2022计算机研究与发展-基于表面形态分布的单幅灰度图像高光检测.docxVIP

计算机研究与开展 ISSN 1000- 1239/CN 11- 1777/T P Journal o f Co mputer R esear ch and D ev elo pment 48( 1) : 169- 175, 2022 基于外表形态分布的单幅灰度图像高光检测 1, 2 马吉权 1 马培军 1 苏小红 1 ( 哈尔滨工业大学计算机科学与技术学院 哈尔滨 150001) Highlights Detection for a Single Gray- Scale Image Based on Surf ace Shape Ma Jiquan1, 2 , Ma Peijun1 , and Su Xiaohong1 1 ( Colleg e of Co mp uter Science T echnology , H ar bin I nstitute of T echnology , H ar bin 150001) 2 ( Colleg e of Co mp uter Science T echnology , H eilong j iang Univer sity , H ar bin 150080) Key words hig hlig ht detect ion; shape- fr om- shading; physical il lum inatio n m odel; simulat ed annealing; inpaint ing 摘 要 镜面高光是由明暗恢复形状算法的重大障碍, 但是对于单幅灰度图像, 由于只包含亮度信息, 现有以色度分析和极化分析为根底的高光检测方法均不能适用. 为此, 提出了一种利用外表形态分布信息检测图像高光的方法. 首先, 利用成像过程信息, 对外表法向量进行估计; 其次, 基于物理光照模型, 通过模拟退火算法最小化亮度误差函数, 计算漫反射成分和镜面反射成分; 然后, 定位高光区域; 最后, 给出了基于曲率连续性假设的约束补色方法. 通过对仿真图像和真实图像的高光检测及外表恢复, 验证了提出的算法具有良好的稳定性, 提高了镜面高光图像的外表恢复精度. 关键词 高光检测; 由明暗恢复形状; 物理光照模型; 模拟退火; 补色 中图法分类号 T P391 收稿日期: 2022- 04- 20; 修回日期: 2022- 04- 23 基金工程: 黑龙江省青年科技专项基金工程( Q C07C12) 经典的 SF S 算法以朗伯体假设为根底. 然而, 自然条件下满足朗伯体假设的实体并不存在. 一般的成像过程往往存在高光成分. 图像中的高光反映的主要是光源的特征, 却以物体外表特征的形式出现, 对计算机视觉算法是一个很大的干扰. 镜面高光会使 SFS 算法的外表恢复结果误差很大, 造成 SFS 算法难以实际应用. 为此, 发现、定位并最终移除局部高光成为解决这一问题的关键. 通过高光检测和移除, 将含有局部高光的非朗伯体图像转换为朗伯体图像, 然后再运用 SF S 方法进行三维外表形态恢复, 最终可以得到更精确的三维外表结构. SF S 算法的输入为单幅灰度图像, 除亮度信息外, 无其他的附加信息可以利用, 所以传统的高光检测方法均无能为力. 现有的高光检测方法主要是使用色度分析或者 光线的极化分析. Wo lff [ 1] 利用漫反射与高光极化特性的不同移除高光; Sat o 和 Ikeuchi[ 2] 通过分析在一个移动光源照射下采集的图像序列的颜色成分来计 算高光; N ay ar 等人[ 3] 同时利用了极化信息和颜色分析, 以此作约束来估计高光, 尽管这些方法可以得到较好的结果, 但是这些算法都需要用到图像序列, 无法在 SF S 算法中使用. K linker 等人[ 4] 通过对漫反射区域和高光区域分别作主成分分析移除单张图 像中的高光; N ovak 和 Shaf er[ 5] 从 RG B 空间中的像素分布估计外表的粗糙程度和物体的几何形状, 并以此估计高光; L ee[ 6] 提出了一个在色度空间估计光源色度的方法; 上海交通大学的谭平、杨杰等人提出了一种光照约束补色[ 7] 算法, 这些算法都是基于色度空间的, 无法检测单幅灰度图像中的高光成分. 上海大学的王超群、朱方文介绍了一种通过对图像的 亮度信息进行均衡化处理来移除单张图片中高光[ 8] 的方法, 虽然可以应用在灰度图像的高光检测和移除, 但该方法不能定位高光区域, 只是改善人对高光的视觉感受, 更为重要的是整体的亮度均衡化处理会造成非高光区域像素点的亮度失真, 从而影响SF S 算法的恢复精度. 中国科学院软件研究所的孙其民、吴恩华提出了一种基于