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。     

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。     

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。     

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。     

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。     

基于最佳分析窗口的高光检测

物体上的高光直接影响计算机视觉领域的很多操作,比如图像分割、边缘检测、视频中物体的跟踪等.该方法基于双色反射模型,提出了最佳分析窗口的概念.在最佳分析窗口的基础上,分析窗口中像素的亮度、色彩、以及位置信息,组成五维特征向量,利用K-means算法在向量空间的聚类结果得到漫反射像素族,从而估计出全局漫反射色度,并以此检测图像中的高光像素.最后,利用Tan等提出的STD机制从原图像中分离出漫反射分量和镜面反射分量.该方法无需交互操作,不受相机噪声为线性的限制,比同类算法更容易实现且效果更佳.     

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。     

基于表面形态分布的单幅灰度图像高光检测

镜面高光是由明暗恢复形状算法的重大障碍,但是对于单幅灰度图像,由于只包含亮度信息,现有以色度分析和极化分析为基础的高光检测方法均不能适用.为此,提出了一种利用表面形态分布信息检测图像高光的方法.首先,利用成像过程信息,对表面法向量进行估计;其次,基于物理光照模型,通过模拟退火算法最小化亮度误差函数,计算漫反射成分和镜面反射成分;然后,定位高光区域;最后,给出了基于曲率连续性假设的约束补色方法.通过对仿真图像和真实图像的高光检测及表面恢复,验证了提出的算法具有良好的稳定性,提高了镜面高光图像的表面恢复精度.     

双边滤波的改进高光去除

目的 由于非均匀光照条件下,物体表面通常出现块状的强反射区域,传统的去高光方法在还原图像时容易造成颜色失真或者边缘的丢失。针对这些缺点,提出一种改进的基于双边滤波的去高光方法。方法 首先通过双色反射模型变换得到镜面反射分量与最大漫反射色度之间的转换关系,然后利用阈值将图像的像素点分为两类,将仅含漫反射分量的像素点与含有镜面反射分量的像素点分离开来,对两类像素点的最大漫反射色度分别做估计,接着以估计的最大漫反射色度的相似度作为双边滤波器的值域,同时以图像的最大色度图作为双边滤波的引导图保边去噪,进而达到去除镜面反射分量的目的。结果 以经典的高光图像作为处理对象,对含有镜面反射和仅含漫反射的像素点分别做最大漫反射色度估计,再以该估计图作为双边滤波的引导图,不仅能去除镜面反射分量还能有效的保留图像的边缘信息,最大程度的还原图像细节颜色,并且解决了原始算法处理结果中R、G、B三通道相似的像素点所出现的颜色退化问题。用改进的双边滤波去高光算法对50幅含高光的图像做处理,并将该算法与Yang方法和Shen方法分别作对比,结果图的峰值信噪比（PSNR）也分别平均提高4.17%和8.40%,所提算法的处理效果更符合人眼视觉,图像质量更好。结论 实验结果表明针对含镜面反射的图像,本文方法能够更有效去除图像的多区域局部高光,完成对图像的复原,可为室内外光照不匀情况下所采集图像的复原提供有效理论基础。     

边缘保留的图像滤波方法

传统的高斯滤波在去除图像噪声的同时产生了边缘模糊的问题。本文通过对传统高斯滤波算法的改进,不仅考虑距离的影响,而且还考虑图像灰度值的影响。尤其是当邻域间像素的距离近并且灰度值相似时,则它们对结果有较大的影响。实验结果表明该方法在滤除图像噪声的同时又能保留图像边缘。     

用于去除单张图像高光的光照约束补色

在计算机视觉研究领域,如何检测和消除图像中的高光(specular)一直是个热点问题,有关的研究结果对于提高计算机视觉算法性能有着重要的影响.针对这一问题,提出了一种检测和消除高光的方法.首先,通过比较高光和漫反射光(diffuse)的色度特性的不同,给出了一种交互检测单色物体表面高光区域的方法;然后,引入补色(inpainting)方法并结合光照约束条件,设计了一种去除单张图像中高光并还原出漫反射分量的新的补色算法.与一般补色方法不同,该算法充分利用了高光区域含有的信息来指导补色过程.通过综合利用观测到的像素值、光源的色度分析(illumination chromaticity analysis)、光源颜色的平滑性等来约束补色过程,保证了算法能够克服一般的补色方法无法保持物体表面细微明暗变化的缺点.实验结果表明,与以往的去除单张图像高光的方法相比,该算法能够提供更好的光源色度估计,从而得到更准确的结果.     

边缘保留的图像滤波方法

传统的高斯滤波在去除图像噪声的同时产生了边缘模糊的问题。本文通过对传统高斯滤波算法的改进，不仅考虑距离的影响，而且还考虑图像灰度值的影响。尤其是当邻域间像素的距离近并且灰度值相似时，则它们对结果有较大的影响。实验结果表明该方法在滤除图像噪声的同时又能保留图像边缘。     

An Edge-Preserving Image Reconstruction Using Neural Network

This paper presents an image restoration model based on the implicit function theorem and edge-preserving regularization. We then apply the model on the subband-coded images using the artificial neural network. The edge information is extracted from the source image as a priori nowledge to recover the details and reduce the ringing artifact of the subband-coded image. The multilayer perceptron model is employed to implement the restoration process. The main merit of the presented approach is that the neural network model is massively parallel with strong robustness for the transmission noise and parameter or structure perturbation, and it can be realized by VLSI technologies for real-time applications. To evaluate the performance of the proposed approach, a comparative study with the set partitioning in hierarchical tree (SPIHT) has been made by using a set of gray-scale digital images. The experimental results showed that the proposed approach could result in compatible performances compared with SPIHT on both objective and subjective quality for lower compression ratio subband coded image.     

单幅图像的保纹理阴影去除

提出一个保纹理的阴影去除模型,对于软阴影有较好的效果。该模型对图像的色彩空间进行变化,转换到一个更有助于描述阴影的色彩空间。针对阴影层的特点,将阴影分为阴影区域和半阴影区域,分别进行处理。特别对于半阴影区域,将问题转化为一个最小化问题来解决。实验结果显示该模型的有效性。     

Single Image Rain Removal Using Image Decomposition and a Dense Network

Removing rain from a single image is a challenging task due to the absence of temporal information. Considering that a rainy image can be decomposed into the low-frequency (LF) and high-frequency (HF) components, where the coarse scale information is retained in the LF component and the rain streaks and texture correspond to the HF component, we propose a single image rain removal algorithm using image decomposition and a dense network. We design two task-driven sub-networks to estimate the LF and non-rain HF components of a rainy image. The high-frequency estimation sub-network employs a densely connected network structure, while the low-frequency sub-network uses a simple convolutional neural network (CNN). We add total variation (TV) regularization and LF-channel fidelity terms to the loss function to optimize the two subnetworks jointly. The method then obtains de-rained output by combining the estimated LF and non-rain HF components. Extensive experiments on synthetic and real-world rainy images demonstrate that our method removes rain streaks while preserving non-rain details, and achieves superior de-raining performance both perceptually and quantitatively.      

高光去除的聚类算法改进

高光去除是计算机视觉领域研究的一个热点问题.现有的基于双色反色模型分离漫反射分量和镜面反射分量去除单幅图像中的高光的方法,容易引起图像颜色失真和纹理的丢失.针对此问题,在使用像素强度比去高光的基础上改进了像素聚类算法,能够更准确的进行像素分类,改善图像颜色失真的现象.首先计算原图像与最小强度值单通道图像的差值得到无高光图像.然后根据无高光图像计算与高光区域相关的每个像素点的最大漫反射色度值和最小漫反射色度值.最后将高光区域内的像素点转换到最小最大色度空间,对高光区域内的像素点进行xmeans聚类,利用分类后漫反射像素点的强度比估计值很容易分离高光区域像素点的镜面反射分量,从而得到去高光图像.实验结果表明,与现有的方法对比,峰值信噪比值平均提升了2%至4%,图像颜色失真和纹理丢失状况得到改善,视觉效果更好.     

单幅图像去雾算法

目前图像去雾算法研究大多忽略颜色失真问题,特别是存在高亮度区域的图像复原,针对如何同时保证图像细节与颜色信息问题,本文提出一种基于双边滤波的单幅图像去雾算法。首先,利用巴特沃斯低通滤波直接估计背景空气光,避免对不同尺寸的图像以及对图像不同的分块所引起的误差;然后,利用双边滤波估计大气光幕,代替He算法中soft matting过程,以获得优化的透射图,提高计算效率;最后,在HSV空间利用亮度增益函数对复原图像进行颜色校正,最终获得复原图像。仿真实验通过与几种经典算法的比较验证本文算法在色彩保真度及算法鲁棒性等方面的有效性。     

基于亮暗通道相结合的自适应图像去雾算法

暗通道先验(DCP)近几年已被证实是一种合适的除雾模型,然而其过程将引起图像的Halo效应和颜色失真.基于此,提出了结合亮通道原理和天空区域分割的新算法.使用亮通道和暗通道的结合来精准估计大气光值和透射率,天空区域自适应分割解决恢复无雾图像时天空区域的色彩失真问题.将从主观及客观两方面将本文去雾算法与现有算法进行对比,结果表明,本算法能够有效消除Halo效应,获得高对比度、高色彩饱和度以及丰富细节信息的去雾结果,同时也提高了图像去雾效率.     

基于物理模型的快速单幅图像去雾方法

在雾、霾等天气条件下, 大气粒子的散射作用导致捕获的图像严重降质. 本文提出一种新的基于物理模型的快速单幅图像去雾算法. 该算法从大气散射模型出发, 通过对大气光照进行白平衡, 从而简化大气散射模型; 利用快速双边滤波方法估计大气耗散函数, 进而恢复场景反照率. 本文算法的时间复杂度达到图像像素数的线性函数, 具有很快的执行速度. 实验结果表明本文算法有效地恢复了场景的对比度和颜色, 从而明显地提高了图像的视见度.