一种针对单幅室外图像的阴影检测算法

陈卓（四川大学视觉合成图形图像技术国防家重点学科实验室，成都　610025)

一种针对单幅室外图像的阴影检测算法

陈卓
（四川大学视觉合成图形图像技术国防家重点学科实验室，成都610025)

0　引言

一直以来，阴影检测都是图像处理领域的研究热点之一。图像中的阴影会增加物体识别、图像分割等算法的难度，所以有效地检测阴影可以显著提高图像处理领域许多算法的性能。

最近十多年中，大量图像处理中的阴影检测算法涌现出来。一部分算法基于阴影边缘。该方法通过比较两种边缘来检测阴影[1]：光照不变图像的边缘和原图像的边缘。该方法的一大限制在于对处理图像有着很高的质量要求，当所处理图像为普通图像时，该算法效果一般。另一部分算法基于阴影区域。该方法基于光照强度、梯度等信息，通过训练条件随机场来判断阴影[2]。但该方法有着冗长的训练过程，并对训练集的依赖度较高。时至今日，在光照、物体反射率和阴影几何形状等因素的影响下，阴影检测仍然是一个具有挑战性的问题。特别地，对于单幅室外图像，由于其信息少、场景复杂等原因，针对该图像的阴影检测更是难上加难。

因此，本文针对单幅室外场景的图像，提出了一种新的阴影检测算法。首先，算法利用阴影导致的纹理和亮度变化特征，结合局部和全局信息对图像进行分割。然后，针对过度分割产生的问题，本文提出了一种新的基于边缘的区域融合算法，可有效地将图像中阴影区域和非阴影区域分割开来，同时可以分别把阴影区域和非阴影区域分割成若干个子区域。然后，利用单个区域信息和区域匹配的信息，分别训练一个SVM，对阴影进行识别。本文的主要贡献包括：

●提出了一种新的基于阴影特征的图像分割算法，该算法结合边缘检测和区域检测，准确地将阴影和非阴影区域分割开。

●整合了图像分割和阴影检测算法，利用相同的阴影特征进行分割和检测，使算法内部的一致性增强，并拥有更好的检测效果。

1　相关工作

1.1图像分割

很多图像分割算法已经被开发出来，这些算法大致可分为两类：基于轮廓/边缘信息的分割，如Canny算法[4]；以及基于区域信息的分割，如MeanShift[5]，k均值算法[6]等。同时，很多研究者认为作为分割图像的两种方法，二者可以有效的结合起来。文献[7]提出了这样一种全新的方法，该方法结合了轮廓检测和图像分割，利用检测出来的边缘信息构建了一个分层的区域树，很好地融合了两种方法。

图1　表示算法处理的流程，依次为（a）→（b）→（c）→（d）

1.2阴影检测

由于阴影会显著降低光照强度，所以一部分阴影检测的方法是基于光照模型，或者颜色模型的。文献[8-9]利用颜色空间HSI中的H和I空间，通过两者之间的比值来检测阴影检测。然而，该方法更适合检测航拍图中的阴影，或者图像中比较明显的阴影，其对室外复杂场景中阴影的检测效果差强人意。

有别于基于光照模型的检测方法，文献[3]试图通过对比区域之间的信息来检测阴影，具有极强的启发意义。这种方法通过训练SVM来评价一个区域以及区域之间的关系，然后再据此构建一个能量函数，最后求解这一函数来综合判断阴影区域。

2　算法实现

2.1基于阴影特征的图像分割

图像分割是计算机图像学领域的一个基本问题。如果可以将图像中阴影和非阴影区域准确地分割开来，将对阴影检测带来极大的便利。因此，图像分割对阴影检测有着重要的意义。

当一个区域被阴影覆盖时，它的纹理和光照会发生变化[2]。而文献[3]中使用的MeanShift算法不能很好地利用这一性质。本文通过改进[7]中的算法，根据阴影的特征，融合阴影边缘检测和阴影区域检测，分割阴影和非阴影区域。该方法大致分为两个步骤：阴影边缘检测和阴影分割。

（1）阴影边缘检测

本文与[7]中的算法不同之处在于：首先在阴影边缘检测部分，本文通过亮度和纹理基元（textons）[7]信息，计算每个像素点的梯度信息G（x，y，θ），并据此分析出图像的轮廓信息gPb。

（2）阴影分割

经过上文分析得到的gPb能够有效的表示轮廓，但是这些轮廓也不是完全封闭的，因此不能用作分割图像。为了更好地分割图像，本文使用分水岭算法利用轮廓信息gPb来进行区域分割。然而，分水岭算法会产生过度分割问题，为此本文开发了一种全新的方法来解决这一问题。

在分水岭算法中，定义每个“集水盆地”对应一个区域，记为P0；两个集水盆地交汇处是“分水岭”，记为K0。接着定义一个无向图G=（P0，K0，W（P0），E（P0）），其中W（P0）表示每条分水岭的权值，由分水岭上点的总能量处以分水岭上点的个数而得；E（P0）表示每个集水盆地的能量值，每个盆地的初始能量均为零。同时需要注意的是在图中，每条都恰好分割两个区域，W（P0）描述了相邻两个区域之间的相异性。

将分水岭按照其权值，由小到大存入队列，并依此判断其是否需要合并。假定R1和R2由边C*分割，且R=R1∪R2，合并的规则如下：

●R1和R2合并的条件是：如果min{E（R1），E（R2）} ≠0，则W（K0）≤τ·min{E（R1），E（R2）}或min{E（R1），E （R2）}=0。其中，τ表示一个常数。通过调整τ就可以调整合并条件，从而控制最终区域的大小，τ越大最终合并的区域面积越大。

●E（R）、P0和K0的合并方法是：E（R）=max{E（R1），E（R2），W（C*）}；P0←P0{R1，R2}∪R；K0←K0{C*}。

2.2阴影检测

文献[3]提出了一种基于区域匹配的阴影检测方法。该方法认为判断一个区域是否为阴影，不仅仅是和区域本身的性质相关，还应该和其他区域相关。也就是说，需要结合区域之间的关系来判断一个区域是否为阴影。

（1）区域识别

对于单区域识别，本文训练一个分类器（SVM）来判断单个区域是阴影的概率。训练集已手工标记出了阴影部分，分类器利用阴影的亮度和纹理基元来进行分类，输出为表示区域为阴影的概率。

对于匹配区域识别，检测一个区域是否为阴影区域，应该与其纹理相似的区域进行比较。如果两个区域亮度相似，则二者处于同一光照强度下（阴影或者非阴影）；如果两者的亮度相异，则认定亮度较暗的区域为阴影。这里，利用分类器训练四个特征来判断阴影区域[3]：亮度和纹理基元的χ2距离，平均RGB比，色彩对齐度和区域归一化距离。

（2）算法

由上述构建能量方程，使用图割算法[10]得到最终的阴影检测结果：

同时，

图2　实验结果图

第一列是原图像。第二列是文献[3]所使用的MeanShift算法分割的图像；第三列是本文算法分割的图像；第四列是文献[3]阴影检测结果的投影图像；第五列是本文算法阴影检测结果的投影图像。

3　实验结果

本文在多张室外图像上进行了实验，这些图像很好地囊括了不同种类的阴影图像，具有较强的说服力，如图2所示。通过将本文算法和文献[3]中的算法进行比较，可以看出：本文算法很好地分割了图像中阴影和非阴影区域，并准确地检测了阴影区域。

4　结语

本文提出了一种新的阴影检测算法。分割图像和检测阴影都使用了相同的阴影特征，图像分割更加准确，阴影检测的效果更好。另外，根据轮廓信息，提出了一种区域合并的算法，并且可以通过控制区域合并的参数，方便地控制合并区域的大小。这些优点共同提升了阴影移除的效果。

[1]G.D.Finlayson，S.D.Hordley，C.Lu，and M.S.Drew.On the Removal of Shadows from Images.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（1）:59-68.

[2]G.D.Finlayson，M.S.Drew，C.Lu.Intrinsic Images by Entropy Minimization.European Conference on Computer Vision，Prague，Czech Republic，2004:582-595.

[3]Guo Rui-qi，Dai Qie-yun，Hoiem，D.Single-Image Shadow Detection and Removal Using Paired Regions.IEEE Conference on Computer Vision and Pattern Recognition.Providence，RI，2011:2033-2040.

[4]Canny，John.A Computational Approach to Edge Detection.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8 （6）:679-698.

[5]D.Comaniciu and P.Meer.Mean Shift:A Robust Approach Toward Feature Space Analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）:603-619.

[6]J.B.MacQueen.Some Methods for Classification and Analysis of Multivariate Observations，Berkeley，Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability，University of California Press，1967.

[7]P.Arbelaez，M.Maire，C.Fowlkes，J.Malik.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（5）:898-916.

[8]TSAI V.J.A Comparative Study on Shadow Compensation of Color Aerial Images in Invariant Color Models.IEEE Transactions on Geoscience and Remote Sensing，2006，44（6）:1661-1671.

[9]Xiao Chunxia，Xiao Donglin，Zhang Ling，Chen Lin.Efficient Shadow Removal Using Subregion Matching Illumination Transfer.Computer Graphics Forum，2013，32（7）:421-430.

[10]Y.Boykov，O.Veksler，R.Zabih.Fast Approximate Energy Minimization Via Graph Cuts.IEEE Transactions on Pattern Analysis andMachine Intelligence，2001，23（11）:1222-1239.

Shadow Detection;Shadow Segmentation;Region-Pair

A Shadow Detection Algorithm for Single Outdoor Images CHEN Zhuo

（National Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University，Chengdu 610025）

1007-1423（2016）06-0060-04

10.3969/j.issn.1007-1423.2016.06.014

陈卓（1989-），男，河南鹤壁人，硕士研究生，研究方向为计算机图像

2016-01-05

2016-02-06

提出一种针对单幅室外场景图像的阴影检测算法。算法首先利用阴影的亮度和纹理特征，融合轮廓检测和区域分割两种方法分割图像；然后，通过训练SVM来检测单个区域信息和区域之间的匹配信息；最后，利用图割算法综合判断阴影区域。实验结果表明，该算法可以有效地分割单幅室外图像中的阴影区域。

阴影检测；阴影分割；区域对

国家自然科学基金（No.61103137）、国家 863计划（No.2013AA013902）、国家自然科学重点项目和科技支撑计划（No.2012BAH62F02）

Proposes a novel shadow detection approach for a single natural outdoor image.This algorithm firstly segments image by using the charac-teristic of shadow:brightness and texture.Then,the algorithm trains a SVM to detect single region information and region-pair informa-tion.At last,uses Graph Cut algorithm to classify shadow/non-shadow regions.Experiments show that this method significantly detects shadow regions in single outdoor images.