人工智能陰影檢測與去除，實現(xiàn)一種基于反射的陰影檢測與去除方法摘要：陰影是圖像的常見方面，當未被發(fā)現(xiàn)時會影響場景理解和視覺處理。 我們提出了一種基于反射率的簡單而有效的方法來檢測單個圖像的陰影。 首先對圖像進行分割，并且基于反射率，照明和紋理特征，將片段對識別為陰影對和非陰影對。 所提出的方法在兩個公開可用且廣泛使用的數(shù)據(jù)集上進行測試。 盡管需要較少的參數(shù)，但與先前報道的方法相比，我們的方法在檢測陰影方面實現(xiàn)更高 我們還通過重新點亮檢測到的陰影區(qū)域中的像素來顯示無陰影圖像的結(jié)果。

人工智能陰影檢測與去除，實現(xiàn)一種基于反射的陰影檢測與去除方法簡介：陰影無處不在。當光被物體部分或完全遮擋時形成它們。陰影提供有關(guān)圖像中的光照方向[1]，場景幾何和場景理解[2]的信息，對于跟蹤視頻中的對象[3]至關(guān)重要。它們也是航拍圖像的組成部分[4]。但是，陰影也會使對象檢測，特征提取和場景解析等任務變得復雜[5]。

已經(jīng)提出了許多方法來檢測圖像和視頻中的陰影。在本文中，我們專注于檢測彩色圖像的陰影。隨著最近數(shù)據(jù)驅(qū)動方法的蓬勃發(fā)展，基于機器學習的方法已應用于檢測陰影。在[5]中，由2490個參數(shù)組成的條件隨機場用于檢測灰度圖像中的陰影，使用強度，偏度，紋理，梯度相似性等特征。在[7]中，使用由1000個參數(shù)組成的卷積神經(jīng)網(wǎng)絡(luò)來檢測陰影。在[6]中，邊緣周圍的強度信息用于檢測陰影邊界。在[8]中，首先對圖像進行分割，并且通過將不同的片段彼此進行比較，使用各種分類器來檢測顏色和紋理相似的區(qū)域。

人工智能陰影檢測與去除，實現(xiàn)一種基于反射的陰影檢測與去除方法貢獻：在本文中，我們提出了一種基于非訓練的陰影檢測方法，該方法需要較少的參數(shù)與以前的方法相比，實現(xiàn)了高精度[8]，[5]，[7]。我們在用于比較區(qū)域的特征和分類器以及使用這些比較來獲得陰影掩模的方法中與[8]不同。每個表面都有兩個特征：反射率和紋理。當在表面上投射陰影時，其照度降低，但其反射率保持不變。由于照度的降低，紋理信息也會有一些損失。通過檢查表面，很難判斷是否由于陰影或陰影的影響而變暗。圖1給出了一個例子。通過相互比較表面，我們可以更自信地檢測陰影。因此，通過基于圖像的反射率，紋理和照明特性配對圖像的不同區(qū)域，我們可以有效地檢測陰影。

人工智能陰影檢測與去除，實現(xiàn)一種基于反射的陰影檢測與去除方法陰影檢測：我們的目標是根據(jù)圖像的反射率，紋理和照明特性對圖像的不同區(qū)域進行分組。為了將具有相似屬性的像素分組到不同的區(qū)域，我們首先使用高斯內(nèi)核大小為9的Quickshift方法[11]對圖像進行分割。我們的假設(shè)是單個分段應包含具有相似反射率和光照的像素。分割結(jié)果的一個例子如圖2所示。在下面的小節(jié)中，我們將解釋如何設(shè)計反射率，紋理和照明分類器，將每個分段標記為陰影或非陰影。

亮度分類器：當直射光被部分或完全遮擋時形成陰影，因此具有較低的照度。照度的降低取決于Ld和Le的相對強度。照明強度的大幅下降使陰影變暗。為了構(gòu)建有效的亮度分類器，我們需要能夠檢測到照明的減少并且能夠?qū)⒃摐p少歸因于光的阻礙而不是由于一些噪聲。為了對此進行建模，我們將查看LAB顏色空間中所有像素的亮度值。我們計算LAB空間中所有段的中值亮度，并計算中值亮度值的直方圖。直方圖的峰值給出了圖像中不同照明區(qū)域的數(shù)量的估計。

然后，我們通過基于它們與峰的接近度對分段進行分組，將圖像分割成區(qū)域。不比較相同區(qū)域內(nèi)的區(qū)段，因為它們具有相似的照明強度，而來自不同組的區(qū)段被允許用于比較以檢測陰影。此步驟很有用，因為它可以自適應地將片段分組到具有相似照明的區(qū)域。圖中顯示了根據(jù)亮度將分段分組到區(qū)域的示例

除了分組標準之外，對于兩個片段是陰影非陰影對，它們在LAB空間中的中值亮度T的比率必須高于1.2的閾值，以避免比較具有相似照明的片段。 T可以是1到1之間的任何值，并且越接近1，兩個分段的照明強度越接近。與具有相似照明強度的片段相比，陰影非陰影對將具有高的T值。

紋理分類器：由于陰影和相應的非陰影段具有相同的材質(zhì)，因此它們的紋理特征將是相似的。然而，由于陰影段的照明強度降低，一些紋理信息丟失。為了捕捉這種現(xiàn)象，我們在比較它們之間尋找紋理相似性，條件是它們的T不是很高，因為如果它的高很多紋理信息就會丟失。我們計算兩個片段的紋理貼圖[12]的直方圖之間的地球移動距離，并對其進行閾值以找出兩個片段是否具有相似的紋理。然而，如果T大于2.4，我們不會將它們與紋理相似性進行比較，因為由于照明的減少，許多紋理信息在陰影區(qū)段中丟失。

實現(xiàn)：在本小節(jié)中，我們將描述如何使用上述三個分類器來檢測陰影非陰影段對。使用上面討論的反射率，紋理和亮度分類器將每個片段與其相鄰片段進行比較。如果所有分類器將該對標記為陰影非陰影對，則存儲該連接。我們使用這些連接來連接更多段。對于每個陰影非陰影對，我們采用陰影片段的所有非分類鄰居，并使用上述分類器將它們與非陰影片段進行比較。我們重復這個過程的鄰居，它們也是影子片段。在第一次迭代中將不會檢測到這樣的段。為了將它們連接到已經(jīng)標記的陰影段，我們使用從初始連接獲得的信息重復該過程。該過程如圖5所示。