基于颜色恒常性特征和视觉注意机制的阴影检测方法
【技术领域】
[0001] 本发明涉及一种根据彩色图像上阴影的颜色恒常性特征和视觉注意机制的阴影 检测方法，属于数字图像处理和目标识别技术领域，可用于彩色照片和遥感影像上的地物 阴影检测。
【背景技术】
[0002] 地物阴影是自然照片、视频以及遥感影像上不可避免的现象，但阴影的存在会给 计算机视觉的任务带来很多困难，往往造成图像分割、边缘检测和对象识别的错误。因而， 阴影检测是目前图像处理和计算机视觉领域的研究热点，也是一个难点问题，在阴影检测 中，主要分为基于视频的动态图像阴影检测和基于单幅图像的静态图像阴影检测两个大 类。由于基于动态图像的阴影检测可以充分利用相邻图像帧之间的相关信息，相对容易，研 究文献也相对较多，但基于静态图像的阴影检测难度更大，研究相对较少。
[0003] 目前，对静态图像阴影的检测主要分为四类方法：1)、基于物理模型的方法:该方 法主要思想在于先对阴影成像过程进行建模，进而设计检测算法;2)、基于非物理模型的方 法:主要是采用数学模型和人类视觉模型对阴影进行建模和检测，如较常用的有Retinex模 型、Sigmod模型、Bayes统计模型；3)、基于本征图像的阴影检测方法:该类方法通常先将原 始图像变换到光照不敏感空间，如C1C2C3空间、HSV颜色空间，然后在新的空间设计检测算 法，该类方法算法简单，但检测结果依赖于本征图像的质量;4)、基于统计学习的阴影检测 方法:先对图像阴影进行特征提取，然后利用所提取的特征对分类器进行训练，最后再通过 训练好的分类器对图像进行分类从而获得阴影结果。在每类方法中，研究者都提出了不同 的思路和具体实现算法，根据研究结果显示，每类方法都有各自的优点和缺陷，因而，到目 前为止还没有一个鲁棒而通用的阴影检测方法。鉴于此，研究新的阴影检测理论和方法仍 然非常必要。
【发明内容】
[0004] 为解决现有技术的不足，本发明的目的在于提供一种基于阴影的多种颜色不变性 特征和视觉注意机制的阴影检测方法，用于改善阴影检测的结果。
[0005] 为了实现上述目标，本发明采用如下的技术方案：
[0006] 基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特征在于，包括如下步 骤：
[0007] (1)、对原始图像进行亮度特征提取，记为Lum;
[0008] (2)、将原始图像转换到C1C2C3颜色不变空间，提取出其中适合于阴影检测的第三 个通道，即C3成分，记为C3;
[0009] (3 )、基于赫林拮抗色原理，对原始图像进行STB模型变换，提取其中的蓝黄对比特 征图像，记为B_Y;
[0010] (4)、分别对上述三个特征图像Lum、C3、B_Y进行局部最大值归一化处理，得到归一 化的特征图Lum'、C3'、B_Y' ；
[0011] (5)、根据归一化特征图像计算阴影显著图，记为S_Sal，计算公式为：
[0012] S_Sal = Lum'*C3'*B_Y'；
[0013] (6)、采用大津阈值算法0STl?iS_Sal进行自适应阈值二值化，获得初始阴影分割 图S0,其中值1表示为阴影，0表示为非阴影；
[0014] (7)、对原始图像进行SLIC超像素分割，获得分割图像Seglmg，将其中每个分割区 域分别记为Seglmg[k]，k = 0，···，n，共获得η个区域；
[0015] (8)、将初始阴影分割图SO和SLIC分割结果Seglmg进行叠加，然后对Seglmg分割结 果进行标记，具体如下：
[0016] a、依次取出S0分割图中值为1的像素，假设该像素位于第y行、第X列，则记为S0[y， X];
[0017] b、若S0[y，x]位于分割图Reglmg的第k个区域Reglmg[k]，则将Reglmg[k]标记为阴 影区（value = l)，否则将Reglmg[k]标记为非阴影区（value = 0);
[0018] (9)、对Seglmg中的每个分割区域Seglmg[k]，计算其颜色均值m[k]和重心位置c
[k]，其中m[k]、c[k]分别为对应的颜色向量和坐标向量：
[0019] m[k] = [rk,gk,bk]
[0020] c[k] = [xk,yk]；
[0021 ]其中，rk、gk、bk分别为第k个分割区域的红、绿、蓝颜色均值，xk、yk分别为第k个分割 区域的重心的X坐标和y坐标；
[0022] (10)、根据分割图像Reglmg中所有分割区域的重心位置坐标c[k]，k = 0，…，η，构 建Delaunay三角网，根据Delaunay三角网信息可获得每个区域Reglmg[k]的邻接区域；
[0023] (11)、计算所有具有邻接关系的阴影区域两两之间的颜色距离，如第i个区域和第 j个区域之间的颜色距离为：
[0024]
[0025]将所有两两邻接阴影区域的颜色距离值存入列表DIS_L[k]，k = 0, ···，!!!;其中Γι、 gi、bi分别为第i个分割区域对应的红、绿、蓝颜色分量，r j、gj、bj分别为第j个分割区域对应 的红、绿、蓝颜色分量；
[0026] (12)、对Reglmg中标记为1的阴影区域逐个进行生长算法；
[0027] (13)、整个阴影检测算法结束，分割图像Reglmg中标记为1的区域为阴影检测结 果。
[0028]优选地，前述步骤（1)中，所述原始图像为包含R，G，B三个波段的彩色图像，具体过 程为:先提取原始图的灰度图，然后将灰度图的对数倒数作为lum特征，计算公式为：
[0029] Gray = (R+G+B)/3
[0030] Lum= 1.0/[5+log(Gray+l)]
[0031] 其中，Gray表示3个颜色分量R、G、B的均值，即灰度值;第2个公式中分母中的1是为 了避免对0求对数的情况，从而保证数学运算的有效性;5是调节因子。
[0032]更优选地，前述步骤(2)中，C1、C2、C3的具体计算公式分别为：
[0033] Cl =arctan(G/max(R,B))
[0034] C2 = arctan(R/max(G,B))
[0035] C3 = arctan(B/max(R,G)) 〇
[0036] 再优选地，前述步骤(3)中，具体计算公式为：
[0037] MaxC=max(R,G,B)
[0038] MinC=min(R,G)
[0039] B_Y=(B_MinC)/MaxC
[0040] 其中，MaxC表示3个颜色分量R、G、B中的最大值;MinC表示颜色分量R、G中的较小 值。
[0041] 进一步优选地，前述步骤(4)中，假设待归一化的特征图像为ftmap，对其进行局部 最大值归一化的伪代码如下：
[0042] M=10
[0043] T=M*threshold
[0044] f tmap = M*Norma1i z e(ftmap)
[0045] peaks =FindLocalMax(f tmap)
[0046] num_peaks = Number(peaks)
[0047] if (num_peaks = = 1):
[0048] f tmap = f tmap*M*M
[0049] else if(num_peaks>l):
[0050] locAvg=Mean( peaks)
[0051 ] f tmap = f tmap*(M-1o cAvg)*(M-1o cAvg)
[0052] 其中，threshold通常取值为0.1 ;Normalize〇函数的作用是将整个特征图像值线 性变换到〇~1 .〇之间；FindLocalMax()将查找特征图像的局部极值点，返回局部极值点列 表peaks;Number〇函数的作用是计算局部极值点的个数;Mean()函数是计算所有极值点的 平均数。
[0053] 更进一步地，前述步骤(12)中，具体算法过程如下：
[0054] a、初始化p = 〇;
[0055] b、从Reglmg中取出第p个区域Reglmg[p]，若Reglmg[p]已经标记为阴影（value = 1)，则跳过不予处理；
[0056] 〇、若1^8111^|^]标记为非阴影区域(>31116 = 0)，贝11查找该区域的所有邻接区域；
[0057] d、若邻接区域都为非阴影区域则跳过不予处理;否则，计算区域Reglmg[p]与它的 所有邻接阴影区域之间的颜色距离。若Reglmg[p]有m个邻接的阴影区域，则m个距离构成一 个列表，记为：
[0058] L=[Di,D2,···,0"]
[0059 ]并计算L中所有距离值的均值D_a ve_p;
[0060] e、计算距离列表DIS_I^所有值的均值和方差，分别记为D_avdPD_Std;若满足条 件：
[0061 ] D_ave_D_std*0