【文章內(nèi)容簡介】 決于遮擋物體的形狀、大小、投影面與遮擋物體之間的距離；遮擋物體與投影平面之間的位置決定了陰影的位置，當(dāng)遮擋物體與投影平面相連時，陰影區(qū)域與被遮擋物體之間存在共同的邊界，而當(dāng)遮擋物體與投影平面有一定的空間距離時，陰影區(qū)域與被遮擋物體之間是分離的，根據(jù)三維物體與二維圖像平面的投影變換，三維空間的中位置分離的被遮擋物體與陰影區(qū)域在二維圖像平面中也可能是相連的。從物理學(xué)的角度看，光是沿直線傳播的；光線在傳播的過程中，如遇到介質(zhì)（不透明的物體），就會在介質(zhì)的另一面形成影子。物體在光源的照射下，就會在物體的表面形成陰影。陰影是由于目標(biāo)阻塞了光源的直接照射而在場景上形成的暗區(qū)域。沒有被照亮的部分目標(biāo)被稱為自身陰影(selfshadow)。當(dāng)表面背離光源照射方向時，在該表面形成自身陰影，若因場景中不透明景物對光源入射光線的遮擋而在位于其后的表面上形成陰影，則稱為投射陰影(castshadow)，陰影各區(qū)域如圖26所示。圖26陰影區(qū)域劃分示意圖在陰影分割中，入射光源采用了自然日光，它是除環(huán)境泛光外的唯一入射光源，產(chǎn)生的是平行光束，這樣不會產(chǎn)生半影區(qū)域。自身陰影區(qū)域在目標(biāo)的自身區(qū)域中，影響物體表面的顏色，并不影響目標(biāo)本身的形狀；投射陰影與目標(biāo)區(qū)域相連，這影響了目標(biāo)參數(shù)的提取，本章主要討論的是投射陰影的分割。陰影是目標(biāo)在入射光的照射下產(chǎn)生的，它們是相關(guān)聯(lián)的，目標(biāo)投射的陰影也會隨著目標(biāo)一起運(yùn)動。陰影明顯不同于背景，現(xiàn)有算法在利用背景減除進(jìn)行目標(biāo)檢測時，陰影會被檢測為前景，這樣就會造成目標(biāo)的合并、幾何變形，甚至使目標(biāo)丟失，對后期目標(biāo)識別、分類及行為理解造成嚴(yán)重的影響，例如在多人跟蹤中，當(dāng)多個目標(biāo)的距離較近時，由于陰影的存在，多個檢測出的前景會相互連接在一起，從而造成錯誤的目標(biāo)檢測結(jié)果。目前的圖像分割通常將陰影與目標(biāo)體一起分割出來，陰影對圖像的后期合成影響很大，因此目標(biāo)分割后要去除陰影。本章為理論基礎(chǔ)部分，首先系統(tǒng)地闡述了邊緣檢測的方法比較了幾種一階和二階邊緣算子的特性，Sobel、Prewitt算子檢測效果要優(yōu)于Roberts算子，但是邊緣較粗，而二階算子定位的效果要優(yōu)于一階算子，二階拉普拉斯算子，在保證了定位準(zhǔn)確的基礎(chǔ)上圖像邊界更加連續(xù)，邊界也比較細(xì)。但是由于二階算子的特性，對噪聲太敏感。最后討論了陰影的形成，陰影的影響。第3章圖像分割在過去的十多年里彩色圖像的分割方法有了顯著的增長，因為大多數(shù)彩色圖像分割的方法都是在灰度圖像分割方法的基礎(chǔ)上發(fā)展起來的，即通過利用RGB彩色空間或它的線性的、非線性的變換把灰度圖像分割方法推廣到處理彩色圖像上來。這樣處理，不能充分地利用彩色圖像的顏色信息，并且過早地丟失了圖像的顏色信息，使得后續(xù)的處理只能在灰度圖像上進(jìn)行操作，或者是在灰度處理的基礎(chǔ)上再映射到彩色圖像，增加了圖像處理的復(fù)雜程度。在這一章，首先介紹各種色彩空間及它們之間的相互轉(zhuǎn)換，然后提出了運(yùn)算復(fù)雜度較低的彩色空間的分割算法，充分利用彩色圖像本身的色彩信息并結(jié)合區(qū)域生長法，提高目標(biāo)分割的效果。世界是具有顏色的，在計算機(jī)中描述出來就需要建立相應(yīng)的顏色空間。所謂顏色空間指的是某個三維顏色空間中的一個可見光子集。它包含某個顏色域的所有顏色。顏色空間是用來定義和表示顏色的。彩色圖像分割中，顏色空間的選擇是至關(guān)重要的，是圖像處理的難點(diǎn)。每種顏色空間都有著自己各自的優(yōu)缺點(diǎn)，都在不同的領(lǐng)域發(fā)揮著重要的作用。不可能找出一種顏色空間可以適用于所有的彩色圖像處理。一般的思想是具體問題具體處理。下面將簡單介紹幾種顏色空間。面向設(shè)備的顏色空間適合在輸出顯示場合下使用。計算機(jī)彩色輸入輸出設(shè)備使用與設(shè)備相關(guān)的顏色空間。如CRT顯示器和掃描儀使用RGB顏色空間，打印機(jī)使用CMYK顏色空間，但各種外部設(shè)備使用的顏色空間并不一致。因此除了分析研究它們各自所在的顏色空間外，還必須清楚它們之間的相互轉(zhuǎn)換關(guān)系，這在計算機(jī)系統(tǒng)彩色管理工作中十分重要。 RGB顏色空間光譜中最重要的顏色是紅(R)、綠(G)、藍(lán)(B)三基色，所有顏色都可以由三基色相加而產(chǎn)生。RGB顏色空間是一個立方體三維坐標(biāo)空間結(jié)構(gòu)[35]，分別用紅、綠、藍(lán)表示三個坐標(biāo)軸，如圖31所示。立方體的底部R=G=B=0處為黑色，頂部與其相對角R=G=B=255處為白色。由于圖像采集和顯示設(shè)備使用的是RGB顏色空間，所以RGB顏色空間是彩色圖像處理中最基礎(chǔ)、最常用的顏色空間。 藍(lán)（0，0,1） 青（0,1,1） 白（1,1,1） 品紅（1,0,1） 黑（0,0,0） 綠（0,1,0） 紅（1,0,0） 黃（1,1,0）圖31 RGB顏色空間RGB顏色空間的主要缺點(diǎn)是：（1）不直觀。從RGB值中很難看出其所表示的顏色的認(rèn)知屬性；（2）不均勻。兩個色點(diǎn)之間的距離不等于兩個顏色之間的知覺差異；（3）對硬件設(shè)備具有依賴性。因此，RGB顏色空間是一個與設(shè)備相關(guān)的、顏色描述不完全直觀的空間。為了克服RGB顏色空間的均勻和不直觀的缺點(diǎn)，在彩色圖像處理中大多采用更加符合顏色視覺特性的顏色空間。RGB顏色空間能被轉(zhuǎn)變成所需要的其它任何顏色空間。圖像分割是數(shù)字圖像分析中的重要環(huán)節(jié)，在整個研究中起著承前啟后的作用，它既是對所有圖像預(yù)處理效果的一個檢驗，也是后續(xù)進(jìn)行圖像分析與解譯的基礎(chǔ)。因此，對于圖像分割的研究多年里一直受到人們廣泛的重視，也提出了數(shù)以千計的不同算法。本節(jié)中簡單介紹一種目前常用的圖像分割算法。這些算法大部分都是針對灰度圖的。而目前對彩色圖像的分割，大部分也是基于灰度圖的：先將彩色圖像的各個分量進(jìn)行適當(dāng)?shù)慕M合轉(zhuǎn)化為灰度圖像，然后利用對灰度圖像的分割算法進(jìn)行分割。區(qū)域生長是一種受到人工智能領(lǐng)域中的計算機(jī)視覺界十分關(guān)注的圖像分割方法。這種方法的基本思想是將具有相似性質(zhì)的像素點(diǎn)集合起來構(gòu)成區(qū)域。先把一幅圖像分成許多小的鄰域甚至是單個像素。在每個區(qū)域中，對經(jīng)過適當(dāng)定義的能反映一個物體內(nèi)成員隸屬程度的性質(zhì)(度量)進(jìn)行計算。用于區(qū)分不同物體內(nèi)像素的性質(zhì)包括平均灰度值、紋理或顏色信息。因此，第一步是賦給每個區(qū)域一組參數(shù)，這些參數(shù)的值能夠反映區(qū)域?qū)儆谀膫€物體。接下來，對相鄰區(qū)域的所有邊界進(jìn)行檢查，相鄰區(qū)域的平均度量之間的差異是計算邊界強(qiáng)度的一個尺度。如果給定邊界兩側(cè)的度量差異明顯，那么這個邊界很強(qiáng)反之則弱。強(qiáng)邊界允許繼續(xù)存在，而弱邊界則被消除，相鄰區(qū)域被合并。這是一個迭代過程，每一步都重新計算被擴(kuò)大區(qū)域的物體成員隸屬關(guān)系并消除弱邊界，當(dāng)沒有可以消除的弱邊界時，區(qū)域合并過程結(jié)束。這時，圖像分割也就完成。區(qū)域生長的固有缺點(diǎn)是分割效果依賴于種子點(diǎn)的選擇及生長順序，由于相似性通常是用統(tǒng)計的方法確定的，因而這些方法對噪聲不敏感。圖像的分割要求達(dá)到這樣一種效果：能夠?qū)⒛繕?biāo)完整地從背景中分離出來，要盡量地減少或避免目標(biāo)信息的損失，同時要盡量去除背景信息的干擾。即保證目標(biāo)的完整性和可靠性。但是，這兩點(diǎn)在實(shí)際中是矛盾的，很難同時達(dá)到這兩點(diǎn)要求，應(yīng)該有一個優(yōu)化的過程。由于單一的圖像分割算法總是存在一定的弊端，所以在算法的選擇上，盡量采用兩到三個算法的結(jié)合，優(yōu)勢互補(bǔ)，才能得到滿意的結(jié)果。本文正是基于這方面的考慮，首先在RGB顏色空間中采用背景差分法初步分割圖像后，然后利用區(qū)域生長法進(jìn)一步對分割后的圖像進(jìn)行處理，去除目標(biāo)以外的噪聲。背景圖像差分法是傳統(tǒng)目標(biāo)檢測方法中最直接、最簡單的一種方法。它事先將背景圖像儲存下來，由于物體和背景在灰度或色彩上存在差別，通過將背景圖像和當(dāng)前圖像做減法運(yùn)算，相減的結(jié)果中每一像素的值和一個預(yù)先設(shè)定的閾值相比較，若這個像素的值大于閾值，則認(rèn)為這點(diǎn)是前景點(diǎn)，否則是背景點(diǎn)。影視圖像拍攝中，攝相機(jī)的位置能夠固定，可以得到靜止的背景。當(dāng)目標(biāo)經(jīng)過時，拍攝目標(biāo)圖像；目標(biāo)移走后，再拍攝背景的圖像。這樣得到的兩幅圖，背景的變化不大，且對應(yīng)像素點(diǎn)的位置相差不大，理想的情況是背景完全不變，且對應(yīng)的像素點(diǎn)的位置相同。根據(jù)實(shí)際環(huán)境的使用特點(diǎn)，使用圖像的差分來完成圖像的分割。在戶外的情況，背景經(jīng)常會受到光線和風(fēng)等自然因素影響而發(fā)生變化，噪聲和干擾是不可避免的。因此，對算法進(jìn)行改進(jìn)，降低噪聲。由前面介紹的區(qū)域生長法可以看到，用像素點(diǎn)周圍的其他像素點(diǎn)的特征來表征像素特征，這有很多優(yōu)勢，它可以減少噪聲的干擾。類似地，也可以利用這種方式來進(jìn)行分割。初步分割后的圖像有噪聲，利用區(qū)域生長法去除噪聲。區(qū)域生長法的基本思想是將具有相似性質(zhì)的象素集合起來構(gòu)成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子象素作為生長的起點(diǎn)，然后將種子周圍鄰域中與種子象素有相同或者相似性質(zhì)的象素（根據(jù)事先約定好的生長規(guī)則）合并到種子象素所在的區(qū)域中。將這些新像素作為新的種子像素繼續(xù)進(jìn)行上面的過程，直到?jīng)]有滿足條件的像素被包含進(jìn)來。種子像素的選擇方法一般都是根據(jù)具體的問題具體對待，時常選擇亮度最大的點(diǎn)作為種子點(diǎn)。本課題的區(qū)域生長法是背景差分算法初步分割以后才進(jìn)行的。這里使用區(qū)域生長法的主要目的是為了去除目標(biāo)點(diǎn)以外的不連通的噪聲。種子點(diǎn)選取靠近目標(biāo)重心的點(diǎn)較為合適。圖3圖3圖3圖37分別為目標(biāo)圖像、背景圖像、分割后的圖像和區(qū)域生長去除噪聲后的圖像。圖36是采用背景差分法對圖像進(jìn)行初步分割的結(jié)果。由于，前景圖像和背景圖像的像素點(diǎn)并不是像理想情況那樣完全一一對應(yīng)的，所以，利用背景差分法對圖像進(jìn)行初步分割后，目標(biāo)體外還存在噪聲。需用區(qū)域生長法對圖36進(jìn)行進(jìn)一步處理。區(qū)域生長去除噪聲后結(jié)果如圖37所示。圖34目標(biāo)圖像圖35背景圖像圖36分割后的圖像 圖37區(qū)域生長去除噪聲程序如下：function main()。 n=input(39。請輸入待處理的圖像幀數(shù):39。)。 A1= imread ([39。images\39。,int2str(n1),39。.jpg39。])。 A2= imread ([39。images\39。,int2str(n),39。.jpg39。])。 figure(39。Name39。,39。經(jīng)典二幀差分法圖像處理結(jié)果！39。)。 subplot(2,2,1),imshow(A1),title(39。背景圖像39。)。 subplot(2,2,2),imshow(A2),title(39。含有運(yùn)動目標(biāo)的圖像39。)。A3=imsubtract(A1,A2)。 imwrite(A3,39。39。)。 subplot(2,2,3),imshow(A3),title(39。第一步 背景差分結(jié)果39。)。A3=rgb2gray(A3)。[m,n]=size(A3)。s=zeros(m,n)。s(8,6)=1。s(10,8)=1。s(34,5)=1。Im19=floor(A3/256*25)*10。[g, NR, Im13, TI]=regiongrow(Im19, 250, 5)。subplot(2,2,4),imshow(Im13),title(39。第二步 區(qū)域增長法處理后結(jié)果39。)。imwrite(Im13,39。39。)。 a=edge(canny,Im13)。imshow(a)。本章從彩色圖像處理中的彩色空間的劃分出發(fā)，首先討論了一種顏色空間：RGB顏色空間。闡述了它的概念，特性以及空間之間的轉(zhuǎn)換算法。不同的圖像，在不同的空間里會表現(xiàn)出不同的特性，所以在不同的空間中進(jìn)行圖像處理的效果也不同。接下來，系統(tǒng)地闡述了圖像分割的一種方法，分析總結(jié)了常用分割方法的優(yōu)缺點(diǎn)。第4章陰影檢測理論基礎(chǔ)對陰影的檢測與抑制已成為對目標(biāo)進(jìn)行有效分割的重要內(nèi)容與難題，對陰影的檢測與抑制的效果直接影響視頻圖像的后期處理，如目標(biāo)分類、跟蹤和行為理解等過程，也嚴(yán)重影響了智能監(jiān)控系統(tǒng)、智能交通系統(tǒng)ITS(Intelligent Transportation Systems)等計算機(jī)視覺系統(tǒng)的應(yīng)用與推廣。陰影是指成像光線被障礙體完全或者部分遮擋的成像區(qū)域，陰影區(qū)域的灰度值一般比周圍的成像區(qū)域的灰度值要小。但是如果障礙體是透明的，且障礙體具有聚光性能，那么陰影區(qū)域的灰度值就有可能比周圍的區(qū)域的灰度值大。本文研究的范圍是障礙體不透明的情況。隨著數(shù)字圖像處理技術(shù)的飛速發(fā)展，以及人們對數(shù)字圖像處理技術(shù)要求的變高，數(shù)字圖像陰影處理是數(shù)字圖像處理技術(shù)中一個不可避免的問題，因為陰影是數(shù)字圖像的常見現(xiàn)象。陰影在圖像處理中，既存在有利之處，同時又存在不利之處。有利之處表現(xiàn)為：（1）陰影的形狀是障礙體輪廓的投影，所以利用陰影可以確定障礙體的形狀和位置。（2）可以利用陰影來確定成像光源的位置、強(qiáng)度、形狀或者大小等性質(zhì)。（3）在數(shù)字城市工程或數(shù)字地球工程的三維建模中，適當(dāng)?shù)募尤胛矬w模擬陰影，可以增強(qiáng)觀察者的立體感和空間感。不利之處表現(xiàn)為：（1）由于陰影的存在，圖像明顯的地物特征受到陰影噪聲的模糊作用而變得不明顯，進(jìn)而影響數(shù)字影像的匹配精度和速度，影響變化監(jiān)測的精度。（2）影響模式識別的準(zhǔn)確度，舉一個很簡單的例子，物體和陰影區(qū)域的灰度值都比較低，則以物體灰度值為主要基礎(chǔ)的模式識別方法，就很可能將一部分陰影區(qū)域劃分為物體，擴(kuò)大了模式識別的錯識率。（3）影響房屋和道路的自動提取，比如道路的自動提取中目前最大的障礙就是道路影像灰度值的不連續(xù)性，而陰影的存在往往破壞了道路影像灰度值的連續(xù)性。（4）在數(shù)字?jǐn)z影測量中，影響正射影像圖的生成和自動三角測量。（