单幅图像下不同阴影强度的阴影去除

阴影是由于场景的照明不一致而出现在图像中的自然现象。当物体的透光度不同或由不同光源照射会在图像中产生不同强度的阴影。因此,对具有不同阴影强度的图像阴影去除进行了研究。通过用户交互得到阴影掩模,接下来检测具有围绕阴影边界的可变间隔和长度的样本强度分布,这避免了不均匀边界引起的伪影。然后结合超像素分割算法和FCM_S聚类算法对阴影部分进行区域合并,用于阴影和图像边界处尺度的估计。为了恢复阴影部分光照,采用图像修复算法传播阴影尺度场。最后,得到阴影去除后的图像,并进行色彩校正。为了证明该算法的优越性能,与其他算法进行定量比较,结果有所提升。     

基于梯度域的保纹理图像阴影去除算法

针对当前自然图像阴影去除算法需要多次人工交互、阴影去除结果纹理信息丢失等问题,提出了基于梯度域的图像保纹理阴影去除算法。该方法只需确定出阴影的大概边界,然后在梯度域中,分别对阴影内部和阴影边界的梯度进行最优化修正,得到无阴影的梯度图像,最后利用泊松方程,恢复出无阴影图像。利用多幅图像的实验结果证明,该算法操作简单,不需要多次人机交互,且阴影区域内纹理细节得到了较好的恢复。     

基于多阶段生成对抗网络的单幅图像阴影去除方法

传统的深度学习阴影去除方法常常会改变非阴影区域的像素且无法得到边界过渡自然的阴影去除结果。为了解决该问题,基于生成对抗网络（GAN）提出一种新颖的多阶段阴影去除框架。首先,多任务驱动的生成器分别通过阴影检测子网和蒙版生成子网为输入图像生成相应的阴影掩膜和阴影蒙版;其次,在阴影掩膜和阴影蒙版的引导下,分别设计全影模块和半影模块,分阶段去除图像中不同类型的阴影;然后,以最小二乘损失为主导构建一种新的组合损失函数以得到更好的结果。与最新的深度学习阴影去除方法相比,在筛选数据集上,所提方法的平衡误差率（BER）减小约4.39%,结构相似性（SSIM）提高约0.44%,像素均方根误差（RMSE）减小约13.32%。实验结果表明该方法得到的阴影去除结果边界过渡更加平滑。     

基于衰减式生成对抗网络的单幅图像阴影去除

图像中的阴影是投影物体的重要视觉信息,但也会对计算机视觉任务造成影响。现有的单幅图像阴影去除方法因鲁棒阴影特征的缺乏或训练样本数据的不足与误差等原因,无法得到好的阴影去除结果。为了准确生成用于描述阴影区域光照衰减程度的蒙版图像,进而获得高质量的无阴影图像,提出了一种基于衰减式生成对抗网络的单幅图像阴影去除方法。首先,敏感因子引导的衰减器被用来提升训练样本数据,为后续的生成器与判别器提供符合物理光照模型的阴影样本图像。其次,生成器将结合感知损失,并在判别器的督促下得到最终阴影蒙版。与相关研究工作比较,所提方法能有效恢复阴影区域的光照信息,可以得到更为逼真、阴影边界过渡更加自然的无阴影图像。利用客观指标评价阴影去除结果。实验结果表明,该方法能在多个真实场景下有效去除阴影,去阴影结果视觉一致性良好。     

基于视频图像的运动目标阴影去除方法

针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题,提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上,根据各像素点YUV空间上的像素模型,计算出带有阴影的目标相对于背景的失真系数,再根据设定的阈值区分出目标的实际轮廓和阴影区域,从而将目标阴影去除。实验结果表明,该方法能够快速检测和去除目标阴影,准确反映出目标的实际轮廓,并能够有效解决目标粘连问题。     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

一种IKONOS影像阴影检测与去除的方法

针对IKONOS影像数据多光谱、高空间分辨率、高辐射分辨率以及生成立体像对的特点，提出一种高精度阴影检测方法和实用阴影去除方法，真实再现阴影区地物特征，增加影像信息量，提高数据质量，也为其他遥感影像阴影去除提供一种新的研究思路。     

基于YCbCr颜色空间的叶片阴影检测与去除

自然环境下获得的植物叶片图像往往由于阴影的存在而严重影响植物叶面特征的提取,为了解决这个问题,提出了一种基于YCbCr颜色空间的阴影的检测与去除方法.首先在YCbCr颜色空间中计算Y通道强度,采用阈值法检测阴影区域.然后在YCbCr颜色空间下根据光照模型对阴影区每个像素进行光照恢复.最后转化到RGB颜色空间下.相对于直接在RGB空间进行的阴影去除,该方法减弱阴影区的边缘效应,使得去除阴影后的区域与非阴影区的颜色更加一致,恢复图像看上去更加自然.     

基于YUV颜色空间与局部纹理的运动阴影去除

提出一种视频监控中运动目标的运动阴影去除算法。该方法使用混合高斯背景建模初步得到运动目标区域,在此基础上利用阴影区域的色度、亮度信息与背景的差异,与局部二值纹理模式LBP（Local Binary Pattern）思想相或的方法来消除运动阴影,接着使用形态学的方法去除像素突变的边缘部分。实验结果表明,该方法可以很好地保留前景图像。     

示温漆图像阴影去除算法的研究与实现

为了消除阴影对温度识别的精度及对等温线划分的准确度造成影响,提出了一种快速去除阴影的算法.把3种颜色特征不变性在示温漆图像上进行阴影检测的效果进行对比,选取应用效果最好的颜色特征不变性进行阴影检测,用数学形态学及阈值的处理方法准确地定位出阴影边界;然后在RGB颜色空间内,利用邻近的非阴影区域按照映射策略对各个独立的阴影区域进行阴影补偿,达到阴影去除的目的.实验结果表明,该方法不仅能快速的检测出阴影,而且在去除阴影的同时最大程度地保持了图像的原始信息.     

基于光照无关图的阴影去除方法

为了在检测目标时排除阴影的干扰,首先论述了光照无关图的原理及其重要性质,然后在此基础上提出了一种基于光照无关图的阴影去除方法。该方法根据光学成像原理通过对图像进行变换来得到一幅与光照无关的灰度图,以达到去除阴影的目的。同时针对该方法需事先测定摄像机的光照无关角的不便之处,还提出了基于直方图统计的摄像机光照无关角判定法则。通过对大量不同场景下视频监控图像的实际测试结果表明,基于光照无关图的阴影去除方法以及基于直方图统计的光照无关角判定方法,可以有效去除目标阴影,并可准确分割目标。     

注意力与多尺度融合的图像阴影去除算法

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...     

利用Retinex消除在彩红外遥感影像聚类中阴影的研究

在采用彩红外遥感影像检测城市绿化应用中,由于城市地物复杂,高楼云集造成的阴影,以及大量存在的有色地物,构成了影像聚类提取植被信息的干扰源。针对以上问题,对Retinex理论进行了探讨,结合色度学等相关理论,本着复杂度低和可操作性高的设计理念,设计出可消除以上干扰源对影像聚类干扰的有效方法,准确提取了植被信息。     

基于LAB颜色空间的图像阴影检测与去除方法

为实现单幅图像快速去阴影处理,提出基于LAB颜色空间的图像阴影检测与去除方法。首先,将RGB图像转换成LAB图像,再对阴影图像进行边缘检测。然后,通过对不同颜色通道进行分析、计算及重新整合,得到阴影区域与非阴影区域平均色度值相匹配的图像。最后,对图像进行色度校正和边缘校正,实现单幅图像去阴影处理。为验证本文方法的可行性和有效性,分别采用峰值信噪比（PSNR）和结构相似度（SSIM）这2种性能指标,来客观评价图像的去阴影结果,并与2种典型的图像去阴影方法进行比较。结果表明,本文方法的各性能指标最高,如：在3组实验中,PSNR分别达到17.4721、17.6206、17.3048,SSIM分别达到0.8192、0.8344、0.8027。而且去阴影后图像特征信息清晰,保留的结构信息更接近于真实无阴影场景图像,整体取得了很好的去阴影效果。     

一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

运动目标的阴影实时检测和消除

运动目标的实时检测与跟踪是智能监控和视频活动识别应用的基本步骤.运动目标检测把场景分割为前景目标和背景区域,但是在这个过程申运动目标投射的阴影很容易被误分类为前景目标,这种误分类会造成多个目标的合并或目标形状的改变.为了改善运动目标分割的效果,提出一个基于光强、色度和反射率的实时阴影检测和消除的算法,该算法不需要目标的...     

Appearance Harmonization for Single Image Shadow Removal

Shadow removal is a challenging problem and previous approaches often produce de‐shadowed regions that are visually inconsistent with the rest of the image. We propose an automatic shadow region harmonization approach that makes the appearance of a de‐shadowed region (produced using any previous technique) compatible with the rest of the image. We use a shadow‐guided patch‐based image synthesis approach that reconstructs the shadow region using patches sampled from non‐shadowed regions. This result is then refined based on the reconstruction confidence to handle unique textures. Qualitative comparisons over a wide range of images, and a quantitative evaluation on a benchmark dataset show that our technique significantly improves upon the state‐of‐the‐art.