]已经标记为阴影（value = 1)，则跳过不予处理；
[0127](：、若1^8111^|^]标记为非阴影区域(>31116 = 0)，贝11查找该区域的所有邻接区域；
[0128] d、若邻接区域都为非阴影区域则跳过不予处理;否则，计算区域Reglmg[p]与它的 所有邻接阴影区域之间的颜色距离。若Reglmg[p]有m个邻接的阴影区域，则m个距离构成一 个列表，记为：
[0129] L=[Di,D2,···,0"]
[0130]并计算L中所有距离值的均值D_ave_p;
[0131] e、计算距离列表DIS_L*所有值的均值和方差，分别记为D_avdPD_Std;若满足条 件：
[0132] D_ave_D_std*0·l〈D_ave_p〈D_ave+D_std*0·1
[0133] 则将Reglmg[p]标记为阴影区域(value = l)，并将L中的值添加到DIS_L中；
[0134] f、更新p = p+l，回到步骤b反复循环，直到找不到可以标记的区域为止，生长算法 结束。
[0135] (13)、整个阴影检测算法结束，分割图像Reglmg中标记为1的区域为阴影检测结 果，如图11所示。
[0136] 综上，本发明具有如下特点：1)采用阴影的多种颜色不变性特征，改善阴影检测的 效果;2)引入视觉注意模型中的有关概念和思想，将多种颜色特征组合到一起，提出阴影显 著图；3)基于超像素分割技术，对阴影检测的结果进行优化后处理。基于颜色恒常性特征和 视觉注意机制中的显著图原理，提出了一种基于多特征融合的阴影检测算法，提取了阴影 的多种颜色不变特征，并引入视觉注意模型中的有关概念和思想，将多种颜色特征组合到 一起，生成阴影显著图用于阴影的检测。
[0137] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该 了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的 技术方案，均落在本发明的保护范围内。
【主权项】
1. 基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特征在于，包括如下步骤： (1 )、对原始图像进行亮度特征提取，记为Lum; (2) 、将原始图像转换到C1C2C3颜色不变空间，提取出其中适合于阴影检测的第=个通 道，即C3成分，记为C3; (3) 、基于赫林括抗色原理，对原始图像进行STB模型变换，提取其中的蓝黄对比特征图 像，记为B_Y; (4) 、分别对上述=个特征图像Lum、C3、B_Y进行局部最大值归一化处理，得到归一化的 特征图山111'、〔3'、8_￥'； 巧）、根据归一化特征图像计算阴影显著图，记为S_Sal，计算公式为： S_Sal = Lum'*C3'*B_Y'; (6) 、采用大津阔值算法OSTlKfS_Sal进行自适应阔值二值化，获得初始阴影分割图SO， 其中值1表示为阴影，0表示为非阴影； (7) 、对原始图像进行化IC超像素分割，获得分割图像SegImg,将其中每个分割区域分 别记为Seglmg[k] ,k = 0,…，n，共获得n个区域； (8) 、将初始阴影分割图SO和化IC分割结果SegImg进行叠加，然后对SegImg分割结果进 行标记，具体如下： a、 依次取出SO分割图中值为1的像素，假设该像素位于第y行、第X列，则记为S0[y，x]; b、 若S0[y ,X]位于分割图RegImg的第k个区域Reglmg[k]，则将Reglmg[k]标记为阴影区 (Value = I)，否则将Reglmg[k]标记为非阴影区（Value = O); (9) 、对SegImg中的每个分割区域Seglmg[k]，计算其颜色均值m[k巧日重屯、位置c[k]，其 中m[k]、c[k]分别为对应的颜色向量和坐标向量： m[k] = [rk,阱，bk] c[k] = [xk,yk]； 其中，rk、阱、bk分别为第k个分割区域的红、绿、蓝颜色均值，祉、yk分别为第k个分割区域 的重屯、的X坐标和y坐标； (10) 、根据分割图像RegImg中所有分割区域的重屯、位置坐标C [k] ,k = 0,???,]!，构建 DelaunayS角网，根据DelaunayS角网信息可获得每个区域Reglmg[k]的邻接区域； (11) 、计算所有具有邻接关系的阴影区域两两之间的颜色距离，如第i个区域和第j个 区域之间的颜色距离为：将所有两两邻接阴影区域的颜色距离值存入列表DIS_L[k]，k = 0,…，m;其中ri、gi、bi 分别为第i个分割区域对应的红、绿、蓝颜色分量，分别为第j个分割区域对应的红、 绿、蓝颜色分量； (12) 、对RegImg中标记为1的阴影区域逐个进行生长算法； (13) 、整个阴影检测算法结束，分割图像RegImg中标记为1的区域为阴影检测结果。2. 根据权利要求1所述的基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特 征在于，步骤（1)中，所述原始图像为包含R，G，B =个波段的彩色图像，具体过程为:先提取 原始图的灰度图，然后将灰度图的对数倒数作为Ium特征，计算公式为： Gray= (R+G+B )/3 Lum=I .0/[5+log(Gray+l)] 其中，Gray表示灰度，第2个公式中分母中的I是为了避免对O求对数的情况，从而保证 数学运算的有效性;5是调节因子。3. 根据权利要求1所述的基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特 征在于，步骤(2)中，C1、C2、C3的具体计算公式分别为： Cl = arctan(G/max(R,B)) C2 = arctan(R/max(G,B)) C3 = arctan(B/max(R,G)) 〇4. 根据权利要求1所述的基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特 征在于，步骤(3)中，具体计算公式为： MaxC=max(R,G,B) MinC=min(R,G) B_Y =(B-MinC)/MaxC 其中，MaxC表示3个颜色分量R、G、B中的最大值，Mine表示颜色分量R、G中的较小值。5. 根据权利要求1所述的基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特 征在于，步骤(4)中，假设待归一化的特征图像为ftmap，对其进行局部最大值归一化的伪代 码如下： M=IO T=M^threshold f tmap=M*Norma1i Z e(ftmap) peaks = FindLocalMax(ftmap) num_peaks = Number(peaks) if(num_peaks= = l): f tmap = f tmap*M*M else if(num_peaks〉l): IocAvg=Mean (peaks) ftmap = ftmap*(M-locAvg)*(M-locAvg) 其中，threshold通常取值为0.1 ;Normalize()函数的作用是将整个特征图像值线性 变换到0~1.0之间;FirKlLocalMax()将查找特征图像的局部极值点，返回局部极值点列表 peaks;Numbe;r()函数的作用是计算局部极值点的个数;Mean()函数是计算所有极值点的 平均数。6. 根据权利要求1所述的基于颜色恒常性特征和视觉注意机制的阴影检测方法，其特 征在于，步骤(12)中，具体算法过程如下： 曰、初始化P = O; 13、从1?6邑1111邑中取出第口个区域1?6邑1111邑[口]，若1?6邑1111邑[口]已经标记为阴影(>曰1116 = 1)，贝11 跳过不予处理； (3、若1?6邑11]^[9]标记为非阴影区域(>31116 = 0)，则查找该区域的所有邻接区域； d、若邻接区域都为非阴影区域则跳过不予处理；否则，计算区域Reglmg[p]与它的所有 邻接阴影区域之间的颜色距离。若Reglmg[p]有m个邻接的阴影区域，则m个距离构成一个列 表，记为： L= [〇1,〇2, ...，Dm] 并计算L中所有距离值的均值D_ave_p; e、 计算距离列表015_1中所有值的均值和方差，分别记为D_ave和D_std;若满足条件： D_ave-D_std*0.l<D_ave_p<D_ave+D_std*0.1 则将Reglmg[p]标记为阴影区域(Value = I)，并将L中的值添加到DIS_L中； f、 更新P = P+1，回到步骤b反复循环，直到找不到可W标记的区域为止，生长算法结束。
【专利摘要】本发明公开了一种基于阴影的多种颜色不变性特征，引入计算机视觉领域的视觉注意机制，提出了一种新的有效的阴影检测方法，具有以下有益效果：1）根据颜色恒常性研究成果，提取了阴影的多种颜色不变性特征，采用视觉注意模型中的特征显著图模型，将多种阴影特征结合在一起，生成阴影显著图作为阴影检测的基础数据，然后基于此数据进行阴影检测；2）采用SLIC算法对图像进行超像素分割，提出基于对象的自适应阈值生长算法，对阴影检测的初步结果进行修正，从而获得更完整的阴影检测结果。
【IPC分类】G06T7/00
【公开号】CN105654467
【申请号】
【发明人】陈仁喜
【申请人】河海大学
【公开日】2016年6月8日
【申请日】2015年12月22日