CN109064411B - 一种基于光照补偿的路面图像去阴影方法 - Google Patents

一种基于光照补偿的路面图像去阴影方法 Download PDF

Info

Publication number
CN109064411B
CN109064411B CN201810607022.2A CN201810607022A CN109064411B CN 109064411 B CN109064411 B CN 109064411B CN 201810607022 A CN201810607022 A CN 201810607022A CN 109064411 B CN109064411 B CN 109064411B
Authority
CN
China
Prior art keywords
image
shadow
road surface
area
pixels
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.)
Active
Application number
CN201810607022.2A
Other languages
English (en)
Other versions
CN109064411A (zh
Inventor
李伟
闫帅
孙朝云
肖力炀
沙爱民
呼延菊
郝雪丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201810607022.2A priority Critical patent/CN109064411B/zh
Publication of CN109064411A publication Critical patent/CN109064411A/zh
Application granted granted Critical
Publication of CN109064411B publication Critical patent/CN109064411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于光照补偿的路面图像去阴影方法，包括以下步骤：步骤1，采集路面二维阴影图像，并对路面二维阴影图像进行灰度化处理，得到灰度路面图像I(i,j)；对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)；步骤2，对预处理路面图像Ih(i,j)进行光照补偿处理，得到光照补偿后图像I′h(i,j)；将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)；步骤3，对初步去阴影图像I′(i,j)中每一行和每一列像素点的半影区域进行样条插值处理，得到插值图像I′non(i,j)；对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)。本发明完整保留了路面纹理信息，采用光照补偿对路面图像去阴影，避免了裂缝监测车造价高、运动相机裂缝检测系统裂缝检测精度低的缺点。

Description

一种基于光照补偿的路面图像去阴影方法
技术领域
本发明属于道路工程领域，具体涉及一种基于光照补偿的路面图像去阴影方法。
背景技术
公路作为国民经济赖以发展的重要基础设施，在国家的交通体系中拥有广阔的发展前景，对发展货品生产及运输、密切国际交往、方便人们生活、繁荣城乡经济、巩固国防具有十分重要的作用。
公路在投入使用后，由于车辆大型化、超载严重化以及雨、雪等各种环境因素的影响，使得公路在使用过程中会出现各种各样的破损现象，例如裂缝、坑槽、车辙等，而裂缝是最普遍的一种破损类型。随着微电子技术和机器视觉的蓬勃发展，促使大量国内外研究者展开基于图像采集技术的路面裂缝人工智能检测技术研究。
现有技术多采用基于运动相机的路面图像采集装置完成裂缝图像的采集，在进行裂缝识别时，由于车辆、道路两旁的建筑物、树以及山等在阳光照射下形成的影子，在像素空间内，与裂缝的像素值非常接近，常见的裂缝检测算法会将阴影误判为裂缝，影响裂缝的检测精度。针对这一问题，目前比较经典的图像阴影去除算法包括：基于泊松方程的阴影去除算法和基于Contourlet变换的图像去阴影算法，其中基于泊松方程的阴影去除算法通过将阴影边界的梯度修正为0，在无阴影梯度场的基础上，解泊松方程恢复出无阴影图像；基于Contourlet变换的图像去阴影算法主要通过对图像的低频部分(即阴影区域)进行高频增强恢复出无阴影图像。但是，基于泊松方程的阴影去除算法和基于Contourlet变换的图像去阴影算法对于路面图像去阴影并不适用，存在路面纹理信息丢失，阴影边界明显等缺点。
发明内容
针对现有技术存在的不足，本发明的目的在于，提供一种基于光照补偿的路面图像去阴影方法，解决现有技术对路面图像进行去阴影时效果较差，且不能完整保留阴影区域纹理信息的问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种基于光照补偿的路面图像去阴影方法，包括以下步骤：
步骤1，采集路面二维阴影图像，并对路面二维阴影图像进行灰度化处理，得到灰度路面图像I(i,j)；对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)；
步骤2，采用最大类间差法对预处理路面图像Ih(i,j)进行阈值分割，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；对阴影二值图像BW(i,j)进行边缘检测，提取阴影边界图像BWcanny(i,j)；再对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，从而得到图像阴影区域以及图像半影区域；
根据阴影区域像素集合M和无阴影区域像素集合B，通过式(1)对预处理路面图像Ih(i,j)进行光照补偿处理，得到光照补偿后图像I′h(i,j)；
Figure BDA0001694586260000021
式(1)中，α为阴影区域像素集合M与无阴影区域像素集合B中像素灰度值标准差的比值，
Figure BDA0001694586260000022
DB为无阴影区域像素集合B中像素灰度值的标准差，DM为阴影区域像素集合M中像素灰度值的标准差；λ为中间参数，
Figure BDA0001694586260000031
Figure BDA0001694586260000032
是无阴影区域像素集合B中像素灰度值的平均值，
Figure BDA0001694586260000033
是阴影区域像素集合M中像素灰度值的平均值；
计算光照补偿后图像I′h(i,j)与预处理路面图像Ih(i,j)的阴影区域像素差值，得到阴影像素的阴影因子C(i,j)；将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)；
步骤3，对初步去阴影图像I′(i,j)中每一行像素点的半影区域进行三次样条插值处理，得到第一插值图像I′hor-non(i,j)；
对初步去阴影图像I′(i,j)中每一列像素点的半影区域进行进行三次样条插值处理，得到第二插值图像I′lon-non(i,j)；
计算第一插值图像I′hor-non(i,j)和第二插值图像I′lon-non(i,j)的半影区域像素均值，得到插值图像I′non(i,j)；
对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)。
进一步地，所述步骤1中对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)，包括：
步骤11，采用形态学闭运算对灰度路面图像I(i,j)进行处理，得到初步预处理图像IX(i,j)；
步骤12，通过式(2)对初步预处理图像IX(i,j)进行滤波，得到预处理路面图像Ih(i,j)：
Figure BDA0001694586260000034
式(2)中，σ是标准差，σ∈[3,5]。
进一步地，所述步骤2中在预处理路面图像Ih(i,j)中提取阴影区域像素集合M和无阴影区域像素集合B，包括：
步骤21，提取预处理路面图像Ih(i,j)中的S分量Ih,S(i,j)，对Ih,S(i,j)进行Otsu阈值分割处理，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；
步骤22，通过Canny边缘检测算子提取阴影二值图像BW(i,j)的阴影区域边界，得到阴影边界图像BWcanny(i,j)；
步骤23，对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，即得到半影区域。
进一步地，其特征在于，所述步骤2中通过式(3)将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)。
Figure BDA0001694586260000041
进一步地，所述步骤3中对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)，包括：
步骤31，对插值图像I′non(i,j)进行直方图统计，该直方图中存在两个波峰，选择两个波峰中像素偏小的波峰作为阈值T，将插值图像I′non(i,j)的半影区域中像素小于阈值T的作为纹理信息集合M1，将插值图像I′non(i,j)的半影区域中像素大于等于阈值T的作为正常像素集合B1；
步骤32，通过式(4)对纹理信息集合M1中的像素进行光照补偿处理，得到光照补偿后的像素集合M′1：
Figure BDA0001694586260000042
其中，
Figure BDA0001694586260000051
为光照补偿后的像素集合M′1中的像素组成的图像，
Figure BDA0001694586260000052
为纹理信息集合M1中的像素组成的图像；
步骤33，将光照补偿后的像素集合M′1中的像素替代插值图像I′non(i,j)中的三次样条函数值，即得到路面去阴影图像Inon(i,j)。
本发明与现有技术相比，具有如下技术效果：
1、本发明在去除阴影的同时，完整保留了路面纹理信息。
2、本发明无需人工参与参数设置，克服了裂缝识别误差大、工作效率低等缺点。
3、本发明采用光照补偿对路面图像去阴影，避免了裂缝监测车造价高、运动相机裂缝检测系统裂缝检测精度低的缺点。
4、本发明为路面裂缝识别提供有力的信息支持，提高了公路养护和管理水平。
附图说明
图1是本影区域和半影区域的示意图；
图2是本发明阴影检测算法的流程图；
图3是本发明阴影去除算法的流程图；
图4(a)是原始路面阴影图像；(b)是图像阴影区域检测结果；(c)为图像半影区域检测结果；
图5(a)是泊松方程的去阴影结果；(b)是Contourlet变换的去阴影结果；(c)是本发明方法的去阴影结果。
以下结合附图对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例：
本实施例提供了一种基于光照补偿的路面图像去阴影方法，如图2、3所示，包括以下步骤：
步骤1，采集路面二维阴影图像，并对路面二维阴影图像进行灰度化处理，得到灰度路面图像I(i,j)；对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)；
具体地，对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)，包括：
步骤11，采用形态学闭运算对灰度路面图像I(i,j)进行处理，得到初步预处理图像IX(i,j)；
步骤12，通过式(2)对初步预处理图像IX(i,j)进行滤波，得到预处理路面图像Ih(i,j)：
Figure BDA0001694586260000061
式(2)中，σ是标准差，σ∈[3,5]。
由于本实施例中的滤波器对图像的平滑效果取决于参数σ，σ值过小，对图像的平滑效果就不是很明显，无法完全消除路面纹理信息；反之，σ值过大，对图像的平滑效果过于明显，破坏图像的特征信息，导致阴影边界被模糊。因此，σ的取值非常重要，经过多次试验，σ的取值为3～5。
本实施例首先采用形态学闭运算消除由路面裂缝、接缝对阴影检测的干扰，得到初步预处理图像IX(i,j)，然后对初步预处理图像IX(i,j)进行滤波处理，消除路面纹理信息，得到预处理路面图像Ih(i,j)。
步骤2，采用最大类间差法对预处理路面图像Ih(i,j)进行阈值分割，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；对阴影二值图像BW(i,j)进行边缘检测，提取阴影边界图像BWcanny(i,j)；再对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，从而得到图像阴影区域以及图像半影区域；
具体地，在预处理路面图像Ih(i,j)中提取阴影区域像素集合M和无阴影区域像素集合B，包括：
步骤21，提取预处理路面图像Ih(i,j)中的S分量Ih,S(i,j)，对Ih,S(i,j)进行Otsu阈值分割处理，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；
步骤22，通过Canny边缘检测算子提取阴影二值图像BW(i,j)的阴影区域边界，得到阴影边界图像BWcanny(i,j)；
步骤23，对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，即得到半影区域。如图1所示为阴影区域和半影区域的示意图。
如图4(a)为原始路面阴影图像，(b)是图像阴影区域检测结果，(c)为图像半影区域检测结果；
根据阴影区域像素集合M和无阴影区域像素集合B，通过式(1)对预处理路面图像Ih(i,j)进行光照补偿处理，得到光照补偿后图像Ih′(i,j)；
Figure BDA0001694586260000081
式(1)中，α为阴影区域像素集合M与无阴影区域像素集合B中像素灰度值标准差的比值，
Figure BDA0001694586260000082
DB为无阴影区域像素集合B中像素灰度值的标准差，DM为阴影区域像素集合M中像素灰度值的标准差；λ为中间参数，
Figure BDA0001694586260000084
Figure BDA0001694586260000085
是无阴影区域像素集合B中像素灰度值的平均值，
Figure BDA0001694586260000086
是阴影区域像素集合M中像素灰度值的平均值；
计算光照补偿后图像I′h(i,j)与预处理路面图像Ih(i,j)的阴影区域像素差值，得到阴影像素的阴影因子C(i,j)；将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)；
具体地，通过式(3)将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)。
Figure BDA0001694586260000083
本实施例中的初步去阴影图像I′(i,j)仍然存在阴影边界，主要是由于半影区域像素突变造成的，本实施例采用三次样条插值函数分别从横向和纵向对半影区域像素进行插值，求取平均值作为半影区域像素插值的最终结构，并采用光照补偿模型进行半影区域纹理信息的回复，得到最终的去阴影图像Inon(i,j)。
步骤3，对初步去阴影图像I′(i,j)中每一行像素点的半影区域进行三次样条插值处理，得到第一插值图像I′hor-non(i,j)；
具体地，假设第i行的半影区域的像素坐标为j′1,j′2,…j′n(n＝1,2,3,…)，形成n个待插值数据。a<j1<j2<…<jm<b是半影区域周围正常像素的像素纵坐标。S(j)是该区间上的三次样条插值函数，在区间j∈[jl,jl+1]，(l＝1,2,3,…,m)上的插值数据为：
Si(j)＝aij3+bij2+cij+di (4)
Si(j)在区间j∈[jl,jl+1]需要满足以下条件：
Si(ji)＝fi(ji) (5)
其中fi(j)在j∈[jl,jl+1]处的图像像素灰度值。
为了计算出公式(4)中的参数，fi(jl)和fi(jl+1)分别为已知的图像像素位置(i,jl)和(i,jl+1)处的像素值。S′i(j)和Si″(j)分别为Si(j)处的一阶导数和二阶倒数。令S′i(jl)＝αl，S″i(jl+1)＝αl+1，hl＝jl+1-jl，则Si(j)在区间j∈[jl,jl+1]上的函数表达式为：
Figure BDA0001694586260000091
令λl＝hl+1/(hl+hl+1)，μl＝1-λl，gi,l＝λlαl-1+2αl+μlαl+1,l＝2,3,…,m-1，然后根据自然边界条件，首尾两点的二阶导数为0，结合gi,l的公式得出：
Figure BDA0001694586260000092
解方程组(7)，得到位置参数αl(l＝2,3,…m-1)的值，并将其代入公式(6)中，从而得到三次样条函数的表达式。
最后将半影区域的像素坐标j′1,j′2,…j′n(n＝1,2,3,…)代入三次样条插值函数中，可以得到半影区域去阴影后的像素值。
对初步去阴影图像I′(i,j)中每一列像素点的半影区域进行进行三次样条插值处理，得到第二插值图像I′lon-non(i,j)；
计算第一插值图像I′hor-non(i,j)和第二插值图像I′lon-non(i,j)的半影区域像素均值，得到插值图像I′non(i,j)；
针对半影区域存在裂缝的路面图像，采用三次样条插值算法会覆盖掉裂缝的像素值，导致半影区域裂缝消失，影响裂缝的检测精度。对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)。
具体地，对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)，包括：
步骤31，对插值图像I′non(i,j)进行直方图统计，该直方图中存在两个波峰，选择两个波峰中像素偏小的波峰作为阈值T，将插值图像I′non(i,j)的半影区域中像素小于阈值T的作为纹理信息集合M1，将插值图像I′non(i,j)的半影区域中像素大于等于阈值T的作为正常像素集合B1；
步骤32，通过式(4)对纹理信息集合M1中的像素进行光照补偿处理，得到光照补偿后的像素集合M′1：
Figure BDA0001694586260000101
其中，
Figure BDA0001694586260000102
为光照补偿后的像素集合M′1中的像素组成的图像，
Figure BDA0001694586260000103
为纹理信息集合M1中的像素组成的图像；
步骤33，将光照补偿后的像素集合M′1中的像素替代插值图像I′non(i,j)中的三次样条函数值，即得到路面去阴影图像Inon(i,j)。
如图5所示为本发明方法与现有技术中泊松方程的去阴影结果和Contourlet变换的去阴影结果的对比图。

Claims (4)

1.一种基于光照补偿的路面图像去阴影方法，其特征在于，包括以下步骤：
步骤1，采集路面二维阴影图像，并对路面二维阴影图像进行灰度化处理，得到灰度路面图像I(i,j)；对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)；
步骤2，采用最大类间差法对预处理路面图像Ih(i,j)进行阈值分割，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；对阴影二值图像BW(i,j)进行边缘检测，提取阴影边界图像BWcanny(i,j)；再对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，从而得到图像阴影区域以及图像半影区域；
根据阴影区域像素集合M和无阴影区域像素集合B，通过式(1)对预处理路面图像Ih(i,j)进行光照补偿处理，得到光照补偿后图像I′h(i,j)；
Figure FDA0003081032980000011
式(1)中，α为阴影区域像素集合M与无阴影区域像素集合B中像素灰度值标准差的比值，
Figure FDA0003081032980000012
DB为无阴影区域像素集合B中像素灰度值的标准差，DM为阴影区域像素集合M中像素灰度值的标准差；λ为中间参数，
Figure FDA0003081032980000013
Figure FDA0003081032980000014
是无阴影区域像素集合B中像素灰度值的平均值，
Figure FDA0003081032980000015
是阴影区域像素集合M中像素灰度值的平均值；
计算光照补偿后图像I′h(i,j)与预处理路面图像Ih(i,j)的阴影区域像素差值，得到阴影像素的阴影因子C(i,j)；将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)；
步骤3，对初步去阴影图像I′(i,j)中每一行像素点的半影区域进行三次样条插值处理，得到第一插值图像I′hor-non(i,j)；
对初步去阴影图像I′(i,j)中每一列像素点的半影区域进行进行三次样条插值处理，得到第二插值图像I′lon-non(i,j)；
计算第一插值图像I′hor-non(i,j)和第二插值图像I′lon-non(i,j)的半影区域像素均值，得到插值图像I′non(i,j)；
对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)；
所述步骤3中对插值图像I′non(i,j)的半影区域进行纹理恢复，得到路面去阴影图像Inon(i,j)，包括：
步骤31，对插值图像I′non(i,j)进行直方图统计，该直方图中存在两个波峰，选择两个波峰中像素偏小的波峰作为阈值T，将插值图像I′non(i,j)的半影区域中像素小于阈值T的作为纹理信息集合M1，将插值图像I′non(i,j)的半影区域中像素大于等于阈值T的作为正常像素集合B1；
步骤32，通过式(4)对纹理信息集合M1中的像素进行光照补偿处理，得到光照补偿后的像素集合M′1：
Figure FDA0003081032980000021
其中，
Figure FDA0003081032980000022
为光照补偿后的像素集合M′1中的像素组成的图像，
Figure FDA0003081032980000023
为纹理信息集合M1中的像素组成的图像；
步骤33，将光照补偿后的像素集合M′1中的像素替代插值图像I′non(i,j)中的三次样条函数值，即得到路面去阴影图像Inon(i,j)。
2.根据权利要求1所述的基于光照补偿的路面图像去阴影方法，其特征在于，所述步骤1中对灰度路面图像I(i,j)进行预处理，得到预处理路面图像Ih(i,j)，包括：
步骤11，采用形态学闭运算对灰度路面图像I(i,j)进行处理，得到初步预处理图像IX(i,j)；
步骤12，通过式(2)对初步预处理图像IX(i,j)进行滤波，得到预处理路面图像Ih(i,j)：
Figure FDA0003081032980000031
式(2)中，σ是标准差，σ∈[3,5]。
3.根据权利要求1所述的基于光照补偿的路面图像去阴影方法，其特征在于，所述步骤2中在预处理路面图像Ih(i,j)中提取阴影区域像素集合M和无阴影区域像素集合B，包括：
步骤21，提取预处理路面图像Ih(i,j)中的S分量Ih,S(i,j)，对Ih,S(i,j)进行Otsu阈值分割处理，得到阴影二值图像BW(i,j)，即阴影区域像素集合M和无阴影区域像素集合B；
步骤22，通过Canny边缘检测算子提取阴影二值图像BW(i,j)的阴影区域边界，得到阴影边界图像BWcanny(i,j)；
步骤23，对阴影边界图像BWcanny(i,j)进行膨胀处理，得到路面半影区域图像BWp(i,j)，即得到半影区域。
4.根据权利要求1所述的基于光照补偿的路面图像去阴影方法，其特征在于，所述步骤2中通过式(3)将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素，得到初步去阴影图像I′(i,j)。
Figure FDA0003081032980000041
CN201810607022.2A 2018-06-13 2018-06-13 一种基于光照补偿的路面图像去阴影方法 Active CN109064411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810607022.2A CN109064411B (zh) 2018-06-13 2018-06-13 一种基于光照补偿的路面图像去阴影方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810607022.2A CN109064411B (zh) 2018-06-13 2018-06-13 一种基于光照补偿的路面图像去阴影方法

Publications (2)

Publication Number Publication Date
CN109064411A CN109064411A (zh) 2018-12-21
CN109064411B true CN109064411B (zh) 2021-08-17

Family

ID=64820827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810607022.2A Active CN109064411B (zh) 2018-06-13 2018-06-13 一种基于光照补偿的路面图像去阴影方法

Country Status (1)

Country Link
CN (1) CN109064411B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349099B (zh) * 2019-06-17 2021-04-02 武汉大学 一种复杂场景视频阴影检测与消除方法
CN110428380B (zh) * 2019-08-01 2022-02-18 重庆师范大学 紫色土土壤图像阴影增强方法
CN110611774B (zh) * 2019-09-20 2021-07-16 深圳市梦网视讯有限公司 一种路面监控视频光照补偿方法和系统
CN110909628A (zh) * 2019-11-05 2020-03-24 长安大学 一种检测带阴影路面裂缝的自然光照补偿方法
CN111968042B (zh) * 2020-07-08 2023-10-20 华南理工大学 一种数字文档的去阴影方法、系统、装置和存储介质
CN114255173A (zh) * 2020-09-24 2022-03-29 苏州科瓴精密机械科技有限公司 粗糙度补偿方法、系统、图像处理设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1415274A (zh) * 2001-10-31 2003-05-07 株式会社东芝 计算机x射线断层造影设备
CN201765177U (zh) * 2010-08-10 2011-03-16 长安大学 一种用于集料级配实时检测的图像去阴影采集装置
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
CN107220949A (zh) * 2017-05-27 2017-09-29 安徽大学 公路监控视频中运动车辆阴影的自适应消除方法
CN107798293A (zh) * 2017-09-20 2018-03-13 罗明帅 一种道路裂缝检测装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2533581B (en) * 2014-12-22 2016-12-07 Ibm Image processing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1415274A (zh) * 2001-10-31 2003-05-07 株式会社东芝 计算机x射线断层造影设备
CN201765177U (zh) * 2010-08-10 2011-03-16 长安大学 一种用于集料级配实时检测的图像去阴影采集装置
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
CN107220949A (zh) * 2017-05-27 2017-09-29 安徽大学 公路监控视频中运动车辆阴影的自适应消除方法
CN107798293A (zh) * 2017-09-20 2018-03-13 罗明帅 一种道路裂缝检测装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"一种航空影像阴影补偿方法";林宗坚等;《武汉大学学报·信息科学版》;20130430;第38卷(第4期);第431-435页 *
"单幅室外自然场景中的阴影检测与消除";胡勇等;《南京理工大学学报》;20110228;第35卷(第1期);全文 *
"基于三次样条函数的激光雷达数据可视化插值法";陈浩等;《仪器仪表学报》;20130430;第831-837页 *
"基于直方图估计和形状分析的沥青路面裂缝识别算";徐志刚等;《仪器仪表学报》;20101030;第260-2266页 *

Also Published As

Publication number Publication date
CN109064411A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109064411B (zh) 一种基于光照补偿的路面图像去阴影方法
CN111145161B (zh) 一种路面裂缝数字图像处理和识别的方法
CN109784344B (zh) 一种用于地平面标识识别的图像非目标滤除方法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
CN109558806B (zh) 高分遥感图像变化的检测方法
CN114677601B (zh) 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN108665466B (zh) 一种道路激光点云中路面病害自动提取方法
CN106530247B (zh) 一种基于结构信息的多尺度图像修复方法
CN109523479A (zh) 一种桥墩表面缝隙视觉检测方法
CN102663702A (zh) 基于区域划分的自然图像去噪方法
CN109961416B (zh) 一种基于形态学梯度多尺度融合的营业执照信息提取方法
CN110956183A (zh) 一种沥青路面裂缝形态提取方法
CN112288726B (zh) 一种井下带式输送机带面异物检测方法
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN109815961A (zh) 一种基于局部纹理二值模式的路面修补类病害检测方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN116630321A (zh) 基于人工智能的桥梁健康智能监测系统
CN107578414A (zh) 一种路面裂缝图像的处理方法
CN109886900B (zh) 一种基于字典训练和稀疏表示的合成雨图除雨方法
CN111179289A (zh) 一种适用于网页长图宽图的图像分割方法
CN111127450A (zh) 一种基于图像的桥梁裂缝检测方法及系统
CN115984806A (zh) 道路标线破损动态检测系统
Rui Lane line detection technology based on machine vision

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant