【文章內(nèi)容簡(jiǎn)介】 了研究，對(duì)典型的梯度算子、拉普拉斯算子等進(jìn)行了仿真實(shí)驗(yàn)比較；（2）本文中針對(duì)影視拍攝的特點(diǎn)及應(yīng)用要求，通過(guò)對(duì)彩色特征空間的分析、比較和選擇，選擇了RGB彩色空間實(shí)現(xiàn)彩色圖像分割。在RGB彩色空間中，采用背景差分法對(duì)圖像進(jìn)行初步差分，利用區(qū)域生長(zhǎng)法進(jìn)一步處理初步分割后的圖像，去除目標(biāo)以外的噪聲；（3）在光照模型的基礎(chǔ)上討論了陰影的形成與特征，并討論了陰影檢測(cè)的一般框架和基本假設(shè)；對(duì)現(xiàn)有的陰影分割方法進(jìn)行了分析與總結(jié)，指出了這些方法用于目標(biāo)陰影分割時(shí)存在的問(wèn)題；（4）基于陰影檢測(cè)的基本假設(shè)和一般框架，并針對(duì)不同的應(yīng)用要求，設(shè)計(jì)分析了一種陰影去除算法：基于邊緣信息的陰影抑制算法。通過(guò)實(shí)驗(yàn)仿真研究分析，總結(jié)了這個(gè)算法的優(yōu)缺點(diǎn)及適用條件。第1章為緒論，闡明了本文研究的課題背景，介紹了圖像分割及去除陰影的研究現(xiàn)狀，指出了本文的研究?jī)?nèi)容。第2章為理論基礎(chǔ)部分，闡述了圖像分割及去除陰影的相關(guān)理論，包括邊緣檢測(cè)的方法，數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)知識(shí)，并在光照模型的基礎(chǔ)上討論了陰影的形成及陰影對(duì)于目標(biāo)分割造成的影響。第3章首先討論了幾種彩色空間分別闡述了它們的概念，特性以及空間之間的轉(zhuǎn)換算法。然后，系統(tǒng)地闡述了圖像分割的各種方法，分析總結(jié)了幾種常用分割方法的優(yōu)缺點(diǎn)。最后，針對(duì)影視拍攝的特點(diǎn)及應(yīng)用要求，在RGB彩色空間中，基于背景差分法和區(qū)域生長(zhǎng)法實(shí)現(xiàn)了彩色圖像分割。第4章對(duì)陰影檢測(cè)理論進(jìn)行了系統(tǒng)概述，闡述了陰影檢測(cè)的基本假設(shè)和一般框架。對(duì)現(xiàn)有的陰影去除方法進(jìn)行了分析與總結(jié)，指出了這些方法用于目標(biāo)陰影去除時(shí)存在的問(wèn)題。第5章基于第4章分析總結(jié)的陰影的特點(diǎn)及陰影檢測(cè)的基本假設(shè)和一般框架，針對(duì)影視圖像的不同特點(diǎn)，研究了一種簡(jiǎn)單有效的陰影抑制算法：基于邊緣信息的陰影抑制算法。第2章圖像分割的相關(guān)理論圖像處理技術(shù)把輸入圖像轉(zhuǎn)換成具有所希望特性的另一幅圖像。在計(jì)算機(jī)視覺(jué)研究中經(jīng)常需要利用圖像處理技術(shù)進(jìn)行預(yù)處理和特征抽取，如各種數(shù)學(xué)變換技術(shù)等。在各種圖像處理中，只要包含對(duì)圖像目標(biāo)進(jìn)行提取、測(cè)量等都離不開(kāi)圖像分割。圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。有效合理的圖像分割能夠?yàn)榛趦?nèi)容的圖像檢索、對(duì)象分析等抽象出十分有用的信息，從而使得更高層的圖像理解成為可能。本章將介紹圖像分割以及圖像分割后去除陰影所涉及到的圖像處理的理論基礎(chǔ)。邊緣主要反映的是圖像灰度的不連續(xù)性。根據(jù)灰度變化的劇烈程度，通常將邊緣劃分為三種：階梯形邊緣，屋頂型邊緣，脈沖形邊緣。如圖21所示。a)階梯形邊緣 b)屋頂形邊緣 c)脈沖形邊緣階梯狀邊緣處于圖像中兩個(gè)具有不同灰度值的相鄰區(qū)域間，脈沖狀邊緣主要對(duì)應(yīng)細(xì)條狀的灰度值突變區(qū)域，屋頂狀邊緣上升下降沿都比較緩慢。實(shí)際中的數(shù)字圖像會(huì)由于采樣，造成邊緣處的模糊，所以垂直上下的邊緣剖面都有一定坡度，即邊緣區(qū)有一定的寬度。梯度是一階導(dǎo)數(shù)的二維等效形式，梯度的幅值代表邊緣的強(qiáng)度，梯度的方向與邊緣走向垂直。對(duì)于一個(gè)連續(xù)函數(shù)f(x,y)，它在位置(x, y)的梯度可表示為一個(gè)矢量： 梯度的幅值由下式給出： 梯度的方向由下式定義，其中θ角是與x軸的夾角。對(duì)于數(shù)字圖像，可用一階差分代替一階導(dǎo)數(shù)進(jìn)行運(yùn)算，最簡(jiǎn)單的梯度近似表達(dá)是：=f(x,y+1)f(x ,y)=f(x+1,y)f(x ,y)這樣就可以得到圖像f(x ,y)的邊緣圖像g(x ,y)。 Roberts邊緣算子Roberts交叉梯度算子為梯度的計(jì)算提供了一種簡(jiǎn)單的近似方法，它采用的是對(duì)角方向相鄰兩像素之差：Robert梯度是以為中心的，在這個(gè)中心點(diǎn)上連續(xù)梯度的近似。Robert算子的卷積模板如圖22所示：圖22 Roberts算子有了這兩個(gè)卷積算子就可以計(jì)算出Roberts梯度幅值，再取適當(dāng)門(mén)限TH，如果梯度幅值大于門(mén)限值則為階躍邊緣點(diǎn)，否則為非邊緣點(diǎn)。如此將圖像上所有像素遍歷后，結(jié)果為邊緣圖像。 Sobel邊緣算子Sobel提出一種將方向差分運(yùn)算與局部平均相結(jié)合的算子，即Sobel算子、Sobel算子是在以f (x ,y)為中心的33鄰域上計(jì)算X和Y方向的偏導(dǎo)數(shù)。將圖像中的每個(gè)像素的上、下、左、右四鄰域的灰度值加權(quán)差，與之接近的鄰域的權(quán)最大。Sobel算子的卷積模板如圖23所示：Sobel算子引入了加權(quán)局部平均，不僅能檢測(cè)圖像邊緣而且能進(jìn)一步抑制噪聲影響，但它得到的邊緣較粗。Sobel算子很容易在空間上實(shí)現(xiàn)，是邊緣檢測(cè)算子中最常用的算子之一。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)著二階導(dǎo)數(shù)的過(guò)零點(diǎn)，這意味著在圖像邊緣點(diǎn)處有一階導(dǎo)數(shù)的峰值同樣會(huì)有二階導(dǎo)數(shù)的零交叉點(diǎn)，因此通過(guò)尋找圖像灰度值的二階導(dǎo)數(shù)的零交叉點(diǎn)就能檢測(cè)到圖像的邊緣點(diǎn)。拉普拉斯算子是不依賴(lài)于邊緣方向的二階導(dǎo)數(shù)算子，它是一個(gè)標(biāo)量而不是向量，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)。若只關(guān)心邊緣點(diǎn)的位置而不需要了解其周?chē)膶?shí)際灰度差時(shí)，一般選擇該算子提取圖像的邊緣。因?yàn)橐浑A算子是以絕對(duì)亮度差為基礎(chǔ)的，它的局限是在景物照射變化的條件下不可能一致地確定物體邊界。所以對(duì)于光照均勻的圖像，進(jìn)行簡(jiǎn)單一階求導(dǎo)可以找到邊界。但對(duì)于光照條件不一致、噪聲干擾較大的圖像，有些對(duì)比度較小的邊緣檢測(cè)不出來(lái)，而一些噪聲點(diǎn)卻作為邊緣被檢測(cè)了出來(lái)。而二階算子由于對(duì)圖像灰度的一階導(dǎo)數(shù)的極大值敏感，對(duì)圖像較暗區(qū)域的微弱邊緣和較亮區(qū)域的邊緣都能做出響應(yīng)。另外，二次濾波使有較大灰度跳變的邊緣部分仍保持較大的灰度差，而有較小灰度跳變的真實(shí)邊緣點(diǎn)附近的偽邊緣點(diǎn)的跳變變小。同時(shí)大大降低了噪聲帶來(lái)的灰度跳變，為邊緣特征信息的提取做好了準(zhǔn)備工作。因此，通常采用二階算子來(lái)檢測(cè)噪聲圖像的邊緣信息。用拉普拉斯算子檢測(cè)圖像邊緣就是估算拉普拉斯算子的輸出，找出零交叉點(diǎn)的位置。在數(shù)字圖像的情況下，拉普拉斯算子可近似的表示為：在數(shù)字圖像中可用數(shù)字差分近似為：=f (x +1,y )+f (x ,y +1)+f (x ,y 1)4f (x ,y)數(shù)字圖像函數(shù)的拉普拉斯算法也是借助各種模板卷積實(shí)現(xiàn)的。這里對(duì)模板的基本要求是對(duì)應(yīng)中心像素的系數(shù)應(yīng)是正的，而對(duì)應(yīng)中心像素臨近像素的系數(shù)應(yīng)是負(fù)的，且所有系數(shù)的和應(yīng)該是零，這樣不會(huì)產(chǎn)生灰度偏移。拉普拉斯算子的卷積模板如圖25所示：圖25拉普拉斯算子模板拉普拉斯算子的特點(diǎn)是：各向同性、線(xiàn)性和位移不變性，對(duì)細(xì)線(xiàn)和孤立點(diǎn)的檢測(cè)效果好。該算子的缺點(diǎn)是:邊緣的方向信息丟失，常產(chǎn)生雙象素的邊緣，對(duì)噪聲有雙倍加強(qiáng)作用。由于拉普拉斯算子是二階導(dǎo)數(shù)運(yùn)算，與只包含一階導(dǎo)數(shù)的算子相比，它對(duì)噪聲更加敏感，增強(qiáng)了噪聲對(duì)圖像的影響，因此在實(shí)際應(yīng)用中通常需要先對(duì)圖像進(jìn)行濾波平滑處理。陰影是遮擋物體在光源入射方向上的投影。陰影的形狀、大小、取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(shí)，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(shí)，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(xiàn)傳播的；光線(xiàn)在傳播的過(guò)程中，如遇到介質(zhì)（不透明的物體），就會(huì)在介質(zhì)的另一面形成影子。物體在光源的照射下，就會(huì)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(chǎng)景上形成的暗區(qū)域。沒(méi)有被照亮的部分目標(biāo)被稱(chēng)為自身陰影(selfshadow)。當(dāng)表面背離光源照射方向時(shí)，在該表面形成自身陰影，若因場(chǎng)景中不透明景物對(duì)光源入射光線(xiàn)的遮擋而在位于其后的表面上形成陰影，則稱(chēng)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(huì)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(huì)隨著目標(biāo)一起運(yùn)動(dòng)。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(cè)時(shí)，陰影會(huì)被檢測(cè)為前景，這樣就會(huì)造成目標(biāo)的合并、幾何變形，甚至使目標(biāo)丟失，對(duì)后期目標(biāo)識(shí)別、分類(lèi)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(gè)目標(biāo)的距離較近時(shí)，由于陰影的存在，多個(gè)檢測(cè)出的前景會(huì)相互連接在一起，從而造成錯(cuò)誤的目標(biāo)檢測(cè)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(lái)，陰影對(duì)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(cè)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(cè)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(duì)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(guò)去的十多年里彩色圖像的分割方法有了顯著的增長(zhǎng)，因?yàn)榇蠖鄶?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(lái)的，即通過(guò)利用RGB彩色空間或它的線(xiàn)性的、非線(xiàn)性的變換把灰度圖像分割方法推廣到處理彩色圖像上來(lái)。這樣處理，不能充分地利用彩色圖像的顏色信息，并且過(guò)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(zhǎng)法，提高目標(biāo)分割的效果。世界是具有顏色的，在計(jì)算機(jī)中描述出來(lái)就需要建立相應(yīng)的顏色空間。所謂顏色空間指的是某個(gè)三維顏色空間中的一個(gè)可見(jiàn)光子集。它包含某個(gè)顏色域的所有顏色。顏色空間是用來(lái)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(wèn)題具體處理。下面將簡(jiǎn)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(chǎng)合下使用。計(jì)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(jì)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(gè)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(gè)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(duì)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(guān)。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(gè)色點(diǎn)之間的距離不等于兩個(gè)顏色之間的知覺(jué)差異；（3）對(duì)硬件設(shè)備具有依賴(lài)性。因此，RGB顏色空間是一個(gè)與設(shè)備相關(guān)的、顏色描述不完全直觀(guān)的空間。為了克服RGB顏色空間的均勻和不直觀(guān)的缺點(diǎn)，在彩色圖像處理中大多采用更加符合顏色視覺(jué)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(gè)研究中起著承前啟后的作用，它既是對(duì)所有圖像預(yù)處理效果的一個(gè)檢驗(yàn)，也是后續(xù)進(jìn)行圖像分析與解譯的基礎(chǔ)。因此，對(duì)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(jì)的不同算法。本節(jié)中簡(jiǎn)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(duì)灰度圖的。而目前對(duì)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(gè)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(duì)灰度圖像的分割算法進(jìn)行分割。區(qū)域生長(zhǎng)是一種受到人工智能領(lǐng)域中的計(jì)算機(jī)視覺(jué)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(lái)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(gè)像素。在每個(gè)區(qū)域中，對(duì)經(jīng)過(guò)適當(dāng)定義的能反映一個(gè)物體內(nèi)成員隸屬程度的性質(zhì)(度量)進(jìn)行計(jì)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(gè)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€(gè)物體。接下來(lái)，對(duì)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(jì)算邊界強(qiáng)度的一個(gè)尺度。如果給定邊界兩側(cè)的度量差異明顯，那么這個(gè)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(gè)迭代過(guò)程，每一步都重新計(jì)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(méi)有可以消除的弱邊界時(shí)，區(qū)域合并過(guò)程結(jié)束。這時(shí)，圖像分割也就完成。區(qū)域生長(zhǎng)的固有缺點(diǎn)是分割效果依賴(lài)于種子點(diǎn)的選擇及生長(zhǎng)順序，由于相似性通常是用統(tǒng)計(jì)的方法確定的，因而這些方法對(duì)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(lái)，要盡量地減少或避免目標(biāo)信息的損失，同時(shí)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(shí)達(dá)到這兩點(diǎn)要求，應(yīng)該有一個(gè)優(yōu)化的過(guò)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