【文章內(nèi)容簡介】 了研究，對典型的梯度算子、拉普拉斯算子等進行了仿真實驗比較；（2）本文中針對影視拍攝的特點及應用要求，通過對彩色特征空間的分析、比較和選擇，選擇了RGB彩色空間實現(xiàn)彩色圖像分割。在RGB彩色空間中，采用背景差分法對圖像進行初步差分，利用區(qū)域生長法進一步處理初步分割后的圖像，去除目標以外的噪聲；（3）在光照模型的基礎(chǔ)上討論了陰影的形成與特征，并討論了陰影檢測的一般框架和基本假設(shè)；對現(xiàn)有的陰影分割方法進行了分析與總結(jié)，指出了這些方法用于目標陰影分割時存在的問題；（4）基于陰影檢測的基本假設(shè)和一般框架，并針對不同的應用要求，設(shè)計分析了一種陰影去除算法：基于邊緣信息的陰影抑制算法。通過實驗仿真研究分析，總結(jié)了這個算法的優(yōu)缺點及適用條件。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，指出了本文的研究內(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，包括邊緣檢測的方法，數(shù)學形態(tài)學的基礎(chǔ)知識，并在光照模型的基礎(chǔ)上討論了陰影的形成及陰影對于目標分割造成的影響。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。最后，針對影視拍攝的特點及應用要求，在RGB彩色空間中，基于背景差分法和區(qū)域生長法實現(xiàn)了彩色圖像分割。第4章對陰影檢測理論進行了系統(tǒng)概述，闡述了陰影檢測的基本假設(shè)和一般框架。對現(xiàn)有的陰影去除方法進行了分析與總結(jié)，指出了這些方法用于目標陰影去除時存在的問題。第5章基于第4章分析總結(jié)的陰影的特點及陰影檢測的基本假設(shè)和一般框架，針對影視圖像的不同特點，研究了一種簡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。在計算機視覺研究中經(jīng)常需要利用圖像處理技術(shù)進行預處理和特征抽取，如各種數(shù)學變換技術(shù)等。在各種圖像處理中，只要包含對圖像目標進行提取、測量等都離不開圖像分割。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的技術(shù)和過程。有效合理的圖像分割能夠為基于內(nèi)容的圖像檢索、對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具有不同灰度值的相鄰區(qū)域間，脈沖狀邊緣主要對應細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。實際中的數(shù)字圖像會由于采樣，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。梯度是一階導數(shù)的二維等效形式，梯度的幅值代表邊緣的強度，梯度的方向與邊緣走向垂直。對于一個連續(xù)函數(shù)f(x,y)，它在位置(x, y)的梯度可表示為一個矢量： 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。對于數(shù)字圖像，可用一階差分代替一階導數(shù)進行運算，最簡單的梯度近似表達是：=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算提供了一種簡單的近似方法，它采用的是對角方向相鄰兩像素之差：Robert梯度是以為中心的，在這個中心點上連續(xù)梯度的近似。Robert算子的卷積模板如圖22所示：圖22 Roberts算子有了這兩個卷積算子就可以計算出Roberts梯度幅值，再取適當門限TH，如果梯度幅值大于門限值則為階躍邊緣點，否則為非邊緣點。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鄰域上計算X和Y方向的偏導數(shù)。將圖像中的每個像素的上、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，不僅能檢測圖像邊緣而且能進一步抑制噪聲影響，但它得到的邊緣較粗。Sobel算子很容易在空間上實現(xiàn)，是邊緣檢測算子中最常用的算子之一。一階導數(shù)的局部最大值對應著二階導數(shù)的過零點，這意味著在圖像邊緣點處有一階導數(shù)的峰值同樣會有二階導數(shù)的零交叉點，因此通過尋找圖像灰度值的二階導數(shù)的零交叉點就能檢測到圖像的邊緣點。拉普拉斯算子是不依賴于邊緣方向的二階導數(shù)算子，它是一個標量而不是向量，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)。若只關(guān)心邊緣點的位置而不需要了解其周圍的實際灰度差時，一般選擇該算子提取圖像的邊緣。因為一階算子是以絕對亮度差為基礎(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。所以對于光照均勻的圖像，進行簡單一階求導可以找到邊界。但對于光照條件不一致、噪聲干擾較大的圖像，有些對比度較小的邊緣檢測不出來，而一些噪聲點卻作為邊緣被檢測了出來。而二階算子由于對圖像灰度的一階導數(shù)的極大值敏感，對圖像較暗區(qū)域的微弱邊緣和較亮區(qū)域的邊緣都能做出響應。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邊緣點附近的偽邊緣點的跳變變小。同時大大降低了噪聲帶來的灰度跳變，為邊緣特征信息的提取做好了準備工作。因此，通常采用二階算子來檢測噪聲圖像的邊緣信息。用拉普拉斯算子檢測圖像邊緣就是估算拉普拉斯算子的輸出，找出零交叉點的位置。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現(xiàn)的。這里對模板的基本要求是對應中心像素的系數(shù)應是正的，而對應中心像素臨近像素的系數(shù)應是負的，且所有系數(shù)的和應該是零，這樣不會產(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是：各向同性、線性和位移不變性，對細線和孤立點的檢測效果好。該算子的缺點是:邊緣的方向信息丟失，常產(chǎn)生雙象素的邊緣，對噪聲有雙倍加強作用。由于拉普拉斯算子是二階導數(shù)運算，與只包含一階導數(shù)的算子相比，它對噪聲更加敏感，增強了噪聲對圖像的影響，因此在實際應用中通常需要先對圖像進行濾波平滑處理。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被稱為自身陰影(selfshadow)。當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)域在目標的自身區(qū)域中，影響物體表面的顏色，并不影響目標本身的形狀；投射陰影與目標區(qū)域相連，這影響了目標參數(shù)的提取，本章主要討論的是投射陰影的分割。陰影是目標在入射光的照射下產(chǎn)生的，它們是相關(guān)聯(lián)的，目標投射的陰影也會隨著目標一起運動。陰影明顯不同于背景，現(xiàn)有算法在利用背景減除進行目標檢測時，陰影會被檢測為前景，這樣就會造成目標的合并、幾何變形，甚至使目標丟失，對后期目標識別、分類及行為理解造成嚴重的影響，例如在多人跟蹤中，當多個目標的距離較近時，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檢測結(jié)果。目前的圖像分割通常將陰影與目標體一起分割出來，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，在保證了定位準確的基礎(chǔ)上圖像邊界更加連續(xù)，邊界也比較細。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，然后提出了運算復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，提高目標分割的效果。世界是具有顏色的，在計算機中描述出來就需要建立相應的顏色空間。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。每種顏色空間都有著自己各自的優(yōu)缺點，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(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空間結(jié)構(gòu)[35]，分別用紅、綠、藍表示三個坐標軸，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（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是：（1）不直觀。從RGB值中很難看出其所表示的顏色的認知屬性；（2）不均勻。兩個色點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，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處理效果的一個檢驗，也是后續(xù)進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行適當?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)域的所有邊界進行檢查，相鄰區(qū)域的平均度量之間的差異是計算邊界強度的一個尺度。如果給定邊界兩側(cè)的度量差異明顯，那么這個邊界很強反之則弱。強邊界允許繼續(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大區(qū)域的物體成員隸屬關(guān)系并消除弱邊界，當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)域生長的固有缺點是分割效果依賴于種子點的選擇及生長順序，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。圖像的分割要求達到這樣一種效果：能夠?qū)⒛繕送暾貜谋尘爸蟹蛛x出來，要盡量地減少或避免目標信息的損失，同時要盡量去除背景信息的干擾。即保證目標的完整性和可靠性。但是，這兩點在實際中是矛盾的，很難同時達到這兩點要求，應該有一個優(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