CN106339999A - 一种本征图像重构方法 - Google Patents
一种本征图像重构方法 Download PDFInfo
- Publication number
- CN106339999A CN106339999A CN201610784042.8A CN201610784042A CN106339999A CN 106339999 A CN106339999 A CN 106339999A CN 201610784042 A CN201610784042 A CN 201610784042A CN 106339999 A CN106339999 A CN 106339999A
- Authority
- CN
- China
- Prior art keywords
- image
- intrinsic
- sequence
- albedo
- gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种本征图像重构方法,包括以下步骤:S1,读入同一物体的图像序列,序列中各图像的反照率相同、光照不同;S2,使用滤镜分别对序列中各图像进行滤波,得到序列中各图像的梯度;S3,取梯度的中位数作为反照率的梯度,使用滤镜的逆进行本征图像的重构,得到图像的反照率本征图和光照本征图。与现有技术相比,本发明方法简单,尤其适用于彩色图像的处理。
Description
技术领域
本发明涉及一种图像处理方法,尤其是涉及一种本征图像重构方法。
背景技术
物体在人眼中所呈现的图像依赖于外界的光照等环境和物体的本质属性,如场景的光照、物体表面的形状、物体的材质等。同样与人眼类似的照相机所获得的图像也与这些因素相关,在这些属性中,最为重要的是亮度和反照率这两种。其中亮度对应环境中的光照信息,反照率对应于物体的材质信息,即物体对光照的反射特性,反照率主要表现为物体的颜色信息。本征图像分解最早由Barrow和Tenenbaum在1978年提出,本征图像求解问题就是从图像出发,恢复所有像素点对应的场景中的亮度和反照率信息,分别形成亮度本征图和反照率本征图。
对本征图像的最早研究可以追溯到Land和McCann对人类光线感知的研究,他们发现在观察场景的时候,人类的视觉系统为了正确判断物体表面的反照率会试图去掉场景中的亮度信息。因此对于本征图分解的问题,可以通过亮度变化来着手对该问题简化。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实现过程简单的本征图像分解方法。
本发明的目的可以通过以下技术方案来实现:
一种本征图像重构方法,包括以下步骤:
S1,读入同一物体的图像序列,序列中各图像的反照率相同、光照不同;
S2,使用滤镜分别对序列中各图像进行滤波,得到序列中各图像的梯度;
S3,取梯度的中位数作为反照率的梯度,使用滤镜的逆进行本征图像的重构,得到图像的反照率本征图和光照本征图。
所述的步骤S1中,图像序列为规范后的图像序列,规范化为对数域的规范化,对图像数组取对数。
所述的步骤S2中,对相邻像素取斜率,滤波得到的梯度矩阵为稀疏矩阵。
所述的步骤S2中,分别在水平和竖直方向对相邻像素取斜率。
所述的步骤S3中,反照率的梯度分布的先验分布为拉普拉斯分布,通过求解泊松方程进行反照率的估计,使用滤镜的逆进行本征图像的重构,得到反照率本征图。
如果已有同一场景在不同光照下的一个图像序列,那么可以在获得这一序列图像的基础上求解亮度本征图和反照率本征图。这种方法基于自然图像中存在的一个普遍统计规律:如果对自然图像进行梯度滤波处理,那么滤波的结果是稀疏的。在研究大量自然图像梯度滤波结果分布规律的基础上发现,图像的梯度滤波结果与拉普拉斯分布最为接近,因此假设亮度图的梯度滤波结果的先验分布为拉普拉斯分布,那么使用极大似然估计的方法即可分解出亮度本征图和反照率本征图。
与现有技术相比,本发明通过将反照率梯度取为所有图像梯度的中位数,计算方法简单,尤其适用于彩色图像的处理。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
自然图像中,同一个场景的阴影是在不断变化的,随着时间的推移阴影将移动到不同的位置,因此同一场景的一系列图形中的阴影边缘不会在所有图像中出现在同一个位置,利用这个规律,可以认为反照率梯度是所有图像梯度的中位数。而这就将是本发明主要依据的算法。
方法一:
第一步、读入图片序列。图片序列反照率维持不变,只有光照发生改变。这里我们限定的图片序列包括的图片数量为10张。图片数量的多少可以任意,但是会影响到产生结果的质量。
图片大小任意,程序会自动识别,但毫无疑问每张图片的大小必须是相同的。
第二步、使用两个滤镜,一个是水平方向的,另一个是垂直方向的。然后作用在输入图像序列上。
水平方向矩阵:{1,-1,0}
竖直方向矩阵:{1,-1,0}
得到的滤镜过的图像,可以证明这是一个稀疏矩阵。
第三步、取中位数,使用滤镜的逆和事先计算好的常数g来重构本征图像。
中位数使得概率P(on|rn)=1/Z*exp{-βΣabs(on-rn)}最大,因而这个估计是合理的。
重构本征图像的方法为:
这里的g是一个与输入的图片序列无关的常数,可以提前计算得出,计算的方法为:
这里得出来的r为反照图像。可以根据反照图像和原图像得出光照图像。
如果是在对数域,可以直接通过做差获得,否则通过做除法获得:
方法二:
第一步、输入图片序列,对图片数组值进行规范化。
主要操作依然在对数域上执行,而避免因一些像素值为0而出现取对数出现错误的情况,先规范化图片数组的值,使得所有值都落在3-Inf之间。由此避免错误发生。
第二步、分别在水平和竖直方向对相邻像素取斜率。
第三步、对处理得到的图片进行估计,延用算法的思想取中位数。
第四步、解泊松方程获得对本征图像的估计。
假设前一步骤得到的水平和竖直的两个估计值为Ex(x,y)和Ey(x,y)。
而要求的对本征图像的估计值,便是使得minΣ|rx(x,y)-x,yEx(x,y)|p+|ry(x,y)-Ey(x,y)|p得以成立的r。这里,令p=2。
这就需要解决2维网格矩阵上的泊松方程。
将式子转化成相关的系数A和b之后,通过相关的数学计算库来解决这个问题。
第五步、重构本征图像。
已经获得了对数域上的反射图像,可以直接通过做差得出对数域上的光照图像。
之后以e为底取指数,即可重构原图像。
方法二中,为了方便,将图像取对数,在对数域里操作。
给图像序列做导数滤镜(其实就是求差分)。得到的滤镜过的图像,可以证明这是一个稀疏矩阵。
由于这个差分矩阵是稀疏的,可以求得滤过的图像序列在时间上的中位数来估计被滤过的本体。可以通过证明这个中位数使得概率P(on|rn)=1/Z*exp{-βΣabs(on-rn)}最大,因而这个估计是合理的。
由得到的滤镜后的本征图像的估计值来重建本征图像,可以使用之前使用的滤镜的逆和事先根据滤镜计算好的一个常数g来重构,也可以通过Poisson方程解最小能量。
依据上述步骤,对于获得的测试图片集进行分析,该测试集选取了20个图片组,300余张图片。所有试验均在PC计算机上实现,该PC计算机的主要参数为:中央处理器Intel(R)Core(TM)i5CPU,内存2GB。
结果显示,对于黑白照片处理获得的本征图像效果出色,对于彩色照片获得的本征图像效果较黑白图片稍差,但也不错。
这一实验表明,本实施例的本征图像导出算法能有效地对图片序列进行本征图像导出。
Claims (5)
1.一种本征图像重构方法,其特征在于,包括以下步骤:
S1,读入同一物体的图像序列,序列中各图像的反照率相同、光照不同;
S2,使用滤镜分别对序列中各图像进行滤波,得到序列中各图像的梯度;
S3,取梯度的中位数作为反照率的梯度,使用滤镜的逆进行本征图像的重构,得到图像的反照率本征图和光照本征图。
2.根据权利要求1所述的一种本征图像重构方法,其特征在于,所述的步骤S1中,图像序列为规范后的图像序列,规范化为对数域的规范化,对图像数组取对数。
3.根据权利要求1所述的一种本征图像重构方法,其特征在于,所述的步骤S2中,对相邻像素取斜率,滤波得到的梯度矩阵为稀疏矩阵。
4.根据权利要求3所述的一种本征图像重构方法,其特征在于,所述的步骤S2中,分别在水平和竖直方向对相邻像素取斜率。
5.根据权利要求1所述的一种本征图像重构方法,其特征在于,所述的步骤S3中,反照率的梯度分布的先验分布为拉普拉斯分布,通过求解泊松方程进行反照率的估计,使用滤镜的逆进行本征图像的重构,得到反照率本征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784042.8A CN106339999A (zh) | 2016-08-31 | 2016-08-31 | 一种本征图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784042.8A CN106339999A (zh) | 2016-08-31 | 2016-08-31 | 一种本征图像重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106339999A true CN106339999A (zh) | 2017-01-18 |
Family
ID=57823566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610784042.8A Pending CN106339999A (zh) | 2016-08-31 | 2016-08-31 | 一种本征图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339999A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675381A (zh) * | 2019-09-24 | 2020-01-10 | 西北工业大学 | 一种基于串行结构网络的本征图像分解方法 |
CN112927200A (zh) * | 2021-02-23 | 2021-06-08 | 北京房江湖科技有限公司 | 本征图像分解方法、装置、可读存储介质及电子设备 |
CN113313828A (zh) * | 2021-05-19 | 2021-08-27 | 华南理工大学 | 基于单图片本征图像分解的三维重建方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184403A (zh) * | 2011-05-20 | 2011-09-14 | 北京理工大学 | 基于优化的本征图像提取方法 |
CN102831589A (zh) * | 2012-08-29 | 2012-12-19 | 上海交通大学 | 一种利用卷积滤波和抗锯齿分析增强图像分辨率的方法 |
CN103413014A (zh) * | 2013-03-11 | 2013-11-27 | 北京师范大学 | 一种基于二向性反射分布函数(brdf)原型反演地表反照率的方法 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
-
2016
- 2016-08-31 CN CN201610784042.8A patent/CN106339999A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184403A (zh) * | 2011-05-20 | 2011-09-14 | 北京理工大学 | 基于优化的本征图像提取方法 |
CN102831589A (zh) * | 2012-08-29 | 2012-12-19 | 上海交通大学 | 一种利用卷积滤波和抗锯齿分析增强图像分辨率的方法 |
CN103413014A (zh) * | 2013-03-11 | 2013-11-27 | 北京师范大学 | 一种基于二向性反射分布函数(brdf)原型反演地表反照率的方法 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
Non-Patent Citations (3)
Title |
---|
LI SHEN 等: "Intrinsic Image Decomposition with Non-Local Texture Cues", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
YAIR WEISS: "Deriving intrinsic images from image sequences", 《ICCV 2001》 * |
朱琳琳 等: "基于阴影图像本征值的室外目标跟踪", 《信息与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675381A (zh) * | 2019-09-24 | 2020-01-10 | 西北工业大学 | 一种基于串行结构网络的本征图像分解方法 |
CN112927200A (zh) * | 2021-02-23 | 2021-06-08 | 北京房江湖科技有限公司 | 本征图像分解方法、装置、可读存储介质及电子设备 |
CN113313828A (zh) * | 2021-05-19 | 2021-08-27 | 华南理工大学 | 基于单图片本征图像分解的三维重建方法与系统 |
CN113313828B (zh) * | 2021-05-19 | 2022-06-14 | 华南理工大学 | 基于单图片本征图像分解的三维重建方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A generic deep architecture for single image reflection removal and image smoothing | |
Wan et al. | CoRRN: Cooperative reflection removal network | |
Tang et al. | Investigating haze-relevant features in a learning framework for image dehazing | |
CN106920221B (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
Ding et al. | Efficient dark channel based image dehazing using quadtrees | |
CN108694705A (zh) | 一种多帧图像配准与融合去噪的方法 | |
CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN106339999A (zh) | 一种本征图像重构方法 | |
Wen et al. | An effective network integrating residual learning and channel attention mechanism for thin cloud removal | |
CN110430403A (zh) | 一种图像处理方法和装置 | |
TWI741305B (zh) | 圖像處理方法和裝置 | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
Ke et al. | Single underwater image restoration based on descattering and color correction | |
Shuchun et al. | Preprocessing for stereo vision based on LOG filter | |
CN110084774B (zh) | 一种增强的梯度传递和总变差最小化融合图像的方法 | |
CN112801891A (zh) | 显示屏画面检测方法、显示屏画面检测系统 | |
Chu et al. | Saliency structure stereoscopic image quality assessment method | |
Huang et al. | Light field image quality assessment using contourlet transform | |
Jung et al. | Multispectral fusion of rgb and nir images using weighted least squares and convolution neural networks | |
CN111968039A (zh) | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 | |
Liu et al. | Kinect depth inpainting via graph laplacian with tv21 regularization | |
Sun et al. | Complementary coded aperture set for compressive high-resolution imaging | |
Guo et al. | Restoration of underwater vision using a two-phase regularization mechanism | |
Deluxni et al. | A Scrutiny on Image Enhancement and Restoration Techniques for Underwater Optical Imaging Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20170118 |