申请/专利权人：湖南师范大学

申请日：2019-04-08

公开（公告）日：2022-11-29

公开（公告）号：CN109978798B

主分类号：G06T5/00

分类号：G06T5/00

优先权：

专利状态码：失效-未缴年费专利权终止

法律状态：2024.04.16#未缴年费专利权终止;2022.11.29#授权;2019.07.30#实质审查的生效;2019.07.05#公开

摘要：本发明公开了一种基于图像梯度稀疏性的重影反射去除方法，包括构建重影反射模型；将重影反射模型转换为重影反射变分模型；对重影反射变分模型进行求解；对模型结果以图片的方式输出，得到最终的重影反射去除后的图像。本发明方法在去除图像反射的同时，能够很大程度上缩短了算法的处理时间，尽可能的保留图像的结构，纹理等细节信息，以获得更好的综合性能。

主权项：1.一种基于图像梯度稀疏性的重影反射去除方法，包括如下步骤：S1.构建重影反射模型；S2.将步骤S1得到的重影反射模型转换为重影反射变分模型；S3.对步骤S2得到的重影反射变分模型进行求解；S4.对步骤S3得到的模型结果，以图片的方式输出，得到最终的重影反射去除后的图像。

全文数据：基于图像梯度稀疏性的重影反射去除方法技术领域本发明具体涉及一种基于图像梯度稀疏性的重影反射去除方法。背景技术反射重影图像是由与图像传感器在同一侧的物体的光通过玻璃反射进入图像传感器所产生的，生活中常见于拍摄玻璃橱窗，在室内用相机透过玻璃拍摄室外的场景。从物理学角度上看，当光线从一种媒介进入另外一种媒介时，一部分光线必然会发生反射。如何利用数学物理知识将反射重影图像中这一部分反射光线描述出来，并且将反射图像与透射图像分离，成为计算机视觉领域亟待解决的问题。图像复原是图像处理以及计算机视觉的基础课题，大量研究人员对这一问题展开深入研究。在拍摄的反射图像中，常见的反射类型：单层反射，双层反射及多层反射。针对去除反射的方法有多图像输入去反射，基于单图像输入去反射，基于简单场景下利用其局部特征进行反射分离。上述方法以不同的侧重点建立模型，构造算法，在进行反射分离的同时，不同程度的保留了部分无法识别的反射，丢失了本身所需要的信息。同时，此类方法不适用于常见的双层重影反射。发明内容本发明的目的在于提供一种能够尽可能的保留原始图像的结构、相对简单且效果较好基于图像梯度稀疏性的重影反射去除方法。本发明提供的这种基于图像梯度稀疏性的重影反射去除方法，包括如下步骤：S1.构建重影反射模型；S2.将步骤S1得到的重影反射模型转换为重影反射变分模型；S3.对步骤S2得到的重影反射变分模型进行求解；S4.对步骤S3得到的模型结果，以图片的方式输出，得到最终的重影反射去除后的图像。步骤S1所述的重影反射模型，具体为采用如下算式作为重影反射模型：g＝u+Hs式中g为观测图像且g∈RMN×1，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，H为双层反射卷积矩阵且H∈RMN×MN。步骤S2所述的将步骤S1得到的重影反射模型转换为重影反射变分模型，具体为采用最小化总变分的方法分离反射图像，从而得到重影反射变分模型。所述的重影反射变分模型，具体为采用如下算式作为重影反射变分模型：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs。步骤S3所述的对步骤S2得到的重影反射变分模型进行求解，具体为采用迭代加权最小二乘法对步骤S2得到的重影反射变分模型进行求解。所述的对步骤S2得到的重影反射变分模型进行求解，具体为采用如下步骤进行求解：A.将u＝g-Hs带入步骤S2的重影反射变分模型得到：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs；B.将步骤A中的变量进行变量替换得到：式中Z1＝Rxg-Hs，Z2＝Ryg-Hs，Z3＝Rxs，Z4＝Rys；C.根据p范数的定义，将步骤B的模型转换为：式中W为对角矩阵且其对角元素ε为正参数；D.采用迭代加权最小二乘法，对步骤C的模型进行求解，得到模型的最优性条件如下式所示：E.对上述的线性方程组求解，从而得到最优解s；F.利用公式u＝g-Hs得到重影反射去除后的图像u。本发明提供的这种基于图像梯度稀疏性的重影反射去除方法，对含有双层重影反射图像的两层反射之间的平移距离及光线衰减系数进行估计，得到反射平衡矩阵，再对反射分离模型利用图像梯度稀疏性得到最优化方程，最后通过求解最优化方程得到透射图像与反射图像的一个近似估计；因此本发明方法在去除图像反射的同时，能够很大程度上缩短了算法的处理时间，尽可能的保留图像的结构，纹理等细节信息，以获得更好的综合性能。附图说明图1为本发明方法的方法流程示意图。图2为本发明方法的实施例一的对比效果示意图。图3为本发明方法的实施例二的对比效果示意图。具体实施方式如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于图像梯度稀疏性的重影反射去除方法，包括如下步骤：S1.构建重影反射模型；在日常生活中，当隔着一层透明玻璃拍摄景物时，通常拍摄到的图片存在玻璃反射，而且会有第二层反射在第一层反射的基础上发生平移与衰减的问题；假设平移距离以及衰减量已知，因此可以通过优化得到所需的去反射图像；根据该类反射的独特性，可以得到如下反射模型式中g∈RM×N，u∈RM×N，s∈RM×N，h表示双层反射卷积核。在实际处理过程中，上式可以用矩阵向量的形式描述出来，则以上反射模型可转化为g＝u+Hs式中g为观测图像且g∈RMN×1，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，H为双层反射卷积矩阵且H∈RMN×MN；S2.将步骤S1得到的重影反射模型转换为重影反射变分模型，具体为采用最小化总变分算法分离反射图像；在具体实施时，由于步骤S1中得到的反射模型是病态的，且满足该方程的解有很多种；但可以发现，有反射的图像的总变分比无反射的图像的总变分大，因而图像梯度具有稀疏性；因此利用最小化总变分的方法可以有效地分离反射；步骤S1中反射模型可转化为如下变分模型：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs；S3.对步骤S2得到的重影反射变分模型进行求解，具体为采用迭代加权最小二乘法对步骤S2得到的重影反射变分模型进行求解；A.将u＝g-Hs带入步骤S2的重影反射变分模型得到：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs；B.将步骤A中的变量进行变量替换得到：式中Z1＝Rxg-Hs，Z2＝Ryg-Hs，Z3＝Rxs，Z4＝Rys；C.根据p范数的定义，对于向量x有：其中W为对角矩阵，且其对角元素为因此，将步骤B的模型转换为：式中W为对角矩阵且其对角元素ε为正参数，本文中ε＝1×10-3；D.采用迭代加权最小二乘法，对步骤C的模型进行求解，得到模型的最优性条件如下式所示：E.对上述的线性方程组求解，从而得到最优解s；在具体实施时，需要重复步骤A～E多次，才能得到较为理想的效果；F.利用公式u＝g-Hs得到重影反射去除后的图像u；S4.对步骤S3得到的模型结果，以图片的方式输出，得到最终的重影反射去除后的图像。如图2和图3所示，为本发明方法的效果示意图：图2-1为原始图片，图2-2为使用本文方法在p＝0.2情况下反射图像，图2-3为使用本文发明方法去反射的图像；图2-4为Shih的方法输出的反射图像，图2-5为Shih的方法输出的去反射图像。图3-1为原始图片，图3-2为使用本文方法在p＝0.55情况下反射图像，图3-3为使用本文发明方法去反射的图像。图3-4为Shih的方法输出的反射图像，图3-5为Shih的方法输出的去反射图像。此外，本发明方法与Shih的方法，在处理图2和图3中的原始图像中，两者的处理时间对比如下表1所示：表1处理时间对比示意表本专利方法的耗时Shih的方法的耗时图21784.4713796.46图3158.831132.34通过图2、图3和表1可以看到，本发明方法无论在处理效果上，还是处理耗时上，均优于现有的方法。

权利要求：1.一种基于图像梯度稀疏性的重影反射去除方法，包括如下步骤：S1.构建重影反射模型；S2.将步骤S1得到的重影反射模型转换为重影反射变分模型；S3.对步骤S2得到的重影反射变分模型进行求解；S4.对步骤S3得到的模型结果，以图片的方式输出，得到最终的重影反射去除后的图像。2.根据权利要求1所述的基于图像梯度稀疏性的重影反射去除方法，其特征在于步骤S1所述的重影反射模型，具体为采用如下算式作为重影反射模型：g＝u+Hs式中g为观测图像且g∈RMN×1，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，H为双层反射卷积矩阵且H∈RMN×MN。3.根据权利要求1或2所述的基于图像梯度稀疏性的重影反射去除方法，其特征在于步骤S2所述的将步骤S1得到的重影反射模型转换为重影反射变分模型，具体为采用最小化总变分算法分离反射图像，从而得到重影反射变分模型。4.根据权利要求3所述的基于图像梯度稀疏性的重影反射去除方法，其特征在于所述的重影反射变分模型，具体为采用如下算式作为重影反射变分模型：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs。5.根据权利要求1或2所述的基于图像梯度稀疏性的重影反射去除方法，其特征在于步骤S3所述的对步骤S2得到的重影反射变分模型进行求解，具体为采用迭代加权最小二乘法对步骤S2得到的重影反射变分模型进行求解。6.根据权利要求5所述的基于图像梯度稀疏性的重影反射去除方法，其特征在于所述的对步骤S2得到的重影反射变分模型进行求解，具体为采用如下步骤进行求解：A.将u＝g-Hs带入步骤S2的重影反射变分模型得到：式中为求取u和s的最小值，为p范数，0＜p＜1，Rx为图像水平方向的差分算子矩阵，Ry为图像竖直方向的差分算子矩阵，u为重影反射去除后的图像且u∈RMN×1，s为反射图像且s∈RMN×1，u＝g-Hs；B.将步骤A中的变量进行变量替换得到：式中Z1＝Rxg-Hs，Z2＝Ryg-Hs，Z3＝Rxs，Z4＝Rys；C.根据p范数的定义，将步骤B的模型转换为：式中W为对角矩阵且其对角元素ε为正参数；D.采用迭代加权最小二乘法，对步骤C的模型进行求解，得到模型的最优性条件如下式所示：E.对上述的线性方程组求解，从而得到最优解s；F.利用公式u＝g-Hs得到重影反射去除后的图像u。

百度查询： 湖南师范大学 基于图像梯度稀疏性的重影反射去除方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD