CN104809699A - 基于最大熵的路面阴影抑制方法 - Google Patents
基于最大熵的路面阴影抑制方法 Download PDFInfo
- Publication number
- CN104809699A CN104809699A CN201510179627.2A CN201510179627A CN104809699A CN 104809699 A CN104809699 A CN 104809699A CN 201510179627 A CN201510179627 A CN 201510179627A CN 104809699 A CN104809699 A CN 104809699A
- Authority
- CN
- China
- Prior art keywords
- image
- hsv
- road
- entropy
- maximum entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明是基于最大熵的路面阴影抑制方法,属于图像处理技术领域,用于减少道路检测中路面阴影的干扰。为解决同类方法抑制阴影不彻底、容易将有效的路面区域也处理掉等问题,本发明提出一种新的技术方案:首先,将彩色图像转到HSV色彩空间,提取每个像素点的HSV特征(log(H/S),log(V/S))。接着,将HSV图像中所有像素点的HSV特征投影到一维空间中,并计算在一维空间的熵值,通过变化投射角α,得到不同投射角α对应的熵值,确定最大熵值对应的投射角αm。最后,基于投射角αm对HSV图像进行重构,并对重构后的图像依次进行二值化和空洞填充得到阴影抑制后的道路图像。本方法高效易行,对不同的路面情况适应性较强。
Description
技术领域
本发明涉及一种HSV空间下基于最大熵的路面阴影抑制方法,属于数字图像处理技术领域。
背景技术
用数字图像处理技术进行道路检测,最大的挑战在于道路周边场景和路面阴影的干扰。现有的道路阴影抑制方法大致可分为两大类:第一类方法是先进行阴影检测,再根据阴影周围的色彩特征对检测出来的阴影进行颜色补偿;第二类方法是通过某种方式对图像进行重构,将路面和阴影作为一个整体同时处理,从而间接地对阴影进行抑制。
第一类方法的典型代表是《Shadow detection and removal from remotesensing images using NDI and morphological operators》(Singh K K,PalK,Nigam M J.Int J Comput Appl,2012,42(10):37-40)。在该文献中,作者首先在HSV空间下对图像进行二值处理,得到若干个连通域,将其作为阴影区域。接着,作者对二值图进行一定程度的膨胀处理,并把它同最初的二值图相减,得到阴影区域的轮廓,称为“缓冲区域”。随后,利用缓冲区域中的颜色均值代替其所包围的阴影区域的颜色,由此得到阴影抑制后的图像。但是,这种方法以检测阴影为基础,而阴影复杂多样、分布无规律,所以它不能把所有的阴影都很好地检测出来,从而也就不能全面地进行阴影抑制。此外,由于“缓冲区域”的色彩特征跟阴影区域没有特别明显的差别,因此处理之后的阴影只是在视觉上显得颜色变浅了,并没有被彻底消除。
第二类方法的典型代表是《Road detection based on illuminantinvariance》(Alvarez J M A,Lopez A M.Intelligent Transportation Systems,IEEE Transactions on,2011,12(1):184-193)。在该文献中,作者首先分析了图像整体的光强分布,发现阴影的产生其实是由光强分布不均引起的。光强分布越杂乱,阴影的影响就越明显;反之,如果能把光强分布统一在一个方向上,那么阴影的影响会大大降低。由杂乱到统一,这是一个熵减的过程,而最小熵对应的光强分布是对阴影抑制效果最好的情况。因此,作者将光强按照一定的角度投射到一维空间,计算各个角度下所对应的熵值,找出最小熵值对应的角度,以该角度对图像进行重构,由此阴影与路面呈现相似的色彩特征,阴影得到了抑制。但是,这种方法是对图像整体进行处理的,为了达到光强分布的平衡,它以牺牲路面的信息为代价。也就是说,原本有效的路面信息也被处理掉了,它跟背景之间的区分度大幅度降低,这会对后续的道路检测带来不利的影响。
因此,现有的方法虽然对阴影抑制有一定的效果,但其局限性也是不容忽视的,这集中体现在两个方面:阴影消除不彻底、容易将道路区域也处理掉。
发明内容
发明目的:本发明旨在解决同类方法消除阴影不彻底、容易将道路区域也处理掉等问题。使用本发明后,将在最大程度保留道路信息的同时对路面阴影进行有效的抑制,为后续的道路检测提供有力的保障。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于最大熵的路面阴影抑制方法,包括如下步骤:
(1)将道路彩色图像转到HSV色彩空间,并根据HSV图像的三通道值得到每个像素点的HSV特征(log(H/S),log(V/S));
(2)将HSV图像中所有像素点的HSV特征投影到一维空间中,并计算在一维空间的熵值,通过变化投射角α,得到不同投射角α对应的熵值,确定最大熵值对应的投射角αm;
(3)基于投射角αm对HSV图像进行重构,并对重构后的图像依次进行二值化和空洞填充得到阴影抑制后的道路图像。
进一步地,所述步骤(2)中计算在一维空间的熵值的具体步骤包括:
(a)在一维空间的最大值和最小值之间分成m等份,每一个区间的长度为(最大值-最小值)/m,统计每个区间内的点的个数;
(b)根据公式计算熵值,其中pi=ni/N,ni表示当投射角为α时第i个区间内点的个数,N表示各区间点数总和。
进一步地,所述步骤(2)中变化投射角α具体为使α从1°变化到180°,每次变化1°。
进一步地,所述步骤(3)中基于投射角αm对HSV图像进行重构的表达式为:
I=log(H/S)·cosαm+log(V/S)·sinαm
进一步地,所述步骤(1)中将道路彩色图像转到HSV色彩空间之前,还包括使用双边滤波对图像进行降噪处理。
有益效果:本发明原理简单、高效易行,能够有效抑制道路图像中的阴影,且最大程度地保留道路信息,在不同道路阴影情况下的鲁棒性较强。
附图说明
图1是双边滤波效果图。
图2是RGB转HSV效果图。
图3是HSV特征分布图。
图4是一维空间投影示意图。
图5是熵值随投射角度变化示意图。
图6是最大熵示意图。
图7是重构图像效果图。
图8是后期处理效果图。
图9是结果比较示意图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明实施例公开的一种基于最大熵的路面阴影抑制方法,主要包括如下步骤:
1、图像预处理
(1)降噪处理
这里使用双边滤波对图像进行降噪处理。双边滤波是一种非线性的滤波方式,它同时考虑到图像的空域信息和灰度相似性。相比于其他的滤波方式,双边滤波最大的好处在于去除噪声的同时能够很好地保留道路的边缘信息。图1是双边滤波前后图像变化的效果图。
(2)RGB空间转HSV空间
HSV颜色空间由色调H(Hue)、饱和度S(Saturation)和亮度V(Value)三通道组成。对于RGB空间内的一个像素点(r,g,b),它的HSV信息可由如下的转换公式获得(max是r、g、b中的最大值,min是r、g、b中的最小值):
v=max
图2是转换前后图像变化的效果图。
2、求取最大熵
(1)提取HSV特征
这里根据HSV图像三通道值,构建出如下两个特征式:
分别以上下两式为x轴和y轴,HSV图像中所有像素点的HSV特征(log(H/S),log(V/S))分布如图3所示。
(2)一维投影
将图3中的点如图4所示投影到一维空间内,投射角为α。由于是一维,我们仅选取点的横坐标进行计算。由计算可知,对于点(x,y),其经过投影后的横坐标值变成
x′=x·cosα+y·sinα
由此得到一维的数据集A={x′(1),x′(2),...,x′(n)},n是图3中点的总个数。
令A(max)、A(min)分别为数据集A中的最大值和最小值,故数据总长度为
L=A(max)-A(min)。
L需被分为若干等份,为保证投射后分布的合理性,等份的数量可取特征点总数的1/4到1/2。这里我们仿照灰度空间0-255共256个等级,将数据长度L平均分成256等份,每一个区间的长度为L/256。根据A中数值大小,统计每个区间内点的个数,构成数据集N={n1,n2,...,n256}。投射角度不同,各个区间内点的数目也不同。
(3)计算熵值
熵是信息论中信息的度量,事件越不确定,其信息量越大,熵也越大。设有一随机变量ξ,它有R1,R2,…,Rm共m个不同的结果,每个结果出现的概率为p1,p2,…,pm,那么ξ的熵为
在本例中,pi=ni/N,ni表示当投射角为α时第i个区间内点的个数,N表示各区间点数总和。每个投射角都对应一个熵值,使α从1°变化到180°,每次变化1°,共得到180个熵值。熵值随投射角变化的曲线图如图5所示。
(4)获取最大熵对应的投射角
如图6所示,熵最大处的点被标记成红色,记下它所对应的投射角αm。在本例中,αm为47°。
3、图像重构
(1)图像重构表达式
定义图像重构表达式为I=log(H/S)·cosαm+log(V/S)·sinαm,其中,I为重构后图像的像素点的值,H、S、V分别为对应像素的点HSV空间的分量值。重构后的图像如图7所示。
(2)后期处理
将图7二值化,为尽可能多地排除杂点干扰且保护道路信息(包括路面信息和边缘信息),将图像二值化后,对二值图中的空洞区域进行填充,如白色背景中有一个黑色的圆圈,则这个圆圈内的区域将被白色填充。图8是消除前后图像的变化效果图。由此便可得到最终的经过阴影抑制后的图像。
下面进行进一步的比较说明。图9(a)是未经过阴影抑制的道路图像二值图,图9(b)是用本发明提出的方法进行阴影抑制后的道路图像的二值图,图9(c)是道路图像的ground-truth图。由图可知,本发明提出的方法对路面上的阴影起到了很好的抑制作用。
Claims (5)
1.一种基于最大熵的路面阴影抑制方法,其特征在于,包括如下步骤:
(1)将道路彩色图像转到HSV色彩空间,并根据HSV图像的三通道值得到每个像素点的HSV特征(log(H/S),log(V/S));
(2)将HSV图像中所有像素点的HSV特征投影到一维空间中,并计算在一维空间的熵值,通过变化投射角α,得到不同投射角α对应的熵值,确定最大熵值对应的投射角αm;
(3)基于投射角αm对HSV图像进行重构,并对重构后的图像依次进行二值化和空洞填充得到阴影抑制后的道路图像。
2.根据权利要求1所述的基于最大熵的路面阴影抑制方法,其特征在于,所述步骤(2)中计算在一维空间的熵值的具体步骤包括:
(a)在一维空间的最大值和最小值之间分成m等份,每一个区间的长度为(最大值-最小值)/m,统计每个区间内的点的个数;
(b)根据公式计算熵值,其中pi=ni/N,ni表示当投射角为α时第i个区间内点的个数,N表示各区间点数总和。
3.根据权利要求1所述的基于最大熵的路面阴影抑制方法,其特征在于,所述步骤(2)中变化投射角α具体为使α从1°变化到180°,每次变化1°。
4.根据权利要求1所述的基于最大熵的路面阴影抑制方法,其特征在于,所述步骤(3)中基于投射角αm对HSV图像进行重构的表达式为:
I=log(H/S)·cosαm+log(V/S)·sinαm
其中,I为重构后图像的像素点的值,H、S、V分别为对应像素的点HSV空间的分量值。
5.根据权利要求1所述的基于最大熵的路面阴影抑制方法,其特征在于,所述步骤(1)中将道路彩色图像转到HSV色彩空间之前,还包括使用双边滤波对图像进行降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510179627.2A CN104809699A (zh) | 2015-04-15 | 2015-04-15 | 基于最大熵的路面阴影抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510179627.2A CN104809699A (zh) | 2015-04-15 | 2015-04-15 | 基于最大熵的路面阴影抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104809699A true CN104809699A (zh) | 2015-07-29 |
Family
ID=53694504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510179627.2A Pending CN104809699A (zh) | 2015-04-15 | 2015-04-15 | 基于最大熵的路面阴影抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809699A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105549603A (zh) * | 2015-12-07 | 2016-05-04 | 北京航空航天大学 | 一种多旋翼无人机的智能道路巡检控制方法 |
CN107154026A (zh) * | 2017-03-22 | 2017-09-12 | 陕西师范大学 | 一种基于自适应亮度高程模型的消除路面阴影的方法 |
CN110443762A (zh) * | 2019-07-24 | 2019-11-12 | 南京末梢信息技术有限公司 | 一种路面阴影抑制方法 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
US20120008019A1 (en) * | 2010-07-06 | 2012-01-12 | Gm Global Technology Operations, Inc. | Shadow Removal in an Image Captured by a Vehicle-Based Camera Using an Optimized Oriented Linear Axis |
-
2015
- 2015-04-15 CN CN201510179627.2A patent/CN104809699A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120008019A1 (en) * | 2010-07-06 | 2012-01-12 | Gm Global Technology Operations, Inc. | Shadow Removal in an Image Captured by a Vehicle-Based Camera Using an Optimized Oriented Linear Axis |
CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
Non-Patent Citations (2)
Title |
---|
JOSE M. ALVAREZ等: "Road Detection Based on Illuminant Invariance", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
凌波 等: "最大熵原理在非结构化道路图像识别中的应用", 《电路与系统学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105549603A (zh) * | 2015-12-07 | 2016-05-04 | 北京航空航天大学 | 一种多旋翼无人机的智能道路巡检控制方法 |
CN107154026A (zh) * | 2017-03-22 | 2017-09-12 | 陕西师范大学 | 一种基于自适应亮度高程模型的消除路面阴影的方法 |
CN107154026B (zh) * | 2017-03-22 | 2020-12-18 | 陕西师范大学 | 一种基于自适应亮度高程模型的消除路面阴影的方法 |
CN110443762A (zh) * | 2019-07-24 | 2019-11-12 | 南京末梢信息技术有限公司 | 一种路面阴影抑制方法 |
CN110443762B (zh) * | 2019-07-24 | 2023-09-22 | 南京末梢信息技术有限公司 | 一种路面阴影抑制方法 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI509567B (zh) | 影像能見度修復的方法及其影像處理裝置 | |
Nithyananda et al. | Review on histogram equalization based image enhancement techniques | |
JP5754065B2 (ja) | 光学文字認識されるテキスト画像のテキスト解像度の改善方法及びシステム | |
KR101812341B1 (ko) | 이미지의 에지 향상 방법 | |
CN104809699A (zh) | 基于最大熵的路面阴影抑制方法 | |
CN110232651B (zh) | 一种基于分块预测及差值直方图平移的可逆信息隐藏方法 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN104537678A (zh) | 一种从单幅遥感图像中去除云雾的方法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
CN111145105A (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
CN110827209A (zh) | 一种联合颜色与深度信息的自适应深度图像修复方法 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
Alex et al. | Underwater image enhancement using CLAHE in a reconfigurable platform | |
CN115358948A (zh) | 一种基于改进Retinex算法的低照度图像增强方法 | |
Shrivastava et al. | Noise removal using first order neighborhood mean filter | |
CN105160635A (zh) | 一种基于分数阶微分估计梯度域的图像滤波方法 | |
CN110443762B (zh) | 一种路面阴影抑制方法 | |
Jain et al. | Shadow removal for umbrageous information recovery in aerial images | |
Barca et al. | A modified k-means algorithm for noise reduction in optical motion capture data | |
Shrivastava et al. | Removal of impulse noise using first order neighborhood mean filter | |
Shi et al. | An improved method of removing fog and haze effect from images | |
Nourian et al. | Image de-noising with virtual hexagonal image structure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |