一種針對單幅室外圖像的陰影檢測算法

陳卓（四川大學視覺合成圖形圖像技術國防家重點學科實驗室，成都　610025)

一種針對單幅室外圖像的陰影檢測算法

陳卓
（四川大學視覺合成圖形圖像技術國防家重點學科實驗室，成都610025)

0　引言

一直以來，陰影檢測都是圖像處理領域的研究熱點之一。圖像中的陰影會增加物體識別、圖像分割等算法的難度，所以有效地檢測陰影可以顯著提高圖像處理領域許多算法的性能。

最近十多年中，大量圖像處理中的陰影檢測算法涌現出來。一部分算法基于陰影邊緣。該方法通過比較兩種邊緣來檢測陰影[1]：光照不變圖像的邊緣和原圖像的邊緣。該方法的一大限制在于對處理圖像有著很高的質量要求，當所處理圖像為普通圖像時，該算法效果一般。另一部分算法基于陰影區域。該方法基于光照強度、梯度等信息，通過訓練條件隨機場來判斷陰影[2]。但該方法有著冗長的訓練過程，并對訓練集的依賴度較高。時至今日，在光照、物體反射率和陰影幾何形狀等因素的影響下，陰影檢測仍然是一個具有挑戰性的問題。特別地，對于單幅室外圖像，由于其信息少、場景復雜等原因，針對該圖像的陰影檢測更是難上加難。

因此，本文針對單幅室外場景的圖像，提出了一種新的陰影檢測算法。首先，算法利用陰影導致的紋理和亮度變化特征，結合局部和全局信息對圖像進行分割。然后，針對過度分割產生的問題，本文提出了一種新的基于邊緣的區域融合算法，可有效地將圖像中陰影區域和非陰影區域分割開來，同時可以分別把陰影區域和非陰影區域分割成若干個子區域。然后，利用單個區域信息和區域匹配的信息，分別訓練一個SVM，對陰影進行識別。本文的主要貢獻包括：

●提出了一種新的基于陰影特征的圖像分割算法，該算法結合邊緣檢測和區域檢測，準確地將陰影和非陰影區域分割開。

●整合了圖像分割和陰影檢測算法，利用相同的陰影特征進行分割和檢測，使算法內部的一致性增強，并擁有更好的檢測效果。

1　相關工作

1.1圖像分割

很多圖像分割算法已經被開發出來，這些算法大致可分為兩類：基于輪廓/邊緣信息的分割，如Canny算法[4]；以及基于區域信息的分割，如MeanShift[5]，k均值算法[6]等。同時，很多研究者認為作為分割圖像的兩種方法，二者可以有效的結合起來。文獻[7]提出了這樣一種全新的方法，該方法結合了輪廓檢測和圖像分割，利用檢測出來的邊緣信息構建了一個分層的區域樹，很好地融合了兩種方法。

圖1　表示算法處理的流程，依次為（a）→（b）→（c）→（d）

1.2陰影檢測

由于陰影會顯著降低光照強度，所以一部分陰影檢測的方法是基于光照模型，或者顏色模型的。文獻[8-9]利用顏色空間HSI中的H和I空間，通過兩者之間的比值來檢測陰影檢測。然而，該方法更適合檢測航拍圖中的陰影，或者圖像中比較明顯的陰影，其對室外復雜場景中陰影的檢測效果差強人意。

有別于基于光照模型的檢測方法，文獻[3]試圖通過對比區域之間的信息來檢測陰影，具有極強的啟發意義。這種方法通過訓練SVM來評價一個區域以及區域之間的關系，然后再據此構建一個能量函數，最后求解這一函數來綜合判斷陰影區域。

2　算法實現

2.1基于陰影特征的圖像分割

圖像分割是計算機圖像學領域的一個基本問題。如果可以將圖像中陰影和非陰影區域準確地分割開來，將對陰影檢測帶來極大的便利。因此，圖像分割對陰影檢測有著重要的意義。

當一個區域被陰影覆蓋時，它的紋理和光照會發生變化[2]。而文獻[3]中使用的MeanShift算法不能很好地利用這一性質。本文通過改進[7]中的算法，根據陰影的特征，融合陰影邊緣檢測和陰影區域檢測，分割陰影和非陰影區域。該方法大致分為兩個步驟：陰影邊緣檢測和陰影分割。

（1）陰影邊緣檢測

本文與[7]中的算法不同之處在于：首先在陰影邊緣檢測部分，本文通過亮度和紋理基元（textons）[7]信息，計算每個像素點的梯度信息G（x，y，θ），并據此分析出圖像的輪廓信息gPb。

（2）陰影分割

經過上文分析得到的gPb能夠有效的表示輪廓，但是這些輪廓也不是完全封閉的，因此不能用作分割圖像。為了更好地分割圖像，本文使用分水嶺算法利用輪廓信息gPb來進行區域分割。然而，分水嶺算法會產生過度分割問題，為此本文開發了一種全新的方法來解決這一問題。

在分水嶺算法中，定義每個“集水盆地”對應一個區域，記為P0；兩個集水盆地交匯處是“分水嶺”，記為K0。接著定義一個無向圖G=（P0，K0，W（P0），E（P0）），其中W（P0）表示每條分水嶺的權值，由分水嶺上點的總能量處以分水嶺上點的個數而得；E（P0）表示每個集水盆地的能量值，每個盆地的初始能量均為零。同時需要注意的是在圖中，每條都恰好分割兩個區域，W（P0）描述了相鄰兩個區域之間的相異性。

將分水嶺按照其權值，由小到大存入隊列，并依此判斷其是否需要合并。假定R1和R2由邊C*分割，且R=R1∪R2，合并的規則如下：

●R1和R2合并的條件是：如果min{E（R1），E（R2）} ≠0，則W（K0）≤τ·min{E（R1），E（R2）}或min{E（R1），E （R2）}=0。其中，τ表示一個常數。通過調整τ就可以調整合并條件，從而控制最終區域的大小，τ越大最終合并的區域面積越大。

●E（R）、P0和K0的合并方法是：E（R）=max{E（R1），E（R2），W（C*）}；P0←P0{R1，R2}∪R；K0←K0{C*}。

2.2陰影檢測

文獻[3]提出了一種基于區域匹配的陰影檢測方法。該方法認為判斷一個區域是否為陰影，不僅僅是和區域本身的性質相關，還應該和其他區域相關。也就是說，需要結合區域之間的關系來判斷一個區域是否為陰影。

（1）區域識別

對于單區域識別，本文訓練一個分類器（SVM）來判斷單個區域是陰影的概率。訓練集已手工標記出了陰影部分，分類器利用陰影的亮度和紋理基元來進行分類，輸出為表示區域為陰影的概率。

對于匹配區域識別，檢測一個區域是否為陰影區域，應該與其紋理相似的區域進行比較。如果兩個區域亮度相似，則二者處于同一光照強度下（陰影或者非陰影）；如果兩者的亮度相異，則認定亮度較暗的區域為陰影。這里，利用分類器訓練四個特征來判斷陰影區域[3]：亮度和紋理基元的χ2距離，平均RGB比，色彩對齊度和區域歸一化距離。

（2）算法

由上述構建能量方程，使用圖割算法[10]得到最終的陰影檢測結果：

同時，

圖2　實驗結果圖

第一列是原圖像。第二列是文獻[3]所使用的MeanShift算法分割的圖像；第三列是本文算法分割的圖像；第四列是文獻[3]陰影檢測結果的投影圖像；第五列是本文算法陰影檢測結果的投影圖像。

3　實驗結果

本文在多張室外圖像上進行了實驗，這些圖像很好地囊括了不同種類的陰影圖像，具有較強的說服力，如圖2所示。通過將本文算法和文獻[3]中的算法進行比較，可以看出：本文算法很好地分割了圖像中陰影和非陰影區域，并準確地檢測了陰影區域。

4　結語

本文提出了一種新的陰影檢測算法。分割圖像和檢測陰影都使用了相同的陰影特征，圖像分割更加準確，陰影檢測的效果更好。另外，根據輪廓信息，提出了一種區域合并的算法，并且可以通過控制區域合并的參數，方便地控制合并區域的大小。這些優點共同提升了陰影移除的效果。

[1]G.D.Finlayson，S.D.Hordley，C.Lu，and M.S.Drew.On the Removal of Shadows from Images.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（1）:59-68.

[2]G.D.Finlayson，M.S.Drew，C.Lu.Intrinsic Images by Entropy Minimization.European Conference on Computer Vision，Prague，Czech Republic，2004:582-595.

[3]Guo Rui-qi，Dai Qie-yun，Hoiem，D.Single-Image Shadow Detection and Removal Using Paired Regions.IEEE Conference on Computer Vision and Pattern Recognition.Providence，RI，2011:2033-2040.

[4]Canny，John.A Computational Approach to Edge Detection.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8 （6）:679-698.

[5]D.Comaniciu and P.Meer.Mean Shift:A Robust Approach Toward Feature Space Analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）:603-619.

[6]J.B.MacQueen.Some Methods for Classification and Analysis of Multivariate Observations，Berkeley，Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability，University of California Press，1967.

[7]P.Arbelaez，M.Maire，C.Fowlkes，J.Malik.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（5）:898-916.

[8]TSAI V.J.A Comparative Study on Shadow Compensation of Color Aerial Images in Invariant Color Models.IEEE Transactions on Geoscience and Remote Sensing，2006，44（6）:1661-1671.

[9]Xiao Chunxia，Xiao Donglin，Zhang Ling，Chen Lin.Efficient Shadow Removal Using Subregion Matching Illumination Transfer.Computer Graphics Forum，2013，32（7）:421-430.

[10]Y.Boykov，O.Veksler，R.Zabih.Fast Approximate Energy Minimization Via Graph Cuts.IEEE Transactions on Pattern Analysis andMachine Intelligence，2001，23（11）:1222-1239.

Shadow Detection;Shadow Segmentation;Region-Pair

A Shadow Detection Algorithm for Single Outdoor Images CHEN Zhuo

（National Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University，Chengdu 610025）

1007-1423（2016）06-0060-04

10.3969/j.issn.1007-1423.2016.06.014

陳卓（1989-），男，河南鶴壁人，碩士研究生，研究方向為計算機圖像

2016-01-05

2016-02-06

提出一種針對單幅室外場景圖像的陰影檢測算法。算法首先利用陰影的亮度和紋理特征，融合輪廓檢測和區域分割兩種方法分割圖像；然后，通過訓練SVM來檢測單個區域信息和區域之間的匹配信息；最后，利用圖割算法綜合判斷陰影區域。實驗結果表明，該算法可以有效地分割單幅室外圖像中的陰影區域。

陰影檢測；陰影分割；區域對

國家自然科學基金（No.61103137）、國家 863計劃（No.2013AA013902）、國家自然科學重點項目和科技支撐計劃（No.2012BAH62F02）

Proposes a novel shadow detection approach for a single natural outdoor image.This algorithm firstly segments image by using the charac-teristic of shadow:brightness and texture.Then,the algorithm trains a SVM to detect single region information and region-pair informa-tion.At last,uses Graph Cut algorithm to classify shadow/non-shadow regions.Experiments show that this method significantly detects shadow regions in single outdoor images.