人工智能阴影检测和去除，实现一种基于反射的阴影检测和去除方法摘要：阴影是图像的一个常见方面，当不被检测到时，它影响场景理解和视觉处理。我们提出了一种基于反射率的简单而有效的方法来检测单个图像中的阴影。图像首先被分割，并且基于反照率、光照和纹理特征，片段对被识别为阴影和非阴影对。所提出的方法在两个公开可用且广泛使用的数据集上进行了测试。尽管需要更少的参数，但我们的方法比以前报道的方法实现了更高的阴影检测。我们还通过重新照亮检测到的阴影区域中的像素来显示无阴影图像的结果。人工智能阴影检测与去除，实现一种基于反射的阴影检测与去除方法简介：阴影无处不在。它们是在光线被物体部分或完全阻挡时形成的。阴影提供有关图像中光的方向[1]、场景几何和场景理解[2]的信息，并且对于跟踪视频中的对象至关重要[3]。它们也是航拍图像的组成部分[4]。然而，阴影也会使目标检测、特征提取和场景解析等任务复杂化[5]。已经提出了许多方法来检测图像和视频中的阴影。在本文中，我们专注于检测彩色图像中的阴影。随着最近数据驱动方法的蓬勃发展，基于机器学习的方法已被应用于检测阴影。在[5]中，使用由2490个参数组成的条件随机场来检测灰度图像中的阴影，使用强度、偏度、纹理、梯度相似度等特征。在[7]中，由1000个参数组成的卷积神经网络用于检测阴影。在[6]中，边缘周围的强度信息用于检测阴影边界。在[8]中，首先对图像进行分割，然后使用各种分类器通过相互比较不同的片段来检测颜色和纹理相似的区域。人工智能阴影检测和去除，实现基于反射的阴影检测和去除方法贡献：在本文中，我们提出了一种基于非训练的阴影检测方法，与以前的方法相比，它需要更少的参数，实现了高精度[8]，[5]、[7]。我们与[8]的不同之处在于用于比较区域的特征和分类器以及使用这些比较来获得阴影掩模的方法。每个表面都有两个特征：反射率和纹理。当阴影投射在表面上时，其照度会降低，但反照率保持不变。由于光照的减少，纹理信息会丢失一些。通过检查表面，很难判断它是否因阴影或阴影的影响而变暗。图1给出了一个例子。通过相互比较表面，我们可以更有把握地检测阴影。因此，通过根据图像的反射率、纹理和光照属性将图像的不同区域配对，我们可以有效地检测阴影。人工智能阴影检测和去除，实现基于反射的阴影检测和去除方法阴影检测：我们的目标是根据图像的反射率、纹理和光照属性对图像的不同区域进行分组。为了将具有相似属性的像素分组到不同区域，我们首先使用高斯核大小为9的Quickshift方法[11]对图像进行分割。我们的假设是单个片段应包含具有相似反照率和光照的像素。图2显示了分割结果的示例。在以下小节中，我们将解释如何设计反照率、纹理和光照分类器以将每个片段标记为阴影或非阴影。亮度分类器：当直射光被部分或完全阻挡时形成阴影，从而具有较低的照度。照度的降低取决于Ld和Le的相对强度。照明强度的大幅下降使阴影变暗。为了构建一个有效的亮度分类器，我们需要能够检测到照明度的下降，并能够将这种下降归因于光线障碍而不是某些噪声。为了对此建模，我们将查看LAB颜色空间中所有像素的亮度值。我们计算LAB空间中所有段的中值亮度，并计算中值亮度值的直方图。直方图的峰值给出了图像中明显照明区域数量的估计。然后，我们根据图像与峰值的接近程度对图像进行分组，从而将图像分割成多个区域。同一区域内的片段没有进行比较，因为它们具有相似的光照强度，而来自不同组的片段被允许进行比较以检测阴影。此步骤很有用，因为它自适应地将剪辑分组到具有相似照明的区域。该图显示了根据强度将段分组为区域的示例。除了分组标准外，对于要着色的非着色对的??两个片段，它们在LAB空间中的中值强度T的比率必须高于1.2的阈值，以避免将片段与相似光照进行比较。T可以是1到1之间的任意值，越接近1，两段光照强度越接近。与具有相似光照强度的片段相比，阴影非阴影对将具有高T值。TextureClassifier：由于阴影和相应的非阴影段具有相同的材质，因此它们的纹理特征会相似。然而，由于阴影部分的光照强度降低，一些纹理信息丢失了。为了捕捉这种现象，我们寻找它们之间的纹理相似性，前提是它们的T不是很高，因为如果它高得多，纹理信息就会丢失。我们计算两个片段的纹理贴图直方图之间的地球移动距离[12]并将其设置阈值以找出两个片段是否具有相似的纹理。但是，如果T大于2.4，我们不比较它们的纹理相似度，因为阴影区域由于光照的减少丢失了大量的纹理信息。实现：在本小节中，我们将描述如何使用上述三个分类器来检测阴影非阴影线段对。使用上面讨论的反照率、纹理和亮度分类器将每个片段与其相邻片段进行比较。如果所有分类器都将该对标记为阴影非阴影对，则存储连接。我们使用这些连接来连接更多的段。对于每个阴影-非阴影对，我们获取阴影部分的所有未分类邻居，并使用上述分类器将它们与非阴影部分进行比较。我们为他们重复这个过程的邻居，他们也是影子碎片。这样的片段不会在第一次迭代中被检测到。为了将它们连接到已经标记的影子段，我们使用从初始连接获得的信息重复该过程。该过程如图5所示。人工智能阴影检测和去除，实现基于反射的阴影检测和去除方法结论：我们提出了一种简单有效的阴影检测方法，需要的参数很少。反照率、光照和纹理特征将片段对识别为阴影非阴影对。实验结果表明，我们的方法对于检测阴影是有效的，但在识别非阴影方面的准确性较低。检测到的阴影对和非阴影对之间的连接用于成功去除测试图像中的阴影。
