处理得到自正则化注意力图,达到图像阴影检测的目的,再采用注意力引导的U-Net作为生成器骨干网络得到增强后的图像,然后通过全局-局部判别器来比对图像信息,最终在生成器和判别器的对抗中达到图像质量增强的效果。为了进一步检验该方法的阴影去除效果,分别采用EnlightenGAN、Zero_DCE、Adaptive_GAMMA、RUAS等算法在MinneApple公共数据集上进行试验验证。结果表明,EnlightenGAN算法均方误差较Zero_DCE、Adaptive_GAMMA、RUAS算法分别降低19.21%、59.47%、67.42%,峰值信噪比增加6.26%、34.55%、47.27%,结构相似度提高2.99%、23.21%、68.29%。同时,在对果园拍摄的苹果图像进行标注后,将其送入YOLO v5m目标检测网络进行苹果检测训练。并对EnlightenGAN算法增强前后的苹果图像进行了测试,图像增强前后检测精确率分别为97.38%、98.37%,召回率分别为74.74%、91.37%,F1值分别为84%、94%,精确率、召回率和F1值分别提升1.02%、22.25%、11.90%。为证明模型有效性,对不同数据集进行了试验,结果表明EnlightenGAN算法增强后的目标检测精确率、召回率和F1值较无增强算法及Zero_DCE、Adaptive_GAMMA、RUAS算法有显著提升。由此可知,将EnlightenGAN算法应用于苹果采摘机器人的视觉系统,可以有效克服果园图像光照不均以及存在阴影的影响,提升果实目标检测性能。该研究可为自然条件下复杂光照环境中的果实检测提供借鉴。

基于PCNN的图像阴影处理新方法

该文提出了如何用脉冲耦合神经网络(PCNN)进行图像阴影处理的新方法。计算机仿真表 明,采用参数优选的PCNN图像阴影处理算法,可有效地处理图像中的阴影,从而使得图像中的目标易于 被发现。该文工作拓展了有明确生物学背景的PCNN在图像处理方面的功能。

基于改进PCNN模型的车辆阴影消除方法

消除车辆阴影对图像分割的影响是车辆自动监控系统中亟待解决的问题。针对阴影具有方向和大小不确定性的特点,充分利用脉冲耦合神经网络模型优良的图像分割能力,结合阴影属性,提出一种基于改进的脉冲耦合神经网络模型的运动车辆阴影消除方法。此方法无需建立道路背景模型与车辆阴影模型,在消除车辆阴影的同时能较好地保留车牌、车窗以及车标等车体的重要信息,为车体定位、特征提取等处理奠定良好的基础。大量现场图像测试结果验证了该方法消除车辆阴影的有效性,可广泛地应用于自然环境中车辆阴影的消除。

一种改进的PCNN模型及在图像处理中的应用

提出一种改进的脉冲耦合神经网络(PCNN)模型来扩展其在图像处理新领域的应用.新的PCNN模型着重于重新设计连接神经元的输入、总活动强度、连接权矩阵、实时脉冲阈值和像素的更新规则.实验表明自适应参数能够使得改进的PCNN具有更强大的图像处理能力和更广泛的应用领域,可以更好地应用于方向检测和去噪.

基于方向感知与注意力的文档图像阴影消除

文档图像易受光照影响产生的阴影区域,会严重影响用户的识别和阅读。针对现有阴影消除开放数据集少,纠正图像阴影消除质量较差的问题,提出了一种改进的生成对抗网络的文档图像阴影消除方法。该网络在原有双GAN网络结构基础上,引入阴影感知方向上下文模块以及掩码注意力结构,并在掩码注意力模块后加入自适应注意力模块,通过并行结构自适应调整卷积核大小,融合不同尺度特征以获得更多特征信息。同时采用一种逐像素叠加的数据增强方法,解决文档阴影消除数据集缺乏的问题。实验结果表明在本文自建数据集上与DCGAN、ST-CGAN和DSC方法相比,评价指标PSNR与SSIM均有一定提升,本文实验方法优于现有文档去阴影先进方法。

基于改进CycleGAN的轨道扣件ISR方法

围绕国家对高铁基础设施安全保障的重大需要,基于无人机图像的高铁基础设施缺陷检测可以作为目前巡检手段的补充和替代。轨道扣件是高铁基础设施巡检中重要的工务巡检对象,但无人机拍摄图像中存在高铁轨道两侧电气塔杆的阴影投射遮挡轨道扣件的情况,严重影响检测效率和精确度。针对以上问题,提出一种基于改进CycleGAN的轨道扣件图像去阴影方法,将掩码机制加入到CycleGAN中提高无监督学习方法对阴影区域的关注,同时将谱范数归一化加入到网络中以稳定训练过程、提升去阴影效果。在公共阴影数据集USR和无人机拍摄高铁扣件数据集上的实验结果表明,改进CycleGAN较好地提升了无人机图像去阴影效果。

一种融合光学与SAR的植被指数提取算法

多光谱影像计算的植被指数具有监测植被类型、计算叶面积指数、反演植被覆盖度和估算生物量等作用,但光学影像易被云与阴影污染,增加了获取植被指数的难度.为了获取云层覆盖区域的植被指数,提出了一种融合光学与SAR的植被指数提取算法.实验以新疆维吾尔自治区乌苏市2020年9月11日的Sentinel 1、2020年9月3日无云的Sentinel 2和2020年9月8日有云的Sentinel 2影像为数据源,首先利用Sentinel 1影像构建出6种匹配模型,然后分别利用6种匹配模型的光谱特征重构Sentinel 2影像的云与阴影覆盖的像元,获取6景去云与阴影后的Sentinel 2影像,再用每景去云与阴影后的影像计算3种植被指数(增强型植被指数EVI、归一化植被指数NDVI和土壤调节植被指数SAVI),用无云的Sentinel 2影像作为验证数据,最后使用均方根误差(RMSE)、平均绝对误差(MAE)和相关系数(R)对结果进行精度评价.实验结果表明:该方法能有效地去除光学影像云与阴影的影响,获取云与阴影覆盖区域像元的植被指数;3种植被指数的总体精度较好,相关系数均大于0.8;在6种匹配模型方面,第四种匹配模型在3种植被指数中的精度均为最高.

基于LAB颜色空间的图像去阴影网络

图像中出现阴影是一种常见现象,然而它会对图像内容的识别以及整体感官质量产生一定影响。目前已有许多传统和基于深度学习的方法用于图像阴影去除工作。这些方法大多数仍是在RGB颜色空间直接处理图像,但这将图像的亮度和颜色信息混合在了一起,而LAB则将图像的亮度和颜色信息放在了不同通道,并且实验证明:LAB颜色空间更适合用于阴影去除。采用了并行的双分支结构,以更好地学习各个通道之间的信息。提出的边缘优化模块可以使图像中阴影和非阴影连接区域过渡更加自然。实验结果表明,方法在ISTD数据集上优于多个目前主流方法。

Landsat TM遥感影像中厚云和阴影去除

提出了一种新的利用多时相LandsatTM影像数据进行的厚云及其阴影去除的方法。该方法通过分析厚云及其阴影的光谱特征,设计了厚云和云阴影识别模型。该算法的实现是采用图像配准技术、非监督分类、像元替换等运算,计算出厚云和云阴影区域的TM影像替换数据,进而得到消除或者减少云影响的TM遥感影像。试验结果表明本文提出的厚云及其阴影去除方法效果很好,能消除或者弱化云对TM影像数据的影响。

基于背景图像差分的运动人体检测

在背景图像差分的基础上,提出一种改进的实时背景更新算法。通过背景学习过程,利用若干帧连续图像中每点像素灰度值样本,估算对应像素点的灰度值均方差。利用正态分布的“3σ原则”对图像背景进行实时更新,消除背景变化对人体分割的影响。提出基于图像平均灰度值的阈值分割算法,以提高算法对不同光照强度的适应能力。提出基于垂直投影图的阴影消除算法,分析表明,人体躯干和影子区的垂直投影特性不同,由此可以有效消除人体影子。实验结果表明,本算法在不同的光照情况下能够完整分割运动人体图像。

单幅图像阴影去除方法

为解决阴影影响区域信息判断和计算机视觉目标检测等任务的问题,研究了单幅图像阴影去除的方法.通过分析阴影特性与建模,在能量最小化框架下,根据颜色比例方法,通过纹理映射求解恢复系数;同时提出区域颜色恒常性计算和剖面光滑模型复合的半影恢复方法.实现了将阴影区域亮度、颜色和纹理等信息恢复到非阴影区域光照的效果,视觉一致性良好.

基于各向异性Retinex的路面图像阴影消除

路面图像中常常存在车辆、树木、建筑物等的阴影,给图像的特征抽取和识别带来极大的干扰。通过分析中心/环绕Retinex算法(center/surround Retinex,CSR)以及现有的基于Retinex的阴影消除算法处理阴影图像的不足,提出了一种各向异性中心/环绕Retinex算法(anisotropic diffusion center/surround Retinex,ADCSR),该算法融入了基于偏微分方程(PDE)的各向异性扩散,并根据算法特点提出了基于"边界性"(edge degree,ED)的各向异性扩散方案,避免了梯度门限等参数选择的困难,在消除阴影的效果上和运算效率上都取得了令人满意的结果。

基于归一化RGB色彩模型的阴影处理方法

通过分析影像上阴影区域的属性,提出了一种基于阴影属性的高分辨率遥感影像阴影检测和去除算法。利用阴影区域蓝色分量偏高的特性,对归一化B分量和原始B分量进行阈值检测,并结合小区域去除和数学形态学处理,得到较精确的阴影区域;然后,分别在RGB空间和HSI空间对各个独立的阴影区域与其邻近的非阴影区域进行匹配,完成阴影去除操作;最后沿着阴影边界做一次中值滤波以减轻边缘效应。仿真结果验证了算法的有效性,并且显示在HSI空间获得了更好的补偿效果。

基于光照无关图理论的苹果表面阴影去除方法

阴影影响下苹果目标的快速准确识别是苹果采摘机器人视觉系统必须解决的关键技术之一。为了实现阴影影响下苹果目标的准确识别,该研究采用光照无关图理论实现了苹果表面阴影的去除。以自然场景下获取的受不同程度阴影影响的苹果目标图像为研究对象,首先利用光照无关图原理获取阴影苹果图像的光照无关图,达到突出苹果目标阴影区域的目的;其次提取原图像的红色分量信息并与关照无关图进行相加处理;最后将相加后的图像进行自适应阈值分割处理,达到去除阴影的目的。为了验证该算法的有效性与准确性,利用20幅受阴影影响的苹果目标图像进行了试验,并与Otsu算法、1.5*R-G色差算法进行了对比,试验结果表明:Otsu算法仅能识别出未受阴影影响的苹果区域;1.5*R-G色差算法受光照影响较大,对于苹果图像的相对强光照区域和部分阴影区域不能有效识别;基于光照无关图的苹果表面阴影去除方法对阴影影响下的苹果目标图像分割效果较好,可以克服光照过强的问题,并准确识别出阴影影响下的苹果目标。文中算法的平均假阳性率为17.49%,比Otsu算法降低了52.84%,比1.5*R-G算法降低了26.18%;文中算法的平均重叠系数为86.59%,比Otsu算法提高了47.2%,比1.5*R-G算法提高了11.03%;表明利用光照无关图可以有效地去除苹果表面的阴影,将其应用于阴影影响下的苹果目标的识别是可行的。

高分辨率航空影像阴影自动检测和去除

针对高分辨率航空影像的阴影检测与去除问题,通过对阴影的光谱特征的分析,提出了一种新的自动化阴影检测和去除的方法。该方法首先利用约束颜色不变量和水平集分割相结合的方法对阴影进行自动检测,获取完整的阴影区域和精确的阴影轮廓线;然后利用阴影轮廓点的邻域作为同质区域,进行补偿因子估算达到去除阴影。实验证明,该方法能够自动准确地对阴影进行检测和去除,不但提升了阴影区域的亮度,而且使得地物细节得到了很好的恢复。

基于模糊集理论的苹果表面阴影去除方法

为了提高阴影影响下的苹果目标提取精度,该文提出了一种基于模糊集理论的苹果表面阴影去除方法。该方法将含阴影图像作为一个模糊矩阵,利用所设计的隶属函数进行图像去模糊化处理,达到图像增强的目的,进而削弱苹果表面阴影对目标分割的影响。为了验证算法的有效性,采用基于灰度阈值和基于颜色聚类2种算法对去除阴影前后的目标图像进行分割,并选用分割误差、假阳性率、假阴性率和重叠系数4项指标进行了分析比较,试验结果表明,去除阴影之后,2种分割算法所提取的苹果目标区域较去除阴影之前有了较大的提高,2种分割算法的平均分割误差分别为3.08%和3.46%,比去除阴影之前降低了20.53%和25.92%,假阳性率、假阴性率分别降低了29.79%、29.98%和21.25%、29.83%,重叠系数分别提高30.96%和24.55%。与灰度变换法去除阴影后分割的效果比较表明,该方法的平均分割误差降低了29.23%,假阳性率、假阴性率分别降低了30.97%和20.40%,重叠系数提高了26.60%;与直方图均衡化法的比较表明,分割误差降低了25.59%,假阳性率、假阴性率分别降低了22.74%和27.56%,而重叠系数提高了27.43%。这一系列数据表明,基于模糊集理论的阴影去除方法具有较好的阴影去除效果。经过去除阴影后,可以获得更高的目标分割性能,目标提取精度显著提高,表明将模糊集方法应用于苹果目标的阴影去除可以有效地提高苹果目标区域的提取精度。

基于光谱及几何信息的TM图像厚云去除算法

为了去除厚云及其阴影对光学遥感图像的影响,以TM图像为实验数据提出一种基于光谱及几何信息的去厚云算法。在分析单图像云区多光谱特征及对比多时相图像光谱特征的基础上,首先检测光谱特征明显的厚云,依据云和云影成对出现的成像几何关系,按确定的方位和距离搜索云影;然后采用数学形态学的侵蚀与膨胀算法对云区边缘进行碎片去除及填补、合并处理,使其准确反映图像中受云影响的数据总量;最后利用光谱线性回归匹配后的参考图像替换目标图像中的云区,达到去云目的。实验结果表明,上述算法去厚云效果显著,能够有效排除水体及地形阴影对云影识别的影响,具有快速、简单、实用性强的特点。

基于融合帧间差的改进Vibe方法

Vibe(Visual background extractor,视觉背景提取)算法速度快,能有效抑制噪声,但是也有缺陷,比如无法有效去除运动目标阴影,且不能快速去除"鬼影"区域。针对上述问题,提出了一种基于融合帧差法的改进Vibe算法。利用新的帧差法,提出如下改进:在灰度空间进行前景检测并利用亮度信息去除运动目标的阴影;巧妙运用帧差法的特性,利用两种方法所得的背景进行"与"操作,快速去除Vibe产生的"鬼影"。最后用形态学方法对检测结果进行改善,给出实验验证结果。结果表明,文中提出的改进方法可以很好地去除阴影,并能快速去除"鬼影",从实际效果上提高了算法的可靠性和检测的准确性。

自然光照条件下采摘机器人果实识别的表面阴影去除方法

有效的阴影检测和去除算法会大大提高自然环境下果实识别算法的性能,为农业智能化提供技术支持。该研究采用超像素分割的方法,将一张图像分割成多个小区域,在对图像进行超像素分割的基础上,对自然光照下的果园图像阴影区域与非阴影区域进行对比分析,探索8个自定义特征用于阴影检测。然后采用SVM的方法,结合8个自主探索的自定义特征,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中,再使用交叉验证方法进行参数优化。根据Finlayson的二维积分算法策略,对检测的每一个阴影区域进行阴影去除,获得去除阴影后的自然光照图像。最后进行阴影检测的识别准确性试验,试验结果表明,本研究的阴影检测算法的平均识别准确率为83.16%,经过阴影去除后,图像的阴影区域亮度得到了提高,并且整幅图像的亮度更为均匀。该研究可为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。