图像分割及阴影抑制算法的研究
工学硕士学位论文
图像分割及阴影抑制算法的研究
杨琳
哈尔滨工业大学
2007年7月
国内图书分类号：TP301.6
国际图书分类号:621.3
工学硕士学位论文
图像分割及阴影抑制算法的研究
硕士研究生：杨琳
导师：关宇东副教授
申请学位：工学硕士
学科、专业：信息与通信工程
所在单位：电子与信息技术研究院
答辩日期：2007年7月
授予学位单位：哈尔滨工业大学
Classified Index: TP301.6
U.D.C.: 621.3
Dissertation for the Master Degree in Engineering RESEARCH ON THE IMAGE SEGMENTATION AND SHADOW REMOVING ALGORITHM
Candidate：Yang Lin
Supervisor：Associate Prof. Guan YuDong Academic Degree Applied for：Master of Engineering Speciality：Information and
Communication Engineering
Affiliation：School of Electronics
and Information Technology Date of defence July, 2007
Degree-Conferring-Institution：Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
在智能视频监控领域、影视技术、多媒体应用技术中，常常需要检测出人体或其它物体，并将其与背景分离，即解决实时背景下目标的分割问题。视频图像的目标分割结果，将对目标分类、跟踪及行为理解等后续处理产生重要影响。
图像分割多年里一直受到研究人员的重视，也提出了数以千计的算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决，这方面的研究仍然面临很多挑战。现今比较流行的目标分割的方法，有不少是忽略阴影检测的，目标总是与阴影一起被检测出来。阴影会引起目标的合并、目标形状的失真等一些严重问题，引起分割和跟踪错误。目前的阴影抑制成果还不能完全满足实际的需要。由于阴影直接影响目标的检测，成为影响后续处理效果的关键因素，有必要进一步研究。
本文，首先探讨了图像处理的理论基础。并对一些传统的边缘检测算子进行了理论分析，用仿真实验测试其边缘检测的效果。实验结果表明在边缘灰度值过渡比较尖锐且图像中噪声较小时，梯度算子工作效果好。
其次，介绍了几种常用的彩色空间以及彩色空间的转换算法，并分析讨论了各彩色空间的适用范围和优缺点。系统地阐述了图像分割的各种方法，分析总结了几种常用分割方法的优缺点。本文中，针对影视技术的拍摄条件及应用要求，选用RGB彩色空间实现彩色图像的分割。在RGB彩色空间中，采用背景差分法对图像初步分割后，再利用区域生长法去除目标外部的噪声。图像分割结果是分割出带影子的目标图像。
然后，分析总结了阴影检测的基本假设和一般框架。讨论了国内外目前主流的阴影检测与抑制算法，指出了这些方法用于去除目标阴影时存在的问题。
最后，基于阴影检测的基本假设和一般框架，针对不同图像的阴影和目标体的特点，设计了四种去除阴影的算法。基于边缘信息的阴影抑制算法适用于目标体边缘信息丰富，阴影边缘信息相对简单的阴影去除；基于RGB 彩色空间的阴影抑制算法和基于HSV颜色空间的阴影抑制算法适用于去除与目标颜色有较大差别的阴影；基于HSV颜色信息和一阶梯度信息的阴影抑制算法是对基于HSV颜色信息的阴影抑制算法的改进，适用于去除与目标颜色相近的阴影。实验结果表明，四种算法对比，基于HSV颜色信息和
- -I
哈尔滨工业大学工学硕士学位论文一阶梯度信息的阴影抑制算法效果相对理想。
关键词图像分割；彩色空间；区域生长；阴影去除
II
- -
哈尔滨工业大学工学硕士学位论文
Abstract
In the field of intelligent video monitoring, screen and video technique multimedia application technique, the body or others must be detected and separated from the background. That is the problem of segmenting objects from real-time background. The segmentation result of vedio image is with important influence to the post-treatment of object sorting, tracking and behavior understanding.
Image segmentation has been attached importance to by researchers and thousands of algorithm have been brought forward. Although these algorithms are with success to different degree, there is a long way to solve the problem of image segmentation and the research is still faced with a great deal of challenge. Nowadays, the popular methods of image segmentation often ignore the shadow detection. The shadow is detected with the object. Shadow causes severe problem such as object uniting, object form distortion and so on, which cause error to segmentation and tracking.
Firstly, The theoretical basis of image processing is discussed. The conventional edge-detecting operator is theoretically analyzed and tested with simulation experiment. The experiment result indicates that while the transition of the edge gray value is aculeated and the noise is small, the effect of gradient operator is perfect.
Secondly, several color space and the conversion algorithm between them are introduced. The area of application and disadvantage as well as advantage are analyzed. According to the shoot condition and aimed to the concrete application request, the image segmentation is accomplished based on RGB space. In the RGB color space, the image is firstly segmented based on the improved method of difference between the foreground and background image. Then, the noise is restrained through the process of region growing. The image segmentation result is that the shadow is segmented with the object.
Thirdly, the basis hypothesis and general frame for the shadow detecting is summarized and analyzed. The main shadow detection and removing algorithm at home and abroad are discussed. Also, the disadvantage of each algorithm to
III
- -
哈尔滨工业大学工学硕士学位论文
remove shadow is pointed out.
Finally, aimed at the characteristics both of the shadow and object in different image, four kinds of algorithm based on the basis hypothesis and general frame for the shadow detecting are designed. The shadow removing algorithm based on edge information is aimed to remove the shadow casted by such object as the one with rich edge information. The algorithm based on RGB or HSV color space are both applicable to the shadow that is with different color information to the object, and while shadow is with the same color information as object, both of the two algorithm are failing to remove shadow. To solve the problem above, the fourth algorithm based on HSV color space and the first gradient which is aimed to remove the shadow with similar color information as object, is brought forward. Experiment results indicate that the fourth algorithm is comparatively ideal among the four algorithms.
Keywords Image segmentation; Color space; Region growing; Shadow removing
IV
- -
哈尔滨工业大学工学硕士学位论文
目录
摘要..................................................................................................................I Abstract...............................................................................................................III
第1章绪论 (1)
1.1 课题背景 (1)
1.2 图像分割 (1)
1.2.1 图像分割研究的意义 (2)
1.2.2 颜色理论 (2)
1.2.3 图像分割研究现状 (5)
1.3 阴影去除的研究现状 (6)
1.4 本文研究内容 (8)
1.5 本文结构安排 (8)
第2章图像分割的相关理论 (10)
2.1 引言 (10)
2.2 边缘检测方法概述 (10)
2.2.1 梯度算子 (10)
2.2.2 拉普拉斯算子 (13)
2.2.3 几种边缘算子的比较 (14)
2.3 数学形态学 (15)
2.4 阴影检测 (16)
2.4.1 阴影的分类 (16)
2.4.2 阴影的光谱性质 (17)
2.4.3 阴影的影响 (18)
2.5 本章小结 (19)
第3章图像分割 (20)
3.1 引言 (20)
3.2 颜色空间的研究 (20)
3.2.1 面向设备的颜色空间 (20)
3.2.2 面向视觉感知的颜色空间 (22)
3.2.3 均匀颜色空间 (23)
V
- -
哈尔滨工业大学工学硕士学位论文
3.3 图像分割的算法 (24)
3.3.1 基于直方图阈值化的方法 (24)
3.3.2 基于特征空间聚类算法 (25)
3.3.3 区域生长法 (25)
3.3.4 基于分水岭分割方法 (25)
3.3.5 基于边界的分割方法 (26)
3.3.6 人工神经网络 (27)
3.4 基于差分法和区域生长法的彩色图像分割算法 (27)
3.4.1 分割原理 (27)
3.4.2 实验分析 (29)
3.5 本章小结 (30)
第4章阴影检测理论基础 (32)
4.1 引言 (32)
4.2 阴影的特点 (32)
4.3 阴影检测的基本假设 (33)
4.4 阴影检测的一般框架 (34)
4.5 阴影检测方法的分类 (34)
4.5.1 基于阈值的检测方法 (35)
4.5.2 基于阈值扫描线理论的检测方法 (36)
4.5.3 基于阴影色彩不变性的检测方法 (36)
4.5.4 基于色彩特征不变量的阴影抑制 (37)
4.5.5 基于阴影置信度系数的检测方法 (38)
4.5.6 基于颜色空间变换的阴影抑制 (38)
4.5.7 基于统计的阴影抑制方法 (40)
4.6 本章小结 (41)
第5章阴影抑制算法 (42)
5.1 引言 (42)
5.2 基于边缘信息抑制阴影 (42)
5.2.1 算法步骤 (43)
5.2.2 实验结果分析 (46)
5.3 基于RGB彩色空间的阴影抑制算法 (47)
5.3.1 算法原理 (47)
5.3.2 算法设计 (47)
VI
- -
哈尔滨工业大学工学硕士学位论文
5.3.3 实验结果分析 (48)
5.4 基于HSV颜色信息的阴影抑制算法 (48)
5.4.1 算法设计 (48)
5.4.2 实验分析 (49)
5.5 基于HSV颜色信息和一阶梯度信息的阴影抑制算法 (50)
5.6 本章小结 (51)
结论 (52)
参考文献 (54)
攻读学位期间发表的学术论文 (60)
哈尔滨工业大学硕士学位论文原创性声明 (61)
哈尔滨工业大学硕士学位论文使用授权书 (61)
哈尔滨工业大学硕士学位涉密论文管理 (61)
致谢 (62)
VII
- -
哈尔滨工业大学工学硕士学位论文
第1章绪论
1.1课题背景
在现代的视频监控及多媒体应用技术中，常常需要检测出运动的人体或车体，并将其与背景分离。静态图像分割技术都能应用于序列图像的目标检测。在民用的影视制作领域，可以将拍摄目标图像和拍摄背景分开进行，再将目标提取出来完成与特定背景的合成，以达到降低拍摄成本的要求，它不要求目标的实时分割，但要求分割的精度较高。在军事目标的识别应用中，对目标的分割技术需求也很大，但对实时性的要求较高，需要将程序安装在硬件中，因而加大了技术难度。
由于图像目标之间的遮挡和光照的不均匀等原因，经常产生阴影现象。无论运动分割还是变化检测都会受到阴影的影响。阴影尤其对目标分割的影响比较显著，并对后续的跟踪、识别造成负面影响，导致错误率上升，使系统的整体性能下降。在实际应用系统中，目标总是伴随有阴影，大多数的目标必须在去除阴影后才能正确检测与分割。
人眼很容易区分目标与目标投射的阴影，但如何让计算机识别出阴影却是极具挑战性的研究难题。图像中的阴影可以提供有关目标的位置与形状、监控场景的表面特性以及光源等方面的信息，同时由于目标投射的阴影颜色属性明显不同于场景背景，并且和目标有相同的特性，所以进行目标检测时很容易将阴影检测为目标的一部分，造成目标的合并、几何变形，甚至使目标丢失。虽然基于统计的多峰分布背景建模方法能对反复的背景运动(如摇动的树枝)、光线的突变(如天空云层遮挡阳光)、传感器噪声等进行建模，但还是无法成功地区分场景中的目标和目标投射的阴影，这使智能监控系统无法准确判断出场景内目标的数目、形状、运动轨迹，更无法实时准确地判断此物体是安全目标还是危险目标，也不能及时报警。
本文基于上述需求，研究了影视图像的目标分割及其阴影的抑制问题。
1.2图像分割
图像分割是数字图像处理中的重要前期过程，特征提取、目标识别都依
- -1
哈尔滨工业大学工学硕士学位论文
赖于图像分割的质量好坏，所以图像分割决定了图像分析的最终成败。图像分割指的是把一幅图像分割成不同的区域，这些区域在某些图像特征如边缘、纹理、颜色、亮度等是一致的或相似的。图像分割的基本目的之一是将图像中有意义的特征或者需要应用的特征提取出来。这些特征可以是图像中的原始特征，如物体占有区域的像素灰度值、物体轮廓曲线和纹理特征等；也可以是空间频谱或直方图特征等。在对应于图像中某一方面或对象物的某一部分，其特征(灰度、色彩、纹理等)都是近似或相同的，但对于不同的对象物或对象物的各个部分之间，其特征就会产生相应的变化。不同的图像类型，不同的应用要求所要提取的特征是不相同的，当然特征提取的方法也就不同，因此实际中并不存在一种普遍适应的最优方法。
1.2.1图像分割研究的意义
图像分割是任何图像分析及视觉系统必不可少的组成环节，是计算机视觉研究中的一个基本且困难的问题。困难在于图像分割本身是一个病态问题，分割的目的是为了理解，但理想的分割往往需要理解后得到的结果作为先验知识，这种病态性给问题的解决造成了很大的困难，成为阻碍计算机视觉发展的一个瓶颈问题。但正是因为图像分割是计算机视觉的一个基本问题，分割结果对视觉系统性能的影响很大，所以图像分割始终是计算机视觉中的一个研究热点。人类对自身视觉机理研究的不断深入以及计算机技术的迅速发展将为图像分割问题的解决提供新的途径。
图像分割是由图像处理进入到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割与基于分割的目标表达、特征提取和参数测量等能将原始图像转化为更有效更紧凑的形式，从而使得更高层次的图像分析和理解成为可能。
图像分割在实际中有着广泛的应用前景，例如在工业自动化、在线产品检测、生产过程控制、文档图像处理、遥感和生物医学图像分析、保安监视以及军事、体育、农业工程等方面。概括来说，在各种图像应用中，只要需对图像目标进行提取、测量、跟踪等都离不开图像分割。
1.2.2颜色理论
颜色是各种频率的光谱在人眼中的感知现象。光线没有颜色，它只是某
- -2
哈尔滨工业大学工学硕士学位论文
种功率分布，而颜色则是人对这种功率分布的心理响应[1]。人类所感知到的物体颜色由物体表面的光谱反射、光照和视角所决定。对于颜色感知的研究是人类视觉系统的基础研究之一，与生理学、心理学以及信息科学密切相关。颜色感知研究的目的是模拟人脑中视觉信息的表达和处理方式，设计出基于人类视觉特性的计算机视觉系统。对于计算机视觉系统来说，颜色是物体表面的属性，因此对于图像分割和目标识别等的研究都具有非常重要的意义。颜色空间、色彩度量以及颜色恒常性是颜色视觉研究的几个主要方面。近年来，随着彩色设备制造技术和多媒体技术的发展，颜色在计算机视觉中应用也在不断进步。
对颜色现象的生物学本质的研究是对颜色研究的一个重要方面。在19世纪初，Helmholz就提出了颜色视觉的三原色模型[2]，论述了颜色感知的初级阶段。而Hering在1878年又提出了颜色视觉对抗过程理论[3]，简称为对抗色理论。在很长一段时间里，三原色理论和对抗色理论持不同观点共同存在，但最终都被证明是正确的。事实上，这两个理论共同描述了在视网膜和视觉大脑皮层中的不同视觉信息处理阶段。
人类视觉系统对于色差是高度敏感的，颜色感知系统可以区分上万种的不同颜色。然而这一系统只能记住几种颜色，有报告说明人能记住大约11种焦点颜色，即红绿蓝黄紫橙粉棕灰白黑。其它的颜色以这些颜色之间的粗略混合方式记忆。颜色敏感和颜色记忆之间如此的差异是人类颜色感知最为重要的现象之一。颜色适应、颜色记忆和颜色视觉的时空特性是人类颜色感知的要素，全面深入地理解这些要素对于计算机颜色视觉系统的研究来说是必要的。
颜色空间是定义各种颜色在一个三维空间中的排列，在彩色图像处理研究中，颜色空间又称为颜色坐标系或颜色模型，颜色由颜色空间中的点来指定。两种颜色之间感知上的差别被称为色差。在一个理想的颜色空间中，色差对应两个点指定颜色之间的欧氏距离。色差的定义和度量是彩色设备及颜色信息应用的基础。对于色差的研究在实验心理学领域进展地较好，但在计算机视觉的研究中还很缺乏。
颜色空间有多种类型的定义，在彩色图像处理中，RGB颜色空间是最基本、最常用的颜色空间。但是RGB颜色空间对于颜色感知来说是非均匀的，存在着自身的缺陷。1976年，CIE推荐了CIELab和CIELuv两种颜色空间，目前仍得到广泛的使用。过去的一些年中，人们对于感知均匀颜色空间的解决办法和相关的色差度量计算并没有多大的变化。1995年，基于
- -3
哈尔滨工业大学工学硕士学位论文
Burns的研究工作，CIE推荐了新的一套色差度量公式。Levkowitz证明了CIELuv颜色空间也不是完全均匀的，在欧氏空间内不存在理想的均匀颜色空间。
另外还有一些在彩色电视系统中使用的颜色空间，在这一系统中选用不同颜色空间的目的就是通过降低各RGB分量之间的相关性从而减小信号传送的带宽。降低相关性的主要方法就是计算颜色的统计独立分量构造一个正交颜色空间。应用于不同的电视系统中一些颜色空间的颜色分量是统计上近似独立的。其中，YUV颜色空间用于PAL制式电视系统，YIQ颜色空间应用于NTSC电视制式，YCbCr是用于电视图像标准数字编码的推荐颜色空
I I I颜色空间是一种颜色分量与图像的表示样本在统计上完全独立间。而
123
的颜色空间，这一空间的颜色分量是对K-L变换结果有非常好的近似，对RGB分量的非相关化来说是最好的，正交颜色空间是彩色图像编码和压缩的基础。
基本的RGB颜色空间的一个主要缺点是不直观。不可能直接从RGB数值估计出颜色的色度、饱和度和亮度等感知特征。人们设计了许多算法来把RGB数值映射到颜色的感知特性。通常把这些映射得到的颜色空间称为感知的颜色空间，包括HIS, HSV, LHS, GLHS等，这些颜色空间广泛用于彩色图像处理中，它们的基础是亮度的定义，通常用RGB各分量的和值来计算亮度，但也有的颜色空间对亮度计算的方法有所不同，但都是线性计算。颜色的饱和度表示在颜色感知中颜色刺激值的纯度。色度指的是颜色光的波长。从RGB量值到亮度、色度、饱和度的具体计算公式在文献[4]有详细的介绍，这些公式相当烦杂，也有人们提出一些算法来简化公式计算过程。
两种颜色之间的差异被称为色差，从另一角度来说，也是颜色相似性的度量。色差度量一般可以用颜色空间内两个颜色矢量之间的欧氏距离来进行。最常用的距离度量方法是Minkowsiki距离度量，其中幂次项参数的变化可以得到多种形式。在欧氏距离基础上，引入样本协方差矩阵，得到体积形状为椭球型的距离度量方法。为了减小计算量，也有限定三个分量变化范围的颜色相似度量方法。Canberra所提出的方法是将色度，饱和度和亮度归一化差值综合起来求距离进行判断。基于色度平面，也有人提出了圆周度量方法。基于均匀颜色空间，在过去的一些年中，CIE推荐了多种色差计算方法[5]。
- -4
哈尔滨工业大学工学硕士学位论文
1.2.3图像分割研究现状
目前已经提出的图像分割方法很多，总体上看，图像分割方法大致可以分为相似性分割和非连续性分割。所谓相似分割就是将具有同一灰度级或相同组织结构的像素聚集在一起，形成图像中不同区域，这种基于相似原理的方法通常也称为基于区域相关的分割技术。所谓非连续性分割就是首先检测局部不连续性，然后将它们连接起来形成边界，这些边界把图像分成不同的区域，这种基于不连续性原理检出物体边缘的方法有时也称为基于点相关的分割技术。这两种方法是互补的，在有些场合适宜用某种分割方法，而另一些场合又适合用另一种分割方法，有时还要将它们有机地结合起来以求得到更好的分割效果。因此，我们将图像分割的方法分为三类，第一类是基于边界的分割方法；第二类是基于区域的分割方法；第三类是基于边界和基于区域二者结合的分割方法。基于边界的分割方法是从图像数据的不连续性出发，根据局部的灰度变化来实现图像的分割。基于区域的分割方法主要是利用图像空间区域特征来进行的，这些特征包括诸如RGB值、灰度值等等。这一方法的主要理论根据是同一区域的所有像素具有相同或相似的统计特征。为了克服以上两种方法自身的缺点，近年来出现了两种方法融合的分割方法。这一方法寻求一个在基于边界标准，图像梯度的幅值，和基于区域分割标准的区域一致性估计之间寻求一个最佳的分割效果。
根据描述图像内容先验信息的可用性，分割技术又可以分为监督型和非监督型。通常，分割过程是非监督型的原因是由于对区域的数量和类型无先验信息。当对景象有一定认识时，可使用监督型分割，一个典型的例子就是我们使用的监视系统。
图像分割方法又可按分割算法本身来分为阈值法、界线探测法、匹配法等。人的视学系统对图像分割十分复杂的，也是相当有效的，但分割原理和模型都未搞清楚，这是一个很值得研究的问题。近年来，不少学者将模糊数学的方法引入到图像处理中，提出了模糊边缘检测方法、图像模糊聚类分割方法等等，取得了显著的效果。这表明在一些场合中，基于模糊子集理论的处理和模式识别技术，具有比传统方法更好的效果。此外，随着视觉神经生理学的进展，对于人工神经网络的视觉处理无疑有很大的帮助，在图像处理中大显身手，如BP神经网络用于边缘检测、图像分割的神经网络方法等。
现有的大多数图像分割算法主要是针对灰度图像的[6]。如以上提到的区域生长分割方法，此外还有区域分裂、聚合分割算法，这些算法对有复杂物
- -5
哈尔滨工业大学工学硕士学位论文
体组成的复杂场景的分割或者对自然景物的分割等类似先验知识不足的图像分割，效果均较理想。由于彩色图像的使用越来越广泛，所以近年来彩色图像分割越来越得到重视。彩色图像分割与灰度图像分割的算法相比，大部分算法在分割思想上是一致的。但彩色图像包含更丰富的信息，并有多种颜色空间的表达方式，因此分割算法有所不同，原用于灰度图像分割的方法并不适合于直接分割彩色图像[7]。
在许多实际应用中，可对彩色图像的各个分量进行适当的组合转化为灰度图像，然后可用对灰度图像的分割算法进行分割[8]。另外彩色图像可看作多频谱图像的一个特例(三个频谱)，所以适用于多频谱图像的分割方法也可以用于彩色图像分割。彩色图像分割算法的关键在于如何利用丰富的彩色信息来达到分割的目的。要分割一幅彩色图像，首先要选择好合适的颜色空间[9]；其次要采用适合于此空间的分割策略和方法。现有的彩色图像分割技术主要有6种类型：基于像素的技术[10]、基于边缘的技术[11]、基于区域的技术[12]、基于模型的技术[13]、基于物理的技术[14]和混合技术[15]。无论采取哪种分割方法都与颜色特征及颜色坐标的选择有关，实验结果表明[16]，没有一种分类方法对所有颜色特征都是有效的，同样也不可能有单一的颜色坐标对所有的分割方法都是有效的。
虽然图像分割已经有了很长的研究历史，针对各种具体要求建立了许多算法，然而至今尚无统一的理论。利用算法分割出的区域图可能出现误差。误差有3种类型，一是分割后的图像增添了新的区域；二是应有的区域未被分割出；三是所用的分割算法没有正确给出边界定位。
目前，图像分割仍然是一个没有得到很好解决的问题，如何提高图像分割的质量得到国内外学者的广泛关注，是一个研究热点。由于图像本身的特殊性和复杂性，也没有一个公认的评价标准。尽管针对图像分割已提出很多算法，但这些算法都有其各自的特点及适应场合的局限性，还没有通用的方法足以完成各种图像的分割。
1.3阴影去除的研究现状
为对运动阴影进行检测与抑制，研究人员己经开发了多种阴影检测与抑制算法，例如：在HSV颜色空间，利用色度、饱和度和亮度三方面的信息建立背景模型，对阴影进行检测和识别；在RGB颜色空间中，用矢量来表征像素点，并以当前图中的像素点矢量与对应的背景点矢量相减得到能表征
- -6
哈尔滨工业大学工学硕士学位论文
亮度和色度的彩色模型，并在此基础上建立背景模型，利用阴影的光学特性，并结合纹理特征，采用区域生长的方法来检测阴影。现有的阴影抑制方法主要分为二类，即基于属性的阴影抑制算法与基于模型的阴影抑制算法。基于属性的方法是利用阴影的几何特点、亮度、颜色等信息来标识阴影区域，在现有阴影抑制算法中对阴影光谱特性的使用比几何特性更常见，基于属性的阴影抑制算法对不同场景及光照条件有较强的鲁棒性。陈百盛[17]在HSV颜色空间中，根据阴影使背景变暗、背景在被阴影覆盖前后的亮度比值成近似线性、阴影不会使背景像素的色度有很大改变及减小背景像素的饱和度等特点，进行阴影抑制。Mikic与Cosman[18]认为场景背景像素点被阴影覆盖后，其R, G, B三颜色通道值呈线性衰减，通过计算像素点属于背景、运动目标、运动阴影的后验概率来检测阴影。Elena Salvador[19]首先根据阴影使背景的亮度变暗的特点，对阴影进行检测，然后根据定义的色彩不变量来验证检测的有效性。Sohail Nadimi[20]，在深刻分析监控场景中材料表面的光照反射模型的基础上进行阴影抑制，认为室外场景的光源有远距离点光源太阳与漫射光源天空，在两光源同时存在的情况下，像素点如果只受到漫射光源天空的照射，而没有受到点光源太阳的照射(太阳光被遮挡)，那么该像素点就会呈现阴影。
基于模型的方法是利用场景、运动目标、光照条件的先验信息，建立阴影模型，对三维运动目标模型的棱、线、角进行匹配，此方法通常在特定场景条件下使用，如航空图像理解与视频监控。Akio Yoneyama[21]提出一种二维的车辆/阴影联合模型，可以根据输入视频估计出联合模型的参数与类型，该模型不需要进行三维图像分析，通过求取联合模型(而不是车辆与阴影二个模型)的参数来把车辆与阴影区分开。在车辆/阴影联合模型中，设置摄像机的水平轴与所监控场景的交通流方向垂直，以使车辆立方体模型的边界满足一定的几何关系，根据车辆与车辆所投射阴影的相对位置，把联合模型分成六种类型，通过确定当前场景的运动前景(包括运动目标与运动阴影)属于哪种联合模型类型来进行阴影检测与抑制。
虽然已经有多种阴影抑制算法出现，但现有算法都仅仅对某一特定应用场景适用，且算法效果有待提高，如何将阴影与运动目标有效分割，开发出比较通用的阴影抑制算法，仍是一个富于挑战性的难题。
- -7
哈尔滨工业大学工学硕士学位论文
1.4本文研究内容
对颜色的感受是人类对电磁辐射中可见光部分里不同频率知觉的体现。随着技术的进步，彩色图像使用得越来越多，并且能够提供比灰度图像更为丰富的信息，因此，彩色图像分割作为彩色图像处理的重要问题正受到人们越来越多的关注。十几年来人们进行了大量的工作，提出了许多不同的图像分割算法。然而，至今仍无统一的理论，还没有哪一种分割方法可以对所有的图像都能进行理想的分割，也不存在所有方法对某一类图像均可获得较好分割结果的情况，无论是理论上还是实践上都远远没有达到让人满意的程度。正是基于此，我们利用已有的灰度处理方式，加以改进，试图对彩色图像的处理进行一次尝试，来解决实际问题。
本文对图像分割及阴影抑制算法的研究主要归纳为以下几个方面：
（1）对图像边缘的检测方法进行了研究，对典型的梯度算子、拉普拉斯算子等进行了仿真实验比较；
（2）本文中针对影视拍摄的特点及应用要求，通过对彩色特征空间的分析、比较和选择，选择了RGB彩色空间实现彩色图像分割。在RGB彩色空间中，采用背景差分法对图像进行初步差分，利用区域生长法进一步处理初步分割后的图像，去除目标以外的噪声；
（3）在光照模型的基础上讨论了阴影的形成与特征，并讨论了阴影检测的一般框架和基本假设；对现有的阴影分割方法进行了分析与总结，指出了这些方法用于目标阴影分割时存在的问题；
（4）基于阴影检测的基本假设和一般框架，并针对不同的应用要求，设计分析了四种阴影去除算法：基于边缘信息的阴影抑制算法，基于RGB 彩色空间的阴影抑制算法，基于HSV颜色信息的阴影抑制算法，基于HSV 颜色信息和一阶梯度信息的阴影抑制算法。通过实验仿真研究分析，总结了四个算法的优缺点及适用条件。
1.5本文结构安排
第1章为绪论，阐明了本文研究的课题背景，介绍了图像分割及去除阴影的研究现状，指出了本文的研究内容。
第2章为理论基础部分，阐述了图像分割及去除阴影的相关理论，包括边缘检测的方法，数学形态学的基础知识，并在光照模型的基础上讨论了阴
- -8
哈尔滨工业大学工学硕士学位论文
影的形成及阴影对于目标分割造成的影响。
第3章首先讨论了几种彩色空间分别阐述了它们的概念，特性以及空间之间的转换算法。然后，系统地阐述了图像分割的各种方法，分析总结了几种常用分割方法的优缺点。最后，针对影视拍摄的特点及应用要求，在RGB彩色空间中，基于背景差分法和区域生长法实现了彩色图像分割。
第4章对阴影检测理论进行了系统概述，阐述了阴影检测的基本假设和一般框架。对现有的阴影去除方法进行了分析与总结，指出了这些方法用于目标阴影去除时存在的问题。
第5章基于第4章分析总结的阴影的特点及阴影检测的基本假设和一般框架，针对影视图像的不同特点，研究了几种简单有效的阴影抑制算法：基于边缘信息的阴影抑制算法，基于RGB空间的阴影抑制算法，基于HSV 颜色信息的阴影抑制算法，基于HSV颜色信息和一阶梯度信息的目标阴影抑制算法。
- -9
哈尔滨工业大学工学硕士学位论文
第2章 图像分割的相关理论
2.1 引言
图像处理技术把输入图像转换成具有所希望特性的另一幅图像。在计算机视觉研究中经常需要利用图像处理技术进行预处理和特征抽取，如各种数学变换技术等。在各种图像处理中，只要包含对图像目标进行提取、测量等都离不开图像分割。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息，从而使得更高层的图像理解成为可能。本章将介绍图像分割以及图像分割后去除阴影所涉及到的图像处理的理论基础。
2.2 边缘检测方法概述
边缘主要反映的是图像灰度的不连续性。根据灰度变化的剧烈程度，通常将边缘划分为三种：阶梯形边缘，屋顶型边缘，脉冲形边缘。如图2-1所示。
a) 阶梯形边缘 b) 屋顶形边缘 c) 脉冲形边缘
图2-1 边缘示例 阶梯状边缘处于图像中两个具有不同灰度值的相邻区域间，脉冲状边缘主要对应细条状的灰度值突变区域，屋顶状边缘上升下降沿都比较缓慢。
实际中的数字图像会由于采样，造成边缘处的模糊，所以垂直上下的边缘剖面都有一定坡度，即边缘区有一定的宽度。
2.2.1 梯度算子
梯度是一阶导数的二维等效形式，梯度的幅值代表边缘的强度，梯度的方向与边缘走向垂直。对于一个连续函数()y x f ,，它在位置(),x y 的梯度可
- -
10