原木端面图像的阴影去除算法1)

赵亚凤　任洪娥　胡峻峰

(东北林业大学，哈尔滨，150040)



原木端面图像的阴影去除算法1)

赵亚凤任洪娥胡峻峰

(东北林业大学，哈尔滨，150040)

摘要原木在堆放时其端面不在一个平面，自然光线下，凹进去的原木很容易陷入阴影中。为了准确分割原木端面图像，解决阴影消除的问题，提出了模式识别的方法。首先，提出了自适应阈值的合并解决均值漂移分割参数选择不合适引起的过分割和过合并问题；再将30维的颜色直方图和局部二进制模式(LBP)纹理直方图作为特征量，利用随机森林分类器进行训练和预测，将区域图像分为端面、阴影、背景3类；最后，利用图像增强算法进行阴影消除。对阴影消除前后的端面图像作分割，对比结果显示了此算法的有效性。

关键词自适应分割；阴影检测；阴影消除

原木端面图像分割时，由于有些原木在采伐时留下的茬口和集材、运输过程中形成的破裂，给图像分割造成了一定的困扰。特别是凸出的原木，在不同角度的太阳光照射下会在其他原木端面和空隙部分留下阴影，在利用经典图像分割算法时，阴影和背景很难区分。

正常堆放的原木，其端面必定参差不齐；凹进去的原木，在自然光照条件下，其端面会有部分截面落在其上方原木的阴影里。阴影中的端面图像与正常端面图像相比，在颜色和亮度上有很大改变[1]，原木端面不呈现理想的浅色，阴影对端面图像分割产生较大影响。阴影的存在很显著的降低图像质量，导致图像中的有用信息丢失；在边缘提取、目标识别和立体匹配中，会显著降低图像处理的效果。阴影超出了传统意义上的噪声影响，用于去噪的图像滤波和图像增强技术很难做到阴影的去除。

目前的阴影图像去除算法主要分单幅图像的阴影去除、视频图像序列的阴影消除2类。单幅图像的阴影检测和消除算法主要有基于模型的方法、基于本征图像的方法、基于统计学的方法3类[2]，基于模型和统计学的方法是目前的研究热点。基于模型的方法中，光照恒常、颜色恒常的模型是目前研究最广的一个方向，基于Retinex、ICM等模型的算法已有一些优秀的方法[3-4]；但这类算法的模型建立多依赖于经验、假设和仿真，其理论基础和算法实用性还有待提高。基于统计的阴影检测方法也是目前的研究热点[5-8]，但这类方法适用性还有待提高；虽然为了提高算法适应性，有研究者提出了单幅图像中成对区域特征匹配的训练分类器[7-8]，较单区域图像学习分类有更好的鲁棒性，但算法复杂度增加、速度较慢，不适合在线图像的阴影检测。

本文研究单幅图像的阴影消除。首先利用超像素进行端面图像分割；分割后的区域，再分析端面、阴影和背景3类图像的特征，选择合适的特征，结合分类算法，将图像区域分为端面、阴影和背景3类，并将阴影区域进行图像增强，提出适用于端面图像的阴影去除算法。

1图像预分割

原木端面图像主要包含背景、阴影、原木端面。阴影在纹理上与端面一致，但照度不同时颜色会有差别，接近背景的颜色。为了对图像进行分割，利用均值漂移法进行图像的超像素分割，将图像分割成不同区域，是阴影检测的前提。

在基于均值漂移算法的图像分割过程中，主要参数有空域带宽(hs)和光谱域带宽(hr)。参数较小时，区域数量多，容易产生过分割；参数较大时，区域数量相应减少，过分割现象减弱。取像素512×512的图片，多次修改参数后发现，hs=50、hr=15时有较好的分割效果。随机选取三幅图像，其分割结果如图1所示。

白色的实线为分割后每个区域边界，*为中心点。

由图1可见：端面边缘大致被分割出来，但部分端面的中心点并没有在理想位置，图像放大后发现，该分割结果已经产生了过合并；并且在端面和背景的交接处，产生了多个无意义的小区域，这些区域的存在，给特征提取造成了一定的困扰。由于端面图像中背景复杂，相邻的端面容易合并成一个区域，很难找到合适的约束函数得到理想的带宽完成分割。这类图像要求能将背景、阴影、端面严格区分，且距离较近的不同端面还能独立分割，给参数设置提出了很高的要求，在均值漂移分割机制下很难找出合适的参数同时满足以上要求。因此，首先对图像进行过分割，再对小区域合并，实现最终分割。

合并的思想：对初始分割后所得到的各相邻区域特征信息的综合比较，找出同时满足颜色相近与空间相邻两个原则的区域，如果它们之间连接的边缘处没有明显差异，可以将此相邻区域合并成1个整体。区域距离是决定区域合并效果的重要参数，对图像分割的最终结果产生重要的影响。对于区域i、j距离的计算，以颜色特征L、a、b计算出其颜色距离，以区域中心坐标x、y计算出其边缘距离，综合得到区域对之间的距离(d)：

(1)

式中：L(i)、a(i)、b(i)为i区域的颜色特征均值；x(i)、y(i)为i区域质心像素点位置；L(j)、a(j)、b(j)为j区域的颜色特征均值；x(j)、y(j)为j区域质心像素点位置；p为权重系数。权值p决定颜色和区域距离对合并的影响程度，为了防止2个颜色相近的端面过合并，本文中p取值0.4。

合并时，首先计算相邻区域间的距离(d)，再取整幅图中相邻区域距离平均值为阈值(t)，实现自适应合并。本文采用具有噪声的基于密度的聚类方法(DBSCAN)区域聚类，利用该方法的区域合并准则，遍历区域对并计算d值，小于t的区域对合并，否则不合并，遍历结束后完成最终分割[9]。

利用合并思想，预分割时取hs=20、hr=15，自适应合并时p=0.4，每幅图像计算得出不同的阈值。图1的3幅图像，图1a阈值为527.992 7、图1b阈值为400.507 5、图1c阈值为402.434 1。合并后区域见图2。

2区域特征选取

色彩和纹理是彩色自然图像中最重要和常见的2个特征，本文将区域颜色直方图与纹理直方图结合起来完成训练和分类操作。

本文选择Lab颜色空间，其中L为亮度分量，值域由0到100；a、b为色彩分量，值域均为+127～-128。将L、a、b在各自的颜色空间分成10个较小的且互不重叠的通道，某个区域中第i个通道在L、a、b分量所占的比例表示为分布密度pLi、pai、pbi。

(2)

式中：Li为区域中亮度值在第i个通道的所有像素点个数；ai、bi为a、b分量对应的结果；N为通道数，本文中取N=10。相同纹理的阴影与非阴影区域比较，非阴影区域在L通道有更高的分布密度，但在a、b通道排列一致。

纹理特征选取局部二进制模式(LBP)纹理直方图作为一种常用算子，可以对图像局部纹理特征进行提取。经典的LBP算子选取3×3像素区域，利用外围8个像素点的灰度值与中心位置的像素进行比较，灰度值大于中心像素的外围像素所在位置用1来进行标记，反之则标记为0，算子描述为：

(3)

式中：L(xc,yc)为图像坐标中(xc,yc)对应点的LBP值，gc为点(xc,yc)的像素值；gp为邻域像素值；S(x)描述x是否大于零。

为了在完整描述纹理的同时减小特征维数，使LBP具有旋转不变性，OjalaTetal[10]在LBP的基础上提出了一种支持旋转不变性的纹理特征算子，利用3×3像素区域，可表示为：

LRi(xc,yc)=minR(LRi(xc,yc))，i=0、1、2、…、7。

(4)

式中：R(LRi(xc,yc))表示对LBP的8位二进制数右移i位，i从0到7中取值。该LBP可将维数降低为36维，这种降维操作会丢失纹理的方向信息，但本文无需统计纹理方向，该降维操作对分类结果无不良影响。

图2　自适应合并效果

图2a分割后共有78个区域，每个区域颜色直方图在L、a、b各10维，取这些区域中共有端面区域31个，阴影区域9个，剩下的为背景。对这3类图像，任取9个区域分析其L、a、b颜色特征(见图3～图5)。取L、a、b三维图像的旋转不变LBP纹理直方如图6所示。

图3L分量特征图4a分量特征

由图3～图5可见：L特征分量上3类图像有明显的区别，不同类的图像，颜色分布、比例大小都不相同，且端面图像和阴影图像有很强的类间相似性，但背景图像因为组成复杂，类间一致性不强。a分量3类图像有着相同的特点。b分量端面图像在颜色分布上不同于阴影和背景，端面图像的颜色主要分布在第7维，阴影和背景主要分布在第6维，且阴影的第5维分量很小，与背景有不同的特点。

由图6可见：端面图像纹理信息较丰富，2个方向的36×3维的特征中，端面纹理表现出很强的一致性，在108维的特征中，分布比较均匀，呈现较强的规律性；背景图像由于纹理信息较少，在LBP直方图中表现出几个特定维数的LBP较强，其他较弱的趋势，也有很强的一致性；阴影区域本身面积较小，纹理信息统计中没有很强的一致性，尽管同一类区域的直方图没有阴影和端面的统一特征，但该类区域的LBP直方图与另外2类图像的直方图差异较大，也很容易区分。

图5b分量特征图6LBP纹理直方图

3阴影检测及消除

实验用图片是大兴安岭贮木场系列图片，将其裁剪为像素512×512的图像库，共60幅图片。训练之前，根据分割的结果，手动标注3类图像并计算特征形成训练数据库。60幅图像共提取端面区域1 384个、阴影区域517个、背景区域1 670个，利用这些区域数据根据经典随机森林分类器进行3种图像的分类。

决策树的数量为500，随机选择692个端面、259个阴影、835个背景区域用于训练，剩余的区域用于测试；3类图像的混淆矩阵见表1，分类准确率为95.35%。

表1　原始数据混淆矩阵

注：准确率为95.35%。

阴影区域的样本数明显少于端面、背景区域，阴影区域被混淆的概率也随之增大，样本最少的阴影混淆概率最大。而本文主要检测图像中的阴影区域，有必要对数据进行改善，以提高总的分类准确度。作者对阴影和断面利用三次多项式插值的方式对样本进行扩充，端面、阴影数量都扩充到1 670个，用其中的一半数据进行训练，测试结果的混淆矩阵见表2，分类准确率为97.01%。

表2　插值后混淆矩阵

注：准确率为97.01%。

可见插值后的数据，其分类准确率较插值前有所提高。检测到的阴影，利用MSR(Mluti-scaleRetinex)图像增强算法进行阴影消除[11]。利用Retinex算法的颜色一致性原理，阴影消除后的像素点r、g、b三通道颜色值变为：

Mn(x,y)]}。

(5)

式中：N为尺度；权重wn=1/N；i为r、g、b三个颜色通道；Mn(x,y)=Kn×exp(-(x2+y2)/σ2)，σ为高斯分布的标准方差。N取15、Kn取12，消除检测到的阴影，随机选取不同场景拍摄的3幅图像，处理结果见图7。分割后识别的阴影如图中深色部分所示，结果显示，MSR对于木材端面图像的阴影消除有较好的效果。

阴影消除后的端面图像(1)，进行阈值分割，提取骨架，再用分水岭的方法进行相邻区域分隔。分割结果见图8a，质心*标志、质心和标号见图8b。利用同样的图像处理步骤，对没有进行阴影消除的图像进行处理，边缘和区域中心见图9。

可见，阴影成了背景的一部分，边缘呈现缺圆的状态。分割和检测结果表明，图中的这类阴影部分影响区域个数的检测，即原木数量检测结果没有误差，但其边缘不准确，会严重影响直径的测量精度。

4结束语

提出了超像素分割和分类器识别堆积原木图像中的阴影。在图像的阴影检测和消除中，首先利用自适应合并方法，对均值漂移过分割的超像素进行自适应合并，得到端面、阴影、背景3类图像；再对3类图像提取30维颜色特征、108维的LBP纹理特征，用于随机森林的训练和预测；最后利用MSR方法消除阴影。结果标明，消除阴影后的图像有更好的分割效果，更适合于端面的根数和直径测量。

图7　阴影检测及消除结果显示

图8　阴影去除后分割和检测结果

图9　阴影去除前的分割和检测结果

[1]景林，黄习培，丁盛彬.成捆原木计算机图像检尺系统研究及应用[J].计算机应用，2006，26(S2)：137-139.

[2]田建东，王占鹏，唐延东.静态阴影检测的研究进展[J].信息与控制，2015，44(2)：215-222.

[3]SUNJ，TIANJD，DUYK，etal.Retinextheory-basedshadowdetectionandremovalinsingleoutdoorimage[J].IndustrialRobot，2009，36(3)：263-269.

[4]李成，孙路，田润澜，等.基于交叉皮质模型的单幅图像阴影检测算法[J].自动化学报，2014，40(12)：2887-2898.

[5]ZHANGHY，SUNKM，LIWZ.Object-orientedshadowdetectionandremovalfromurbanhigh-resolutionremotesensingimages[J].IEEETransactionsonGeoscienceandRemoteSensing，2014，52(11)：6972-6982.

[6]MURALIS，GOVINDANVK.ShadowdetectionandremovalfromasingleimageusingLABcolorspace[J].CyberneticsandInformationTechnologies，2013，13(1)：95-103.

[7]GUORQ，DAIQY，HOIEMD.Pairedregionsforshadowdetectionandremoval[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2013，35(12)：2956-2967.

[8]艾维丽，吴志红，刘艳丽.结合区域配对的室外阴影检测[J].中国图象图形学报，2015，20(4)：551-558.

[9]BIRANTD，KUTA.ST-DBSCAN:Analgorithmforclusteringspatial-temporaldata[J].Data&KnowledgeEngineering，2007，60(1)：208-221.

[10]OJALAT，PIETIKINENM，MENPT.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].IEEETransactionsonPatternAnalysis&MachineIntelligence，2002，24(7)：971-987.

[11]STATNIKOVA，HENAFFM，NARENDRAV，etal.Acomprehensiveevaluationofmulticategoryclassificationmethodsformicrobiomicdata[J].Microbiome，2013，1(1)：1-12.

第一作者简介：赵亚凤，女，1980年8月生，东北林业大学机电工程学院，讲师。E-mail：nefuzyf@126.com。 通信作者：任洪娥，东北林业大学信息与计算机工程学院，教授。E-mail：nefurhe@126.com。

收稿日期：2016年4月25日。

分类号TP751；TP391

GeneticAlgorithmandHomomorphicFilterforLogFaceImageProcess//

ZhaoYafeng,RenHong’e,HuJunfeng

(NortheastForestryUniversity,Harbin150040,P.R.China)//JournalofNortheastForestryUniversity，2016,44(8)：92-96.

Inthenaturalenvironment,theendsurfaceofthelogisnotinaplane,andconcavelogsalwaysfallintotheshadows.Inordertoaccuratelysegmentthelogendssurfaceandsolvetheproblemofshadowelimination,themethodofpatternrecognitionwasproposed.Adaptivethresholdmergingmethodwasproposedtosolvetheoversegmentationandovermergingproblemcausedbyinappropriatemeanshiftsegmentation.Then, 30dimensionalcolorhistogramandLBPtexturehistogramwereusedasfeathers,andarandomforestclassifierwasusedfortrainingandprediction,theregionalimageswasdividedintoface,shadowandbackground.Finally,theimageenhancementalgorithmwasusedforshadowelimination.

KeywordsAdaptive segmentation; Shadow detection; Shadow elimination

1)黑龙江省青年科学基金项目(QC2015080)。

责任编辑：张玉。