阴影去除

摘要： 阴影的存在会对图像中特征提取、目标识别等产生很多消极的影响。由于图像中光照度、色度、图像质量等各种复杂因素的影响,单幅图像的阴影处理存在一定的局限性。为了更有针对性地对图像中阴影进行处理,文中提出一种基于用户辅助的区域生长的阴影检测并结合局部直方图均衡化的图像增强算法。首先,通过用户参与的方式更好地利用主观视觉,并在此基础上对阴影进行检测;然后,通过用户选取建模区域对图像中阴影区域进行提取,再采用局部直方图均衡化的方法对提取出的阴影区域像素进行处理;最后,对实际生活中的图像进行仿真。实验结果表明,文中方法可有效提升阴影区域的亮度及纹理细节等,从而能够提高图像的质量、品质以及目标事物的可识别性,增强图像的视觉效果。

摘要： 针对图像阴影去除算法中复杂地物或与阴影区域纹理相似的暗区域阴影去除不完全的问题,提出了一种注意力与多尺度融合的图像阴影去除算法。该算法基于生成对抗网络框架构建。利用自定义的空洞残差块进行特征提取,获得精确的阴影特征信息并输入到注意力引导的编码网络;在注意力引导的编码阶段进行多尺度的特征融合,获取不同层次的感受野,使编码器能够在不同尺度上捕捉上下文信息;利用多重注意力机制引导判别网络对生成的无阴影图像进行鉴别,进而减少判别网络关键信息损失,提高判别网络的鉴别效果。分别在ISTD(dataset with image shadow triplets)与SRD(dataset for shadow removal)公开数据集上进行验证,实验结果表明:该算法视觉效果表现良好,单幅阴影去除后的图片与数据集中真实无阴影图片进行对比,SSIM(structural similarity)可达到0.978,PSNR(peak signal to noise ratio)可达到32.2 dB,RMSE(root mean squared error)可达到6.2,相比同类算法,具有显著优势,且对复杂地物或暗区域阴影去除效果良好。

摘要： 针对运动目标分割中出现的孔洞等问题,课题组提出了一种基于改进高斯混合模型(Gaussian mixture model, GMM)的运动目标分割算法;针对运动目标分割中出现的阴影和鬼影等问题,提出了一种基于位置约束和加权HSV(hue saturation value, HSV)的阴影检测算法。首先,将运动目标在相邻2帧之间移动的速度作为像素速度,根据像素速度来动态调整每个像素点的学习率,实现背景模型的动态更新,从而有效避免前景中出现孔洞等干扰;其次,提出一种基于位置约束和加权HSV颜色模型的特征向量构建方法,使用余弦相似性进行相关性分析,避免了分割过程中出现阴影干扰的现象。实验结果表明:该算法能够准确地分割出运动目标,目标完整率、阴影检测率和判别率分别达到95.11%、96.18%和96.45%。与其他方法相比,运动目标分割的准确率提高了2.09%,运动目标分割性能良好。

摘要： 为了解决暗区域、纹理复杂或半影区域的阴影去除效果不明显的问题,提出了空洞卷积与注意力机制融合的对抗式图像阴影去除算法.该算法基于生成对抗网络的总体思想,将空洞卷积引入残差网络中,用自定义的空洞残差块进行特征提取,扩大了特征提取的感受野.在注意力编码阶段,加入4层相同结构的空洞卷积,确保最小计算量的情况下为解码阶段提供更抽象、更本质的全局的语义特征.运用多重注意力机制,引导判别网络对无阴影图像的鉴别,提高判别网络能力.该算法分别在ISTD(image shadow triplets dataset)与SRD(shadow removal dataset)公开数据集上进行检验,SSIM(structural similarity)值达到97.77％.该算法图像特征信息保存完整,画面清晰,暗区域及地物复杂的区域阴影去除效果较好,对半影区域,也有具有良好的表现.

摘要： 针对高光谱影像中地物阴影对高光谱影像分类的影响,以桂林市为研究区域,利用珠海一号高光谱影像数据,提出一种顾及阴影检测的BP神经网络分类方法.结合研究区的归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)值、 归一化水指数(Normalized Difference Water Index,NDWI)值与DEM高程数据,通过决策树提取阴影区域.构建回归模型,利用函数拟合将阴影区域拟合至明亮区域,通过BP神经网络进行分类.结果表明,基于顾及阴影检测的BP神经网络分类能有效区分水体与阴影,总体精度达98.08％,Kappa系数0.968,较直接分类结果提高了0.78％,Kappa系数提高了0.013.所提方法能有效提高存在大量阴影的高光谱影像的分类效果.

摘要： 针对日常图像获取与处理过程中由于拍摄光线较差等问题,导致图像出现部分阴影,影响图像处理效果等问题,提出基于熵驱动域适应学习的弱光照图像阴影去除方法.通过熵驱动域适应学习技术构建多核分类器,获取弱光照图像的最大平均差异值,完成弱光照图像的预处理.将图像光照分解设定为图像分解与重光照,获取图像最小像素值,根据图像亮度以及RGB方向相似度建立局部像素的约束,完成弱光照图像的分解;采用区域生长法,以检测到的弱光照图像阴影边缘作为基准点,选择灰度值较重部分作为阴影生长起始点,确定弱光照图像的纹理特征值,利用光照补偿方法恢复图像光照,完成弱光照图像阴影去除.仿真结果表明,采用所提方法对弱光照图像阴影去除的效果较好,改善了弱光照图像的质量.

摘要： 为了消除阴影等光照问题对计算机或机器人视觉检测的干扰,文中依据光学成像的原理,将RGB图像转换到光照不变的2D对数色度空间,利用独立成分分析法寻找特定投影方向,提出了一种基于光照无关图的阴影消除方法。结果表明:该方法生成了对场景光照强度近似不变的灰度图,有效地去除了图像的阴影。

摘要： 为了在光照复杂、纹理丰富的图像上获得更好的去阴影效果,基于生成对抗网络提出了一种新颖的阴影去除方法.首先,所提网络中的阴影检测子网为阴影图像生成阴影掩膜,基于该检测结果提出一种光照敏感的多尺度图像分解方法,在几乎不损失光照信息的同时提取图像纹理信息;然后,蒙版生成子网为分解后的低尺度图像生成相应的蒙版用于去除其中阴影;其次,边界复原子网修复阴影边界实现友好的过渡;最后,使用自适应衰减因子引导图像进行细节恢复以得到纹理丰富的结果.实验结果表明所提方法可以有效地提高阴影去除效果.

摘要： 双向纹理函数(BTF)是由不同光源方向、不同视点方向下的材质纹理图像组成的六维函数,其数据庞大难以直接用于渲染,必须进行数据压缩.本文提出了一种基于阴影去除的双向纹理函数的光照建模压缩方法:该方法首先将真实材质的BTF测量数据分解为几何信息和光照信息两部分,其次利用所得到的法向、深度几何信息,对BTF测量数据去除无效的遮蔽、阴影数据,最后对阴影去除后的BTF数据进行光照建模.针对无法获得精确高度图的情况,本文还提出了一种基于图像处理的简单阴影去除方法.此外,为简化光照建模计算过程和减少存储空间,本文采用k-means方法对图像像素点进行聚类.与现有的忽略BTF数据中的自遮挡、自阴影及互反射等效果影响而直接进行双向纹理函数光照建模的方法相比,本文提出的方法更加接近真实材质的BTF测量数据,具有更加真实的视觉效果。

摘要： 山地森林区的阴影影响该地区的分类精度,如何去除阴影一直是目前研究的一个主要的问题。本文主要通过最小噪声分离法(MNF)变化后,发现MNF的第二个波段(MNF2)与阴影指数(SI)的相关性非常高,线性方程的复相关系数可以达到0.92以上,而MNF的其他波段几乎无阴影信息,因此消除MNF2与SI的相关性就可以有效地去除阴影的影响,通过MNF2与SI的结合进行再次MNF变化,可以消除SI与MNF2的相关性。经过试验区检验,说明此方法能够解决山地森林区阴影的影响问题。

摘要： 阴影是遥感影像的基本特征之一,它使地物目标反映的信息量有所损失或受到干扰,而去除阴影一直是遥感图像处理的难题.本文从遥感影像阴影成像机理出发,提出一种多波段检测阴影方法和一种基于能量信息补偿的阴影去除理论模型,并通过IKONOS城市影像处理效果进行模型验证,可真实再现阴影区地物特征,增加影像信息量,提高数据质量.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 本文先利用改进的Mode算法对背景进行建模,改进了单独利用帧差法或背景减法进行运动目标检测时存在的不足,融合运动目标边缘信息的帧间差分法和背景减法相结合的运动目标检测;然后,为了解运动区域的阴影,提出了一种融合纹理特性和双阈值的去除算法,根据光照模型分析得到阴影点基本上具有相同的亮度比值这一原理对阴影进行去除.实验结果表明,该方法能有效地提取阴影和去除阴影区域,提高运动目标检测的准确率和鲁棒性.

摘要： 目标检测中由于阴影与目标在很多情况下具有相似性而产生误检,故准确消除阴影是目标检测的核心任务之一.本文利用背景差法提取运动目标区域,然后进行二值化、数学形态学、连通区域检测等处理,得到包含阴影区域的前景图像.接着又把区域分割与边缘特征相结合的去阴影方法和区域分割与图像灰度特征统计相结合来消除阴影的方法进行比较,实验结果表明,把区域分割与灰度特征统计相结合方法去除阴影的效果更好,能很好的获取前景目标区域.

摘要： 本发明揭示一种监控视频图像的阴影检测方法及其系统、阴影去除方法。所述监控视频图像的阴影检测方法包括如下步骤：从源数据中获取当前帧和背景帧；由当前帧中获取第一候选阴影区域；计算所有第一候选阴影区域的局部三元模式的阴影检测值，选取第二候选阴影区域；计算各个第二候选阴影区域的色调及饱和度检测值和梯度检测值；估算局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；计算各个第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；选取局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在阈值范围内的第一候选阴影区域作为阴影区域。

摘要： 本发明公开了一种基于深度学习的无人机遥感影像阴影去除方法，首先利用无人机进行数据采集，并对数据进行辐射归一化和几何配准处理，构建无人机阴影数据库；然后该阴影数据库基础上，利用条件生成对抗网络1学习样本对之间的阴影去除关系，从而实现阴影的初步去除；考虑到阴影去除前后的辐射差异，构建非阴影区域辐射归一化数据库，并在此数据库基础上对条件生成对抗网络2进行训练；最后基于此关系对阴影去除初步结果进行辐射归一化处理，得到最终的阴影去除结果。本发明考虑到无人机数据获取的灵活性，采集并构建阴影影像数据集，利用深度学习理论深入挖掘样本对之间的变换关系，以获得最优的阴影去除结果。其准确性高，计算效率快，易于实现且可扩展性强，实用价值高。

摘要： 本发明揭示一种监控视频图像的阴影检测方法及其系统、阴影去除方法。所述监控视频图像的阴影检测方法包括如下步骤：从源数据中获取当前帧和背景帧；由当前帧中获取第一候选阴影区域；计算所有第一候选阴影区域的局部三元模式的阴影检测值，选取第二候选阴影区域；计算各个第二候选阴影区域的色调及饱和度检测值和梯度检测值；估算局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；计算各个第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；选取局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在阈值范围内的第一候选阴影区域作为阴影区域。

摘要： 本申请提供一种基于NonshadowGAN的无人机铁路扣件图像阴影去除方法及系统。本申请基于无人机所获取的铁路扣件图像，首先对扣件图像进行预处理实现数据的增广，然后利用NonshadowGAN网络实现对扣件部件的阴影去除。本申请将无人机铁路扣件图像输入到阴影去除网络中时，将损失函数分为三部分，通过生成对抗网络将对抗损失应用于学习阴影特征，完成阴影和无阴影特征的学习与识别任务，并通过循环一致性损失减少映射函数的可用空间，通过身份验证损失进一步约束网络结构，鉴别阴影生成结果，调整参数模型。从而，本申请能够基于非成对的阴影扣件数据实现模型训练，进而准确实现对无人机扣件数据中阴影部分的去除。

摘要： 本发明公开了一种基于深度学习和反射率的阴影去除方法，其步骤包括：1)将所选彩色的阴影图像分别转换成灰度图像和颜色图像并进行阴影标注；将监督图像设定为阴影图像的灰度图像和对应无阴影图像的灰度图像之间的比例图像；2)利用训练数据训练U型深度神经网络；3)对于一待处理图像A，计算图像A的阴影区域中各个像素的反射率；4)根据反射率计算图像A的阴影区域中各个像素在白光照射下呈现的颜色，将所得颜色作为对应像素在阴影去除后的颜色，生成图像A阴影去除后的颜色图像B；5)将图像A的颜色图像输入U型深度神经网络，生成一比例图像P

摘要： 本发明公开了一种基于双向映射网络的图像阴影去除方法，其步骤包括：1、输入待处理的阴影图像，构建颜色提取网络获取阴影图像颜色不变性信息作为阴影去除的引导信息；2、构建双向映射模块来实现双向映射网络的特征提取及特征映射；3、将阴影图像及相关的颜色引导信息输入到构建的双向映射网络中获取重建的无阴影图像。本发明充分考虑了阴影生成对阴影去除的辅助监督作用而构建了双向映射网络实现图像中阴影的去除，同时在阴影去除时引入了颜色引导信息从而减少复原图像时可能发生的颜色偏差问题，从而能实现更好的阴影去除效果。

摘要： 本发明公开了一种基于模型驱动的图像阴影去除方法，其步骤包括：1、构建一个新的自适应变换的阴影光照模型；2、根据阴影光照模型来构建无阴影图像的变分模型；3、构建高效的模型驱动的迭代算法来求解变分模型，从而获取重建的无阴影图像。本发明能充分结合传统模型驱动方案的可解释性和数据驱动方案的高效性的优势，构建基于阴影图像光照模型驱动的去除图像阴影的算法，并对于算法中部分步骤使用卷积神经网络代替，从而能实现运行高效、去除效果好、可解释性强的阴影去除。

摘要： 本申请实施例公开了一种图像的阴影去除方法，涉及图像处理技术领域，用于准确地消除图像的横纹阴影。该方法包括：获取具有横纹阴影的原始图像；将原始图像转换为灰度图，并对灰度图进行低通滤波处理，以确定第一光场图和第二光场图；其中，第一光场图用于表征原始图像的各个像素点在去除横纹阴影的干扰的情况下的亮度信息，第二光场图用于表征原始图像的各个像素点在保留横纹阴影的干扰的情况下的亮度信息；根据第一光场图和第二光场图，确定阴影补偿矩阵，阴影补偿矩阵用于记录原始图像中各个像素点对应的阴影补偿系数；基于阴影补偿矩阵，对原始图像进行阴影校正处理，得到消除横纹阴影的图像。

摘要： 本发明涉及一种非配对图像阴影去除方法，TC‑ShadowGAN网络模型设计了一个生成网络STN，即阴影转换网络(Shadow Transformation Network,STN)，通过两组基于编码器‑解码器的生成子网络从阴影图像中生成两个无阴影网络，采用目标一致性约束，限制生成的两幅无阴影图像的一致性，此外，在没有配对的无阴影数据监督的情况下，TC‑ShadowGAN通过从各种无阴影的自然图像中学习共同的照度和亮度特征来生成真正的无阴影图像，并利用不同的真实无阴影图像指定两个判别器，以约束生成的无阴影区域与真实的无阴影区域之间的照度、颜色和纹理的一致性。

摘要： 本申请涉及人工智能技术领域，特别是涉及一种图像阴影去除方法、装置、计算机设备和存储介质。所述方法包括：获取原始图像的属性信息和第一明度矩阵；根据所述第一明度矩阵和预设的滤波处理方法，确定光照特征矩阵；基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理，得到第二明度矩阵；基于所述第二明度矩阵与所述属性信息，生成去除阴影后的图像。本申请的保证了在对原始图像进行阴影去除操作的时候，不会对原始图像的页面背景颜色造成影响，也保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分，保证了阴影的去除效果。