一种实拍图像的高光去除方法

时间：2021-11-15 22:58:29

关键字：双色反射模型漫反射分量伽马变换高光去除

手机看文章

扫描二维码
随时随地手机看文章

[导读]摘要：根据双色反射模型，通过分离出漫反射分量的方法，获得了对图像中的高光去除的结果。同时，针对双色反射模型要求的相机响应函数必须满足线，性关系，但实际拍摄图像为非线性关系的问题，提出了基于参数自适应确定的伽马变换漫反射分离方法。实验结果表明，该方法可对实际拍摄的图像完成有效的高光去除。

引言

在一定的光照环境下，通过光线的反射可形成的光学图像因为物理表面材质的不同，经常会出现局部的高光反射区域。由于高光遮掩了物体的原有形状、颜色、纹理等特征，对目标的检测与识别都会产生很大的干扰，如人脸的高光问题是证件相片处理中的一个常见问题。

Shafer提出的双色反射模型给出了图像成像过程中，景物表面的光强分布模型。Klmker发现，在RGB颜色空间中,漫反射像素和高光像素形成一个r形分布，该分布特性一定程度地描述了高光区域的特性。Tan等人发表了一系列在色度空间上分离漫反射和高光反射分量的方法，对于颜色丰富图像的高光去除有较好的效果。但是，该方法基于相机响应为线性的假设，使得实际拍摄的大部分图像均无法获得理想的效果。为此，本文提出了基于参数自适应确定的伽马变换下的漫反射分离方法，实现对实际拍摄图像的高光去除。

1基于双色反射模型的高光去除原理

1.1双色反射模型

图1所示是双色反射模型的示意图，图像中的景物颜色是由漫反射和镜面反射分量两部分组成，镜面反射分量反映了光源的颜色，漫反射分量反映了物体本身的颜色。

图1双色反射模型

基于双色反射模型和数码相机的成像原理，图像亮度可用下式描述：

和ω（sx）是漫反射和镜面反射的权值系数；S（λ）是漫反射的光谱反射函数；E（λ）是光源的光谱能量分布函数；Ω是可见光的光谱集合。因此，这里定义的图像色度如下：

当给定图像强度U3))和光源色度(广)(通过颜色恒常法则建立)，并分离得到漫反射分量(xA后，就可得到高光去除的结果。

1.2分离反射分量

实际上，分离反射分量的方法可在一个最大色度强度空间中展开。图2所示是单色图像在最大色度强度空间上的分布图。

根据单色图像在最大色度强度空间的分布特性，Tan提出了一种分离反射分量的方法。如图3所示，考虑到高光点的像素值一般很大，所以，将高光像素点三通道的值以相同的步长迭代地减小，将每次递减的结果投影到最大色度强度空间，则符合图3中曲线的分布。这时，给定一个漫反射色度值,如图3的垂直线，则高光像素点的漫反射分量就是在交点处的值。

基于该分离反射分量原理，对色彩分布丰富的图像，首先给定同一个漫反射色度，将全图的所有像素色度均转移到该色度下，获得一幅同色度图像，根据同色度图与原图的像素差异，标记所有的高光像素。之后，对所有的高光像素通过迭代的方式，以近邻像素中的最大色度值替代后，即可得到去除高光后的漫反射分量。图4所示就是采用该方法得到的实验结果。可以看到，因为图4(a)是相机响应函数为线性函数，因此可以获得较为理想的高光去除结果，如图4(b)所示，但因为图4(c)为实际拍摄的图像，其相机响应函数为非线性函数，因此无法得到图4(d)所示的理想的高光去除效果。

2基于伽马变换的高光去除

2.1伽马变换

目前几乎所有的相机的光电转换特性，即相机响应函数都是非线性的，它们可表示为：

其中,I(x)为图像的像素值;O(x)为景物的光强;是幂函数的指数，用来衡量非线性部件的转换特性。本文采用了补偿的方法，即用伽马变换的方法获得线性的相机响应函数：

其中,I(x)是伽马变换后的值；max,(i=R,G，B)为原图的三个颜色通道的最大值。

2.2模型参数的自适应确定方法

本文根据同色度图像的分布规律，给出了参数自适应确定的方法，直接从图像中给出对『值的估计。图5所示是当参数Y的估计准确时,I(x)与。(x)为线性关系；当估计的y小于实际的值时,I(x)与。(x)的关系为图5中下面曲线的关系；而当估计的Y大于实际的值时,I(x)与。(x)的关系为图5中较上面曲线的关系。