78] (1-2)、通过将分支熵值最小化生成一个二叉树；
[0079]其中分支熵值为：
[0080] Hn= log(det( Σ Sn) )^r2 ；
[0081 ]其中Sn为所有样本。
[0082] (1-3)、按照特征维度测试二叉树随机数量的分支；
[0083] (1-4)、从其中选择一个信息获取量最大的分支；
[0084]信息获取量计算方式为：
[0085] Gn = Hn-Ice{l,r}( |Sc|/|Sn| )Hc；
[0086] 其中S。为当前节点的样本分布;
[0087] H。为当前节点的熵值;
[0088] 1，r为当前节点的最小、最大值。
[0089] (1-5)、随后创建两个分支节点并将分支数据压入；
[0090] (1-6)、重复步骤（1-3)至步骤（1-5)直到达到预定的树的深度。（2)用户选中想要 修改图片的阴影区域如图1所示，根据用户所选择的区域，将该区域中的阴影部分进行处 理。将待处理的阴影部分分割成无覆盖的16*16大小的网格ai，对每一个网格计算出其描述 性的特征向量f(ai)。
[0091] 本发明在创建树时，在建立每一个分支节点时都希望最大化的。本发明通过样本 落入每个子节点（1和r)的比率来衡量信息获取以此来鼓励更正确的平衡树。
[0092]设置最小样本数在节点K = 2D时并且使树必要时生长地足够深直到没有足够的样 本去分支。原则上K的值可以与D(计算D维协方差矩阵需要的样本数)一样低。然而，样本通 常不是线性独立的，导致退化。当一个叶节点被达到后，并不是建立其所有标签的一个典型 参数化分布，本发明将训练样本指数存入这个节点以进行下一个推理步骤。
[0093]在推理过程中，本发明对原有的RRF算法做了以下改进：
[0094] 使用两个代表标签:低维的用来评估节点熵值和建立森林，高维的用来在测试阶 段检索标签。这些由计算限制驱动，通过无参数化标签得以实现。
[0095] 将标签无参数化以避免过度平滑。本发明从数据中得到了一个样本分布，包括希 望保存的极端情况，而并不是在标签空间中的平均答案。
[0096] 如图2-1，图2-2,图2-3,图2-4所示，输入图片被分割成了 16X16的网格面片，并计 算其对应的特征向量。
[0097] (3)使用预先训练的回归因子将每一个特征向量映射到mi，mi是该片的阴影遮罩 分布。如图3-1，图3-2,图3-3所示，在训练阶段，阴影区域(橙色矩形内）的每一个面片，发现 一个小型的欧几里德变换可以将面片尽可能的近似到模板上。本发明随后将延伸的面片ai 单独列出，并用它计算了特征f(ai).此外，本发明从真实图像的同一位置截取了面片以获 取标签mi最后本发明将这些特征/标签对放入回归随机森林中去学习一个映射函数g(f (ai))->mi.
[0098] (4)将阴影网格上的马尔可夫随机域(MRF)正则化以生成红色通道的最大后验阴 影图片，同样的操作对绿色通道、蓝色通道都执行一遍，获得无阴影图像IU。
[0099] (5)如图4-1，图4-2,图4-3所示，在每一个位置使用TRW-S消息传体算法来正则化 整个图像最佳的面片以选择最佳的面片。所使用的能量方程为：
[0101] 此处L是正则化图像中的点集；
[0102] N代表在4-连通近邻中的相邻点集；
[0103] nu为网格面片;
[0104] mj为与πη相邻的网格网片;
[0105] -元代价ω (mi)是从面片mi到处是猜想中对应区域的SSD距离；
[0106]二元代价iKmi，mj)是面片mi到mj的匹配程度；
[0107] λ则是二元权重，面片匹配程度！Kmi，mj)为这些面片邻近行(或列）的方差总数：
[0109] 此处rowN(mi)和colN(mi)各自是面片mi的最后一行和最后一列。通过强制面片在 用户遮罩外以连续1.0的值来创造了边界限制以确保阴影消失在用户选择区域的外部。
【主权项】
1. 一种基于数据的软性阴影去除方法，其特征在于，包括： 步骤（1)、采用多个阴影图片构成训练集，对训练集中每一个阴影图片提取列特征向 量，利用所述的列特征向量训练得到回归因子； 步骤(2)、将待处理的阴影图片分割成行列排布的若干网格，对每一个网格计算出其描 述性的特征向量； 步骤(3)、使用所述的回归因子将每一个网格的特征向量映射到该网格的阴影遮罩分 布，所有网格的阴影遮罩分布构成了阴影网格； 步骤(4)、对所述阴影网格采用马尔可夫随机域正则化W生成红色通道、绿色通道、蓝 色通道的最大后验阴影图片，即获得无阴影图像； 步骤(5)、在所述无阴影图像的每一个位置使用TRW-S消息传体算法来正则化整个无阴 影图像W选择出最佳的面片，该最佳的面片作为待处理的阴影图片的软性阴影去除结果。2. 如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤(1)中，对训练 集中每一个阴影图片提取列特征向量时，首先对训练集的每幅阴影图片子样本化，W提取 多个训练对，然后对整个训练集进行偏压采样，针对偏压采样得到的阴影图片提取列特征 向量。3. 如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤(1)中，所述列 特征向量包括： 用户选择区域中距边缘的正则化距离，其值位于[0.0,1.0]内； 阴影图片基于初始猜想的预测遮罩； 阴影图片的垂直和水平梯度； 阴影图片的像素亮度值，其值在[0.0,1.0]的范围内。4. 如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤(1)中，训练所 述的列特征向量时，采用改进的随机森林。5. 如权利要求4所述的基于数据的软性阴影去除方法，其特征在于，步骤(1)中，采用改 进的随机森林进行训练时，包括： 步骤(1-1)、定义一个衡量标签向量的赌值； 步骤(1-2 )、通过将分支赌值最小化生成一个二叉树； 步骤(1-3)、按照特征维度测试二叉树随机数量的分支； 步骤(1-4)、从其中选择一个信息获取量最大的分支； 步骤(1-5)、随后创建两个分支节点并将分支数据压入； 步骤（1-6)、重复步骤（1-3)至步骤（1-5)直到达到预定的树的深度。6. 如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤（1-2)中，所述 分支赌值为： Hn=log(det(XSn))町 2; 其中Sn为所有样本。7. 如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤（1-4)中，所述 信息获取量为： Gn = Hn- Σ ce{l,r} ( I Sc I / I Sn)出； 其中Sc为当前节点的样本分布； 出为当前节点的赌值； l，r为当前节点的最小、最大值。8.如权利要求1所述的基于数据的软性阴影去除方法，其特征在于，步骤（5)中，TRW-S 消息传体算法采用的能量方程为：L为正则化图像中的点集； N为在4-联通近邻中的相邻点集； ΠΗ为网格面片； mj为与ΠΗ相邻的网格面片； Φ为两个网格面片之间的二元距离代价； ω为从网格面片到对应猜测区域的一元距离代价； λ为二元代价的加权系数。
【专利摘要】本发明公开了一种基于数据的软性阴影去除方法，包括如下步骤：将待处理图像分割成16×16的网格面片，并计算其对应的特征向量；使用预先训练的回归因子将特征向量映射到该面片的阴影遮罩分布mi；将阴影网格上的马尔可夫随机域正则化以生成红色通道的最大后验阴影图片，同样的操作对绿色通道、蓝色通道都执行一遍，获得无阴影图像IU；用户根据需要可以在原图像上放置一块由原阴影衍生出的新阴影，该阴影可根据需要被平移、放大缩小、变形；本发明所提出的这种方法是进行离线训练的，可以处理带有区分度较大的半影宽度阴影。与现有技术相比，本发明所提出的技术可以应用于多种需要去除软性阴影的场景中，能够显著改善用户交互并优化生成的结果。
【IPC分类】G06T5/00
【公开号】CN105574821
【申请号】CN201510917211
【发明人】陆琼, 张根源
【申请人】浙江传媒学院
【公开日】2016年5月11日
【申请日】2015年12月10日