CN1928889A - 图像处理装置和方法 - Google Patents

Abstract

本发明涉及图像处理装置和方法。实施例中的目标识别装置包括图像输入单元、目标检测单元、漫反射图像产生单元、目标模型存储单元、差分图像产生单元、权重计算单元、加权高斯滤波器应用单元、滤波处理单元以及辨识单元。要分配给加权高斯滤波器的权重是考虑了输入图像的像素的反射分量和照明条件的变化而确定的。

Description

图像处理装置和方法

技术领域

本发明涉及图像处理装置和方法，其通过从具有待识别目标的图像消除照明所引起的影响，并通过提取目标固有的特征，来提高图像处理精度。

背景技术

当要从图像识别目标时，有必要使会减小识别成功率的照明变化所引起的影响最小化。为此，在WANG(Haitao Wang，Stan Z.Li，Yangsheng Wang，Generalized Quotient Image，Proceedings IEEEConference on Computer Vision and Pattern Recognition，Vol.2，(2004)498-505)中，提出了一种方法，在该方法中，在面部识别中，称为“自商图像(self Quotient Image)”的滤波处理被应用到输入图像，使得对变化的照明有鲁棒性的固有特征被提取，并且进行目标识别。

“自商图像”是这样的方法，在该方法中扩展了RAHMAN的“中心/环境Retinex(Center/Surround Retinex)”方法(METHOD OFIMPROVING A DIGITAL IMAGE，美国专利5,991,456)。对于输入图像I(x，y)的中心/环境Retinex的输出图像R(x，y)由式(1)定义。

$R(x,y)=\frac{I(x,y)}{G(x,y)*I(x,y)}---\left(1\right)$

其中，G(x，y)指高斯函数，“*”指卷积。在RAHMAN的文献中，高斯滤波器被应用于输入图像以产生平滑图像。在WANG的文献中，加权高斯滤波器被应用于输入图像以产生平滑图像。

有一个好处就是对变化的照明有鲁棒性的固有特征可以只从一个给定图像计算出，并且这一方法在只可以获得一个注册图像的情况下尤其有效。

在中心/环境Retinex中，如在RAHMAN的文献中描述的，当在输入图像的局部区域中，法线方向和照明条件都不变时，可以获得对漫反射的不变性。漫反射是由变化的照明引起的分量之一。

但是，在照明条件在局部区域中改变的情况下，主要是在形成阴影的情况下，不能获得不变性，并且会导致错误的识别或辨识。当来自第一光源的光束被其它物体挡住时，在目标上就会形成阴影区。因为阴影区是被第二光源(例如，环境光)而非第一光源照射，所以在阴影区中的照明条件与其它区域中的照明条件是不同的。

图8示出了中心/环境Retinex被应用于面部图像的示例。

在图像502中，由照明引起的影响被抑制。图像502是从面部图像501产生的，在面部图像510中，在面部的右侧区域和鼻子下方形成了阴影。但是，因为阴影区的照明条件与其它区域中的照明条件不同，所以不可能完全除去由照明变化所引起的影响，如在面部图像502中示意性地示出的。

为了防止边缘周围的晕圈效应，在自商图像中，当产生平滑图像时，使用加权高斯滤波器(具有各向异性波形的加权函数被应用于具有各向同性波形的高斯函数)。加权函数使用二值化将局部区域分成两个子区域。

但是，在二值化中，有可能具有低反射系数的区域(例如，在面部识别的情况中的瞳孔或眉毛)也被错误地检测为阴影区。代表目标特征的重要信息也将被除去。

此外，在如同在阴影区轮廓部分中形成的柔和阴影一样像素值被逐渐改变的区域中，因为难以设置合适的阈值，所以在二值化技术中将会发生不规则的或不适当的识别。

此外，在例如发生镜面反射并且反射分量改变的区域中，因为难以仅仅从给出的一个输入图像提取漫反射分量的值，在该传统方法中不能计算出不变性。

发明内容

根据本发明的实施例，一种图像处理装置包括：权重计算单元，被配置以计算加权平滑滤波器的权重；第一滤波器单元，被配置以通过将加权平滑滤波器应用于输入图像来产生平滑图像；以及第二滤波器单元，被配置以通过将输入图像的像素值除以平滑图像的像素值来获得特征图像，其中，权重计算单元包括：(1)漫反射图像产生单元，被配置以通过使用具有漫反射分量作为主要分量的模型来产生漫反射图像，该漫反射图像近似输入图像，以及(2)差分图像产生单元，被配置以产生漫反射图像与输入图像之间的差分图像，并且权重计算单元估计差分图像中每个关注像素与其周围像素的像素值的差值，并给周围像素分配随着差值的增加而减小的权重。

附图说明

图1是第一实施例的目标识别装置的结构图。

图2是示出了第一实施例的目标识别装置的处理的流程图。

图3是第二实施例的目标识别装置的结构图。

图4是第三实施例的目标识别装置的结构图。

图5第四实施例的目标识别装置的结构图。

图6是示出了其中根据在输入图像中随机选择的三个点并通过使用基底图像来估计系数的示例的图。

图7是示出了其中通过使用多个基底图像而将输入图像转换成漫反射图像，并且通过使用输入图像与漫反射图像之间的差分图像而将输入图像转换成特征图像的示例的图。

图8是示出了其中从面部图像中提取对照明变化有鲁棒性的特征图像的示例的图。

具体实施方式

下面，将参照附图描述本发明的实施例。

将使用面部图像识别作为示例来描述本发明的实施例。每个实施例的概要如下。

在第一实施例中，将给出对目标识别装置100的描述，其中，即使在面部图像中形成阴影区的情况下，对人的识别或辨识有效的固有特征也被提取以便于面部识别。

在第二实施例中，将给出对目标识别装置200的描述，其中，即使在面部图像中形成阴影区和镜面反射区的情况下，对辨识有效的固有特征也被提取以便于面部识别。

在第三实施例中，将给出对目标识别装置300的描述，其中，即使在图像上的人的面部的面对或凝视方向不仅朝向前方而且还朝向各种方向的情况下，对照明变化有鲁棒性的固有特征也被提取以便于面部识别。

在第四实施例中，将给出对目标识别装置400的描述，其中，噪声被除去，对照明变化有鲁棒性的固有特征被提取以便于面部识别。

(第一实施例)

下面将参照图1、2、6和7描述第一实施例的目标识别装置100。

在该实施例中，通过使用面部模型计算将要分配给加权高斯滤波器的权重。

(1)目标识别装置100的结构

图1示出了目标识别装置100的结构，图2示出了目标识别装置100的处理的流程图。

目标识别装置100包括图像输入单元101、目标检测单元102、漫反射图像产生单元103、目标模型存储单元104、差分图像产生单元105、权重计算单元106、加权高斯滤波器应用单元107、滤波处理单元108以及辨识单元109。单元101到109的每个的功能可以通过存储在计算机中的程序来实现。

(2)图像输入单元101

如图2中步骤1所示，图像输入单元101通过使用相机获取作为待识别的目标的人的图像。取得一个图像，或者时间上连续地取得多个图像。将在如下假设上进行描述：被拍照目标的面部方向朝向相对于相机的前方，并且光源是在无限远处的单光源。

(3)目标检测单元102

如步骤2所示，目标检测单元102从由图像输入单元101输出的图像中裁剪出面部区，并确定输入图像I。I(x，y)表示输入图像I上像素(x，y)的像素值。提取面部的特征点，例如瞳孔和鼻孔，并且可以基于这些点的位置关系来确定输入图像。此外，面部区域的部分区域，例如眼睛或鼻子，可以被用作输入图像。通过将面部区域分成相等的部分而得到的图像可以被用作输入图像。

(4)漫反射图像产生单元103

如步骤3所示，漫反射图像产生单元103使用存储在目标模型存储部分104中的漫反射图像产生模型，并将从目标检测单元102输出的输入图像I转换成漫反射图像。顺便说一下，虽然漫反射图像是由在“I”上放置“～”的符号来表示的，但是因为该符号在说明书中不能被表示出来，所以漫反射图像将由“I~”表示，I~(x ，y)表示漫反射图像I~上的像素(x，y)的像素值。

作为漫反射图像产生模型，可以如在MUKAIGAWA(YasuhiroMukaigawa，Hajime Miyaki，Sadahiko Mihashi，Takeshi Shakunage，Photo-metric，Image-Based Rendering for Image Generation inArbitrary Illumination，IEEE International Conference on ComputerVision，vol.2，(2001)9652-659)中描述地那样使用基底图像。这基于式(2)的原理，在图像I~由漫反射分量组成时，在任意光源条件下的图像I~的每个像素值I~(x，y)可以通过三个基底图像Ii的像素值Ii(x，y)的线性组合来表示。

I(x，y)＝max(c₁I₁(x，y)+c₂I₂(x，y)+c₃I₃(x，y)，0)       (2)

其中，max(·，0)表示从负值到0的替换。假设基底图像Ii中目标的方向是不变的。

如图6所示，通过估计对输入图像I的系数ci，输入图像被转换成漫反射图像。可以通过利用在由基底图像Ii所张开的子空间上的投影使用最小二乘法，或者通过使用如在MUKAIGAWA的文献中所述的鲁棒性的估计，以在除去异常值(outlier)(阴影区或镜面反射区)的同时进行处理，来估计系数。

作为基底图像Ii，三个面部图像被使用，这三个面部图像是在改变光源方向使得不发生阴影和镜面反射的情况下取得的。三个基底图像I1、I2和I3彼此必须是线性独立的。替换地，基底图像还可以通过对四个或更多个图像应用奇异值分解来产生。

当从与输入图像I相同的人准备基底图像Ii时，式(2)的系数ci就可以在很小的误差下被估计。可以对于包括光源方向和照明强度的每个条件来估计系数ci。

还可以从另一个人的基底图像来估计系数。这种情况是通过增加基底图像的数量来处理的。输入图像I被分成多个区，可以对每个区来估计系数。

作为另一种漫反射图像产生模型，可以使用通过测距仪得到的面部的三维形状和漫反射系数。

(5)差分图像产生单元105

如步骤4中所示，差分图像产生单元105根据从漫反射图像产生单元103输出的漫反射图像I~和输入图像I产生差分图像I’，如图7所示。使用漫反射图像I~的每个像素值I~(x，y)和输入图像I的每个像素值来计算差分图像I’的每个像素值I’(x，y)。

I′(x，y)＝I(x，y)- I(x，y)              (3)

其中差分图像I’的像素值I’(x，y)具有负值的区域对应于输入图像I中的阴影区，并且其中差分图像I’的像素值I’(x，y)具有正值的区域对应于输入图像I中的镜面反射区。如前面所述的，差分图像I’的像素值I’(x，y)指示输入图像I的照明条件和反射分量上的差别。

(6)权重计算单元106

如在步骤5中指示的，权重计算单元106通过使用从差分图像产生单元105输出的差分图像I’来计算将被分配给加权高斯滤波器的权重。

权重通过将与高斯滤波器的中心或原点坐标相对应的关注像素的照明条件和与高斯滤波器的周围坐标相对应的像素的照明条件相比较来确定。

例如，当与高斯滤波器中心相对应的关注像素的坐标是(x0，y0)时，权重W(x，y)由式(4)确定。

$W(x,y)=\frac{1}{1+\mathrm{\α}|I^{\′}(x,y)-I^{\′}(x_0,y_0)|}---\left(4\right)$

其中，α表示任意系数，|·|表示绝对值。

下面将描述式(4)的含义。当与高斯滤波器的中心坐标相对应的关注像素(x0，y0)的像素值I’(x0，y0)和周围像素(x，y)的像素值I’(x，y)之间的差值变得更大时，周围像素与关注像素之间的照明条件或反射分量的差变得更大；从而，被分配给周围像素的权重变得更小。

例如，在关注像素属于漫反射区，并且其周围像素属于阴影区的情况下，关注像素和周围像素的照明条件彼此是非常不同的，因此，差值变大，而要被分配给周围像素的权重变小。

另一方面，在关注像素属于漫反射区，并且其周围像素也属于漫反射区的情况下，照明条件是相同种类的。这样，差值变小，并且将被分配给周围像素的权重变大。

(7)加权高斯滤波器应用单元107

如在步骤6中指示的，加权高斯滤波器应用单元107使用由权重计算单元106输出的权重W(x，y)，将加权高斯滤波器应用于从目标检测单元102输出的输入图像I，并输出平滑图像S。S(x，y)指平滑图像S上的像素(x，y)的像素值。

当平均值为0、并且方差为σ2时，高斯函数G(x，y)由式(5)定义。

$G(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \left(\frac{-(x^2+y^2)}{{2\mathrm{\σ}}^2}\right)---\left(5\right)$

加权高斯滤波器(W(x，y)G(x，y))通过式(6)被应用于输入图像I。

S(x，y)＝(W(x，y)G(x，y))*I(x，y))        (6)

$=\∫\∫\frac{1}{1+\mathrm{\α}|I^{\′}(u,v)-I^{\′}(x,y)|}G(x-u,y-v)I(u,v)\mathrm{dudv}---\left(7\right)$

其中，“*”指卷积。

(8)滤波处理单元108

如在步骤7中指出的，滤波处理单元108使用从加权高斯滤波器应用单元107输出的平滑图像S，并将式(8)的处理应用于从目标检测单元102输出的输入图像I。

$\hat{R}(x,y)=\frac{I(x,y)}{S(x,y)}---\left(8\right)$

顺便提一下，虽然特征图像由其中“^”被放在“R”上面的符号表示，但是因为该符号在说明书中不能被表示出来，所以特征图像将由“R^”表示。R^(x，y)表示特征图像R^上的像素(x，y)的像素值。在滤波处理之后的图像就成为特征图像R^，并且通过光栅扫描该特征图像，输入向量被转换。在式(8)中，当S(x，y)接近0时，特征图像R^的像素值R^(x，y)具有极大的值并且变得不稳定。这样，特征图像R^可以根据其中引入了用于抑制异常值的函数的式(9)获得。

$\hat{R}(x,y)=f\left(\frac{I(x,y)}{S(x,y)}\right)---\left(9\right)$

作为f(·)，逻辑斯蒂(logistic)函数或对数函数被使用。

(9)辨识单元109

如在步骤8中指示的，辨识单元109通过估计从滤波处理器单元108输出的输入向量与预先注册的词典向量之间的距离，并通过使用例如最相邻分类法或辨识技术，来辨识人。

还可以通过使用模式识别的子空间方法或者类似方法来进行辨识。

(10)第一实施例的有利效果

在该实施例的目标识别装置100中，即使在面部图像中产生阴影区的情况下，人的面部固有的并且未被照明变化影响的特征量也被提取；这样，实现了高精确度的面部识别。

(第二实施例)

下面将参照图3描述第二实施例的目标识别装置200。

(1)目标识别装置200的结构

图3示出了目标识别装置200的结构。

目标识别装置200包括图像输入单元201、目标检测单元202、漫反射图像产生单元203、目标模型存储单元204、差分图像产生单元205、反射分量判断单元206、像素值替换单元207、差分图像校正单元208、权重计算单元209、加权高斯滤波器应用单元210、滤波处理单元211以及辨识单元212。

顺便提一下，图像输入单元201执行与图像输入单元101相同的处理；目标检测单元202执行与目标检测单元102相同的处理；漫反射图像产生单元203执行与漫反射图像产生单元103相同的处理；目标模型存储单元204执行与目标模型存储单元104相同的处理；差分图像产生单元205执行与差分图像产生单元105相同的处理。

此外，权重计算单元209进行与图1中的权重计算单元106相同的处理；加权高斯滤波器应用单元210执行与图1中的加权高斯滤波器应用单元107相同的处理；滤波处理单元211执行与图1中的滤波处理单元108相同的处理；辨识单元212执行与图1中的辨识单元109相同的处理。

(2)反射分量判断单元206

反射分量判断单元206使用从差分图像产生单元205输出的差分图像I’的像素值I’(x，y)，判断输入图像I每个像素(x，y)的反射分量。当差分图像I’的像素值I’(x，y)具有正值并且超过阈值时，输出的结果是：像素是镜面反射区。

(3)像素值替换单元207

像素值替换单元207将已经在反射分量判断单元206中被输出作为镜面反射区的输入图像I的像素值I(x，y)替换为从周围像素插值的像素值，或者将其替换为从漫反射图像产生单元203输出的漫反射图像I~的像素值I~(x，y)。

为了防止在输入图像I中替换后的像素值变得与周围像素的像素值不连续，可以使用输入图像I和漫反射图像I~的加权线性组合。

当差分图像I’上像素的像素值很小时，大的权重被分配给输入图像I上的对应的像素；并且当差分图像I’上的像素的像素值很大时，大权重被分配给漫反射图像I~上的对应的像素。

(4)差分图像校正单元208

差分图像校正单元208将已经在反射分量判断单元206中被输出作为镜面反射区的差分图像I’的像素值替换为预定值(例如0)。

(5)第二实施例的有利效果

在该实施例的目标识别装置200中，即使在面部图像中产生阴影区和镜面反射区的情况下，对识别有效的固有特征也被提取；这样，实现了高精确度的面部识别。

(第三实施例)

下面将参照图4描述第三实施例的目标识别装置300。

图4示出了目标识别装置300的结构。目标识别装置300包括图像输入单元301、目标检测单元302、目标模型选择单元303、目标模型存储单元304、漫反射图像产生单元305、差分图像产生单元306、权重计算单元307、加权高斯滤波器应用单元308、滤波处理单元309以及辨识单元310。

图像输入单元301执行与图1中图像输入单元101相同的处理；目标检测单元302执行与图1中的目标检测单元102相同的处理。

目标模型选择单元303估计从目标检测单元302输出的面部图像的面部方向，并从存储在目标模型存储单元304中的多个漫反射图像产生模型中选择合适的模型。存储在目标模型存储单元304中的漫反射图像产生模型是分别用于不同面部朝向和不同面部部分的模型。

漫反射图像产生单元305使用由目标模型选择单元303选择的漫反射图像产生模型，并执行与图1中的漫反射图像产生单元103相同的处理。

差分图像产生单元306执行与图1中的差分图像产生单元105相同的处理；权重计算单元307执行与图1中的权重计算单元106相同的处理；加权高斯滤波器应用单元308执行与图1中的加权高斯滤波器应用单元107相同的处理；滤波处理单元309执行与滤波处理单元108相同的处理；并且辨识单元310执行与图1中的辨识单元109相同的处理。

在该实施例的目标识别装置300中，即使在面部图像的面部朝向不仅仅朝向前方而且朝向各种方向的情况下，对变化的照明有鲁棒性的固有特征也被提取；这样，实现了高精确度的面部识别。

(第四实施例)

下面将参照图5描述第四实施例的目标识别装置400。

(1)目标识别装置400的结构

图5示出了目标识别装置400的结构。

目标识别装置400包括图像输入单元401、目标检测单元402、漫反射图像产生单元403、目标模型存储单元404、差分图像产生单元405、权重计算单元406、微分处理单元407、加权高斯滤波器应用单元408、滤波处理单元409和辨识单元410。

顺便提一下，图像输入单元401执行与图1中图像输入单元101相同的处理；目标检测单元402执行与图1中的目标检测单元102相同的处理；漫反射图像产生单元403执行与图1中的漫反射图像产生单元103相同的处理；目标模型存储单元404执行与图1中的目标模型存储单元104相同的处理；差分图像产生单元405执行与图1中的差分图像产生单元105相同的处理；权重计算单元406执行与图1中的权重计算单元106相同的处理。此外，辨识单元410执行与图1中的辨识单元109相同的处理。

(2)微分处理单元407

微分处理单元407取得输入图像的关注像素与其周围像素之间的差以除去噪声。当可以假设在关注像素附近产生均匀的噪声时，噪声可以通过例如式(10)而被除去。

$\hat{I}(x,y)=|I(x,y)-I(x,y+1)|---\left(10\right)$

替代式(10)，可以使用差分高斯滤波器、通过应用离散傅立叶变换的带通滤波器等。

当假设在关注像素附近的像素处的镜面反射分量的值也是均匀的时，镜面反射分量可以通过类似方法除去；换句话说，当假设局部区域内的像素具有相同的镜面反射分量值时，像素区的法线方向在局部区域内也是均匀的，并且视点是无限远的点。但是，这限于其中观察值落在相机动态范围中的情况。

(3)加权高斯滤波器应用单元408

加权高斯滤波器应用单元408使用从权重计算单元406输出的权重，并将加权高斯滤波器应用于从微分处理单元407输出的微分输入图像。

加权高斯滤波器W(x，y)G(x，y)通过式(11)被应用于差分图像I~(x，y)。

$S(x,y)=\left(W(x,y)G(x,y)\right)*\hat{I}(x,y))---\left(11\right)$

其中，|·|表示绝对值，*表示卷积。

(4)滤波处理单元409

滤波处理单元409使用从加权高斯滤波器应用单元408输出的平滑图像，并将式(12)的处理应用于从微分处理单元407输出的图像。

$\hat{R}(x,y)=\frac{\hat{I}(x,y)}{S(x,y)}---\left(12\right)$

为了除去特征图像R^中的异常值，可以执行使用像素值平均值和方差的阈值处理。通过光栅扫描特征图像R^进行到特征向量的转换。

(5)第四实施例的有利效果

在该实施例的目标识别装置400中，在照明条件很坏(如在黑暗环境中)的情况中产生的相机系统的噪声被除去，对变化的照明有鲁棒性的固有特征被提取，实现了高精确度的个人辨识。

(修改的实施例)

本发明不限于上述实施例，而是可以在不脱离本发明要点的范围内有各种变化。

一般地，本发明可以被应用于使用图像的目标识别。例如，本发明不仅可以应用于人的面部，而且可以应用于其图像可以被捕获的各种实际目标。

滤波处理之后且从滤波处理单元108输出的图像可以被存储在护照等中，并且可以用于人的识别。

此外，替代加权高斯滤波器，可以使用任何加权平滑滤波器。例如，线性滤波器或由COSⁿ(n＞2)定义的滤波器可以被用作平滑滤波器。

Claims (18)

1、一种图像处理装置，包括：

权重计算单元，被配置以计算加权平滑滤波器的权重；

第一滤波器单元，被配置以通过将加权平滑滤波器应用于输入图像来产生平滑图像；以及

第二滤波器单元，被配置以通过将输入图像每个像素的像素值除以平滑图像的对应的像素的像素值，来获得特征图像，

其中，权重计算单元包括：

(1)漫反射图像产生单元，被配置以通过使用具有漫反射分量作为主要分量的模型来产生漫反射图像，该漫反射图像近似输入图像，以及

(2)差分图像产生单元，被配置以产生漫反射图像与输入图像之间的差分图像，并且

权重计算单元比较差分图像中每个关注像素与其周围像素的像素值，来计算权重，其差值越大，周围像素的权重越小。

2.根据权利要求1的图像处理装置，还包括：

反射分量判断单元，被配置以通过使用差分图像上与输入图像上的每个像素相对应的像素的像素值来判断输入图像上的每个像素是否属于镜面反射区；

像素值替换单元，被配置以通过使用漫反射图像上与已经被判断属于镜面反射区的每个像素相对应的像素的像素值来修改或替换已经被判断是镜面反射区的每个像素的像素值，并获得替换后的输入图像；以及

差分图像校正单元，被配置以校正差分图像上所述对应的像素的像素值，并获得校正后的差分图像，所述对应的像素对应于已经被判断为属于镜面反射区的每个像素，

其中，权重计算单元使用校正后的差分图像来计算权重，并且

第一和第二滤波器单元使用替换后的输入图像来分别获得平滑图像和特征图像。

3.根据权利要求1的图像处理装置，还包括目标模型选择单元，用于估计输入图像的目标的方向，并根据所估计的方向选择模型。

4.根据权利要求1的图像处理装置，还包括微分处理单元，用于通过将微分滤波器应用于输入图像以获得微分输入图像，

其中，第一和第二滤波器单元使用微分输入图像来分别获得平滑图像和特征图像。

5.根据权利要求1的图像处理装置，其中，权重计算单元获得加权平滑滤波器上的关注像素与其周围像素的像素值之间的另一个差值，来计算权重，所述另一个差值越大，周围像素的权重越小。

6.根据权利要求2的图像处理装置，其中，像素值替换单元将已经被判断为属于镜面反射区的每个像素的像素值替换为漫反射图像上对应的像素的像素值；或者将其替换为从漫反射图像上对应的像素周围的像素的像素值通过进行插值而得到的值。

7.根据权利要求1的图像处理装置，其中，加权平滑滤波器是加权高斯滤波器。

8.根据权利要求1的图像处理装置，其中，从目标出现在其上的特征图像上辨识目标。

9.根据权利要求1的图像处理装置，其中，权重计算单元使用包括差分图像上的关注像素的区域中的多个像素作为周围像素。

10.一种图像处理方法，包括：

计算加权平滑滤波器的权重；

通过将加权平滑滤波器应用于输入图像来产生平滑图像；以及

通过将输入图像上每个像素的像素值除以平滑图像上对应的像素的像素值，来获得特征图像，

其中，计算权重的步骤包括：

通过使用具有漫反射分量作为主要分量的模型来获得近似输入图像的漫反射图像，

产生漫反射图像与输入图像之间的差分图像，以及

比较差分图像中每个关注像素与其周围像素的像素值，来计算权重，其差值越大，周围像素的权重越小，以及

给周围像素分配随着差值的增加而减小的权重。

11.根据权利要求10的图像处理方法，还包括：

通过使用差分图像上与输入图像上每个像素相对应的像素的像素值来判断输入图像上每个像素是否属于镜面反射区；

通过使用漫反射图像上与已被判断为属于镜面反射区的每个像素对应的像素的像素值，来改变或替换已被判断为属于镜面反射区的每个像素的像素值，以获得替换后的输入图像；

校正差分图像上所述对应的像素的像素值，以获得校正后的差分图像，所述对应的像素对应于已经被判断为是镜面反射区的每个像素；

通过使用校正后的差分图像来计算权重；

通过使用替换后的输入图像来产生平滑图像；以及

通过将替换后的输入图像上每个像素的像素值除以平滑图像上对应的像素的像素值，来获得特征图像。

12.根据权利要求10的图像处理方法，还包括：估计输入图像上的目标的方向；以及根据所估计的方向选择模型。

13.根据权利要求10的图像处理方法，还包括：

将微分滤波器应用于输入图像以获得微分输入图像；

将加权平滑滤波器应用于微分输入图像以获得平滑图像；以及

将微分输入图像上每个像素的像素值除以平滑图像上对应的像素的像素值，以获得特征图像。

14.根据权利要求10的图像处理方法，所述计算权重的步骤包括：获得加权平滑滤波器上的关注像素与其周围像素的像素值之间的另一个差值，来计算权重，所述另一个差值越大，周围像素的权重越小。

15.根据权利要求11的图像处理方法，所述改变或替换包括：将已经被判断为属于镜面反射区的每个像素的像素值替换为漫反射图像上对应的像素的像素值；或者将其替换为从漫反射图像上对应的像素周围的像素的像素值进行插值获得的值。

16.根据权利要求10的图像处理方法，其中，所述加权平滑滤波器是加权高斯滤波器。

17.根据权利要求10的图像处理方法，其中，从目标出现在其上的特征图像中辨识目标。

18.根据权利要求10的图像处理方法，其中，在所述权重的计算中使用包括差分图像上的关注像素的区域中的多个像素作为周围像素。

Images