自然光圖像反射分量分離

張瀟云,鄒北驥,2?，李玲芝，向 遙,2

(1.中南大學 信息科學與工程學院, 湖南 長沙 410083; 2．中南大學 移動醫(yī)療教育部-中國移動聯(lián)合實驗室, 湖南 長沙 410083)

自然光圖像反射分量分離

張瀟云1,鄒北驥1,2?，李玲芝1，向 遙1,2

(1.中南大學 信息科學與工程學院, 湖南 長沙 410083; 2．中南大學 移動醫(yī)療教育部-中國移動聯(lián)合實驗室, 湖南 長沙 410083)

針對傳統(tǒng)方法不能直接去除自然光圖像高光的問題，提出了一種基于多通道梯度一致性的反射分量分離方法.首先依據(jù)多通道梯度一致性檢測同質高光像素、并構建反射分量分離張量.然后用反射分量分離張量對圖像梯度進行變換，將其分解為鏡面反射分量梯度和漫反射分量梯度.最后從漫反射分量梯度重構出估計的漫反射分量.實驗結果表明該算法可直接去除自然光圖像高光而不需預先估計光源色度，簡化了自然光圖像反射分量分離過程，并能更準確地去除歸一化圖像的高光.

算法; 計算機視覺;彩色圖像處理;圖像增強;梯度方法

高光是一種常見的自然現(xiàn)象.非均質物體表面的高光是鏡面反射分量和漫反射分量的線性組合[1].一方面，鏡面反射分量與物體表面的幾何形狀、光源位置和觀察角度有關，可以為估計圖像光源色度、物體識別等[2-3]提供有用的信息.另一方面，許多計算機視覺算法(如目標檢測、識別、跟蹤等[4-5])都假設物體表面只包含漫反射分量，把高光當成噪聲，高光的出現(xiàn)會使這些算法產生錯誤的結果.此外，計算機圖形學中的紋理合成假設紋理的光照是均勻、不包含高光的.因此，鏡面反射分量和漫反射分量的分離是計算機視覺、計算機圖形學等領域的重要研究內容.

Artusi等[6]對眾多的反射分量分離研究進行了分析和總結，并將這些研究工作分為基于多張圖像的方法和基于單張圖像的方法.

基于多張圖像的方法是對同一場景、不同光源或不同觀察視角下采集的多張圖像進行反射分量分離.Nayar等[7]用偏振鏡和高光像素周圍的漫反射像素的顏色信息去除圖像中的高光.這種方法能準確地分離復雜紋理圖像的反射分量.Yang等[8]假設同一場景、相同光源、不同位置采集的多張(至少兩張)圖像是光源色度一致的，并基于此估計光源色度、去除圖像中的高光.Agrawal等[9-10]用一張環(huán)境光下采集的圖像和一張閃光燈下采集的圖像作為輸入圖像，根據(jù)環(huán)境光圖像梯度對閃光燈圖像梯度進行仿射變換以去除閃光燈圖像中的高光.基于多張圖像的方法能分離反射分量，但這類方法存在的一些問題限制了它的應用范圍.這些問題包括：獲取同一場景的多張圖像、多張圖像的匹配、需要增加偏振鏡等額外的硬件設備、很難調出最大和最小偏振角等.

因此，研究者們對單張圖像反射分量分離方法展開研究.Klinker等[11]發(fā)現(xiàn)單色圖像的漫反射像素和高光像素在RGB色彩空間中形成“T”型，用凸多邊形擬合可分離這兩種分量.但物體的幾何形狀、表面粗糙度等因素會使高光像素簇的形狀變得扭曲，因此不能準確地估計出光源色和去除圖像高光.

文獻[12-14]通過變換原圖像得到無高光圖像(Specular-free image)，然后參照無高光圖像用迭代的方式逐步地去除圖像高光.這些方法生成無高光圖像和迭代的具體方法不同.其中出現(xiàn)最早、影響最大的是文獻[12]，文中提出了反射分量分離算法框架、specular-to-diffuse機制和無高光圖像等思想.許多研究工作[13-17]都在此基礎上展開.文獻[13]提出了一種無高光兩通道圖像(a specular-free two-band image，以下簡稱SFTB圖像)，并用SFTB圖像分離兩種反射分量.Yang等[14]用SFTB圖像的最大色度作為參照圖像，用雙邊濾波器估計出最大漫反射色度，然后基于specular-to-diffuse機制實時地去除圖像高光.這種方法在計算速度和圖像質量方面都有很大的進步.Zou等[15]和Hyeongwoo等[16]將暗通道先驗(dark channel prior[18])用于圖像反射分量分離，但基于暗通道先驗的方法只適用于深色物體表面.Shen等[17]用亮度比例和色度空間的聚類方法去除圖像高光.這些方法能相對有效地分離歸一化圖像中的反射分量，但它們都假設輸入圖像是已標準化的歸一化圖像(光源色為純白的圖像).

日常生活中常見的是在自然光下采集的、沒有經過歸一化處理的自然光圖像.文獻[6，12]指出，現(xiàn)實世界中幾乎不存在光源色為純白的自然光圖像.通常，反射分量分離方法都假設顏色恒?；惴軠蚀_地估計出圖像的光源色，用估計的光源色將圖像轉化為歸一化圖像.顏色恒?；惴ㄊ且粋€復雜、正在研究的問題[19]：基于底層信息的顏色恒?；惴ㄒ蕾囉谒惴▍?shù)的選擇，基于學習的顏色恒常化算法依賴于訓練數(shù)據(jù)的選擇，不同的顏色恒?；惴ü烙嫵龉庠瓷鞑幌嗤琜20].如果光源色估計不準確將無法得到正確的歸一化圖像和反射分量分離結果[12].

本文根據(jù)同質高光像素(占圖像高光區(qū)的絕大部分)的梯度特征——多通道梯度一致性(CCGC，Cross Channel Gradient Coherence)直接分離自然光圖像的反射分量而不需用顏色恒?；惴A先估計光源色度.首先用雙色反射模型和大量高光像素的統(tǒng)計數(shù)據(jù)分析、驗證CCGC.然后根據(jù)CCGC構造反射分量分離張量，并用這個張量對圖像梯度進行變換，將圖像梯度分解為鏡面反射分量梯度和漫反射分量梯度.最后從漫反射分量梯度重構出估計的漫反射分量，實現(xiàn)歸一化圖像和自然光圖像的反射分量分離.

此外，本文算法只對高光像素梯度進行變換，能保持漫反射像素不變；由于本文算法是在梯度域進行處理，可有效避免在高光區(qū)域和漫反射區(qū)域之間產生偽邊界.

和其他同類方法一樣[12-17]，本文算法假設圖像中物體表面是彩色的而且不包含飽和像素.

1 雙色反射模型

根據(jù)雙色反射模型[1]，非均質物體(塑料、木質物品、織物等絕緣體)表面的高光是漫反射分量和鏡面反射分量的線性組合：

(1)

Ic(p)=md(p)Λc(p)+ms(p)Γc,c∈{r,g,b}

(2)

(3)

2 基于多通道梯度一致性的反射分量分離

根據(jù)圖像像素是否在高光區(qū)域內，可將像素分為高光像素和漫反射像素兩類.其中高光像素同時包含了漫反射分量和鏡面反射分量；而漫反射像素只包含漫反射分量.在此分類的基礎上，按像素梯度的長度大小可將圖像像素分為：同質漫反射像素(屬于顏色相同的漫反射區(qū)域、梯度小)、同質高光像素(屬于高光覆蓋的、漫反射色度相同的區(qū)域、梯度大)、邊界高光像素(位于高光覆蓋的邊界區(qū)域、梯度大)、邊界漫反射像素(位于無高光覆蓋的邊界區(qū)域、梯度大).

本文算法的輸入圖像I既可以是歸一化圖像也可以是自然光圖像，算法的目標是：將圖像I分解為漫反射分量ID和鏡面反射分量IS.

本文算法包括3個步驟(如圖1所示)：根據(jù)同質高光像素的梯度特征——多通道梯度一致性(第2.1節(jié))檢測出同質高光像素；基于此建立反射分量分離張量D，用D對輸入圖像梯度▽I進行變換，將同質高光像素的鏡面反射分量梯度▽ISHomo分離出來(第2.2節(jié))；然后根據(jù)同質高光像素的鏡面反射分量梯度▽ISHomo，用插值的方法估計出邊界高光像素的鏡面反射分量梯度▽ISEdge；最后從輸入圖像梯度▽I中減去▽ISHomo和▽ISEdge，得到漫反射分量梯度▽IDEst，從漫反射分量梯度▽IDEst重構出估計的漫反射分量(第2.3節(jié)).

圖1 本文方法流程圖

2.1 多通道梯度一致性

根據(jù)雙色反射模型的分析和實驗觀察，發(fā)現(xiàn)自然光圖像和歸一化圖像的同質高光像素RGB3個通道的梯度長度和方向是相似的.本文將這一特征命名為多通道梯度一致性(CCGC).

圖像中梯度較大的像素可能是同質高光像素或邊界像素(包括邊界高光像素和邊界漫反射像素).同質高光像素和邊界像素的區(qū)別是同質高光像素RGB3個通道的梯度長度和方向是相似的，而邊界像素RGB通道的3種梯度差異較大.同質區(qū)漫反射色度幾乎是相等的，同質高光像素的梯度主要是鏡面反射分量引起的.鏡面反射色度與光源色度相同[12]，自然光圖像中的高光從視覺上看是白色的，自然光圖像光源色的RGB分量很接近.自然光圖像和歸一化圖像的同質高光像素RGB3個通道的梯度長度和方向是相似的.圖2(a)是一張高光圖像，圖2(b)是圖2 (a)中一個同質高光區(qū)域和一個邊界區(qū)域的梯度放大圖，梯度圖中每個方格表示一個像素，每個像素的RGB3個通道各有一個梯度.RGB3個梯度分別用3種不同寬度的線表示.為了使圖更清晰，只顯示部分像素的梯度.從圖2(b)上方的同質高光區(qū)域梯度放大圖可以看出，同質高光像素RGB通道中梯度長度和方向是相似的；而圖2(b)下方的邊界區(qū)域梯度圖中，邊界像素RGB通道的梯度長度和方向呈現(xiàn)較大的差異.

(a) 文獻[17]中的高光圖像“wood”(b)局部同質高光區(qū)域RGB梯度長度、方向基本一致(上)；局部邊界區(qū)域RGB通道梯度長度、方向差異較大(下)(寬度從小到大的箭頭分別表示RGB通道的梯度)

為了描述RGB通道中梯度長度和方向的相似程度，本文定義最大梯度長度比φmax和最大梯度方向差δmax.最大梯度長度比φmax定義為RGB3個通道的梯度長度兩兩之間的比值中的最大值(式(4))；最大梯度方向差δmax是RGB3個通道的梯度角度兩兩之差的最大值(式(5))：

(4)

δmax=max{(θc(p)-θc1(p)),

(θc1(p)-θc(p))}

(5)

其中‖▽c(p)‖是像素p在通道c的梯度長度，θc(p)表示像素p在通道c的梯度方向，c∈{r,g,b},c1∈{{r,g,b}-c}.自然光圖像和歸一化圖像中的高光看起來都是白色而且亮度逐漸增加，同質高光像素RGB3個通道的梯度的大小、方向是相似的，所以φmax(p)≤Tmag而且δmax(p)≤Tdir.

2.1.1 歸一化圖像的多通道梯度一致性

(6)

2.1.2 自然光圖像的多通道梯度一致性

自然光圖像高光從視覺上看是白色的，同質高光像素RGB 3個通道的梯度長度和方向是相似的.為了驗證自然光圖像同質高光像素具有多通道梯度一致性，從網絡上隨機選取300張自然光圖像，其中同質高光像素個數(shù)約為134 200個，非同質高光像素(不包括RGB梯度長度都小于0.005的像素，因為這些是同質漫反射像素、梯度方向不穩(wěn)定[10])約為136 000個 .分別計算這兩類像素最大梯度長度比φmax和最大梯度方向差δmax,并比較這兩類像素的統(tǒng)計特征.

圖3(a)和(b)分別是這兩類像素RGB通道的最大梯度長度比φmax的概率分布圖和累積分布圖；圖3(c)和(d)分別是這兩類像素RGB通道的最大梯度方向差δmax的概率分布圖和累積分布圖.其中虛線表示同質高光像素，實線表示非同質高光像素.如圖3(a)所示，同質高光像素RGB3個通道梯度長度差異很小，概率分布的最高峰在1.17，而非同質高光像素的梯度長度差異比較大，概率分布的最高峰在2.7.在圖3(b)中，80%的同質高光像素的φmax都小于2，而φmax小于2的非同質高光像素像素為15%.如圖3(c),(d)所示，同質高光像素RGB梯度角度差異很小，概率分布的高峰在20°之前，80%的同質高光像素的δmax小于22°；非同質高光像素的RGB梯度角度差異都較大，δmax小于22°的非同質高光像素小于20%.以上數(shù)據(jù)表明，自然光圖像同質高光像素RGB梯度大小和方向是相似的，而非同質高光像素RGB梯度的差異較大.因此，自然光圖像的同質高光像素具有多通道梯度一致性，CCGC能檢測出自然光圖像的同質高光像素.

φmax(a)同質高光像素和非同質高光像素的φmax的概率分布圖

φmax(b)同質高光像素和非同質高光像素的φmax的累積分布圖

δmax/(°)(c)同質高光像素和非同質高光像素的δmax的概率分布圖

δmax/(°)(d)同質高光像素和非同質高光像素的δmax的累積分布圖

2.2 反射分量分離張量

令Gσ為輸入圖像I的結構張量[9]：

(7)

其中v1,v2是特征向量;λ1,λ2是特征值且λ1≥λ2.對于圖像的同質區(qū)域λ1=λ2=0；對于圖像的邊界λ1>0且λ2=0，λ1對應的特征向量v1表示像素所在的邊界方向(即梯度方向).

反射分量分離張量D是一種基于Gσ和CCGC建立起來的結構張量，構建方法如下：

(8)

令μ1=1,μ2=1，u1=v1,u2=v2；根據(jù)CCGC，如果一個像素滿足φmax(p)

(9)

對于非同質高光像素，μ1=1,μ2=1，梯度大小保持不變.

用反射分量分離張量D對輸入圖像的梯度▽I進行如下變換，能將輸入圖像梯度▽I分解為同質高光像素的梯度▽ISHomo和非同質高光像素的梯度▽IEdge：

▽IEdge=D·▽I

(10)

▽SHomo=▽I-▽IEdge

(11)

2.3 邊界高光像素

高光像素的亮度在局部范圍內是平滑變化的[16].本文算法根據(jù)同質高光像素的鏡面反射分量梯度▽▽▽ISHomo估計其周圍的邊界高光像素鏡面反射分量梯度▽ISEdge.

(12)

▽IDEst=▽I-▽ISHomo-▽▽ISEdge

(13)

由漫反射分量的梯度▽IDEst積分，得到本文估計的漫反射分量IDEst.

3 實驗與分析

為驗證本文算法，分別對歸一化圖像和自然光圖像進行實驗.歸一化圖像主要來自于文獻[12, 14, 17, 21]，自然光圖像來自于網絡.目前最快和最有效的反射分量分離方法是文獻[14, 17]方法，因此對這兩種方法和本文算法的實驗結果進行了比較.

3.1 歸一化圖像

反射分量分離算法估計出的漫反射分量相對于輸入圖像，顏色發(fā)生了改變.圖像質量評價研究表明對于顏色發(fā)生改變的圖像可以從顏色一致和結構一致兩個方面來衡量圖像的質量[22].因此本文用顏色相似度CS(ID,IDEst)和結構相似度SS(ID,IDEst)來評價估計的漫反射分量的圖像質量.CS(ID,IDEst)和SS(ID,IDEst)的值越高說明標準的漫反射圖像ID與估計的漫反射圖像IDEst的顏色與結構越相似.

圖4是紋理簡單的圖像，文獻[14, 17]和本文算法都能去除圖像中的高光.文獻[14]的方法提高了圖像的整體亮度，圖4(c)右上方的局部放大圖顯示圖像的青綠色的漫反射像素已被改變；圖4(d)的局部放大圖顯示文獻[17]的實驗結果高光像素和漫反射像素之間有明顯界限；圖4(e)中本文算法估計的漫反射分量和標準漫反射分量(圖4(b))最接近，既保留了漫反射像素的原貌又去掉了高光，漫反射像素區(qū)域和高光區(qū)之間沒有產生偽邊界.

圖5是紋理復雜而且高光覆蓋的邊界較多的圖像.圖5(c)中，文獻[14]的方法在左上側的黑色區(qū)域產生了明顯的噪聲；右上角的局部放大圖顯示文獻[14, 17]的方法有一部分高光沒有被去掉(圖5(c)(d))；本文算法(圖5(e))較好地去掉了這部分高光，顏色和標準的漫反射分量基本一致，如表1所示顏色相似度和結構相似度都高于文獻[14, 17]的方法.

(a)輸入圖像“fruit”[17]；(b)標準的鏡面反射分量[17]； (c)文獻[14]的漫反射分量；(d)文獻[17]的漫反射分量； (e)本文算法的漫反射分量

(a)輸入圖像“cups”[17]； (b)標準的鏡面反射分量[17]； (c)文獻[14]的漫反射分量；(d)文獻[17]的漫反射分量； (e)本文算法的漫反射分量

表1比較了文獻[14, 17]和本文算法實驗結果的顏色相似度和結構相似度.表1表明，本文算法實驗結果的顏色相似度和結構相似度都是最高的.文獻[14, 17]的方法都不需檢測高光像素，優(yōu)點是速度快，可能帶來的問題是這些方法會對圖像進行全局處理，漫反射像素也會不可避免地被改變，從而降低了結構相似度.本文算法根據(jù)CCGC特征，檢測出同質高光像素，只對高光像素進行處理，從而較好地保留漫反射像素的原貌.此外，本文算法主要修改鏡面高光像素的梯度，所以不會在漫反射像素區(qū)域和高光區(qū)域之間產生明顯的偽邊界，從而實現(xiàn)漫反射像素區(qū)域和高光區(qū)域之間自然過渡.

3.2 自然光圖像

實驗中的自然光圖像主要來自于網絡.自然光圖像沒有標準的漫反射圖像，主要從視覺外觀上比較文獻[17]和本文算法的實驗結果.圖6是多張自然光圖像的反射分量分離結果.文獻[17]的方法擅長于分離歸一化圖像中的反射分量，但在處理自然光圖像時會在高光區(qū)域產生很多黑色噪聲(如圖6(b)所示).這主要是因為自然光圖像的光源色不是純白色.自然光圖像高光從視覺上看是白色的，實際上光源色RGB分量不相等，同質高光像素3個通道的梯度大小和方向會發(fā)生小范圍的偏移，但仍然是相似的.自然光圖像的同質高光像素具有CCGC特征.本文算法用CCGC能正確地檢測出這些像素，對高光像素的梯度進行變換，從而準確估計出漫反射分量(如圖6(c)所示).

表1 文獻[14, 17]和本文實驗結果的顏色相似度和結構相似度

(a) 輸入的自然光照圖像； (b)文獻[17]估計的漫反射分量；(c)本文算法估計的漫反射分量.用文獻[2]估計第(a)列圖像的光源色度從上到下分別為(0.446,0.346,0.527),(0.412,0.27,0.329),(0.166 7,0.324 5,0.160 4),(0.283 3,0.245 6,0.534 7)

通過實驗比較和第2.1.2節(jié)的分析可知，最大梯度長度比φmax的閾值取Tmag=2，最大梯度方向差δmax的閾值為Tdir=22得到的實驗結果最優(yōu).

本文算法用Matlab實現(xiàn)，在 2.8GHz雙核CPU和8GBRAM的PC上運行，每張圖像(小于640*500)計算時間在0.7s到4.5s之間.運行時間比文獻[14, 17]的方法稍長，這是因為本文算法主要基于梯度，從梯度重構圖像需要更多的時間.在梯度域分析和分離反射分量，能夠有效地去除自然光圖像中的高光，而不需要進行顏色恒?；A處理；同時能避免產生漫反射像素區(qū)域和高光區(qū)域之間的偽邊界，實現(xiàn)漫反射像素區(qū)域和高光區(qū)域的自然過渡，提高了估計的漫反射分量的圖像質量.在今后的工作中將進一步研究如何提高算法的運行效率.

4 結 論

本文提出一種可直接分離單張歸一化圖像和自然光圖像反射分量的方法.本文分析、驗證了歸一化圖像和自然光圖像同質高光像素具有多通道梯度一致性(CCGC)，并基于此構造反射分量分離張量，用于對圖像梯度進行變換，分離兩種反射分量.本文算法基于同質高光像素的物理特征，從梯度的角度實現(xiàn)歸一化圖像和自然光圖像的反射分量分離.實驗表明本文算法不僅能直接去除自然光圖像高光而不需預先用顏色恒?；惴ü烙嫻庠瓷龋喕匀还鈭D像反射分量分離過程，而且可以更準確地估計出歸一化圖像中漫反射分量.本文算法的局限是不能很好地處理圖像中的飽和像素和等色像素，進一步工作包括改進本文算法以更好地處理飽和像素、等色像素和提高算法速度.

[1]SHAFERS.Usingcolortoseparatereflectioncompo-nents[J].ColorResearch&Application,1985,10(4):210-218.

[2]TANR,NISHINOK,IKEUCHIK.Illuminationchromatici-tyestimationusinginverseintensitychromaticityspace[C]//CHUCKDyer.ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition(CVPR2003).Piscataway,NJ:IEEE, 2003:673-680.

[3]NETZA,OSADCHYM,Recognitionusingspecularhighlights[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2013, 35(3): 639-652.

[4] 肖進勝,單姍姍,易本順,等.基于分區(qū)灰度投影穩(wěn)像的運動目標檢測算法[J].湖南大學學報：自然科學版,2013,40(6):96-102.

XIAOJin-sheng,SHANShan-shan,YIBen-shun,etal. Moving targets detection based on subzone gray projection video stabilization[J]. Journal of Hunan University:Natural Sciences,2013,40(6):96-102.(In Chinese)

[5] 宋曉琳,王文濤,張偉偉.基于LBP紋理和改進Camshift算子的車輛檢測與跟蹤[J].湖南大學學報：自然科學版, 2013,40(8):52-57.

SONG Xiao-lin, WANG Wen-tao, ZHANG Wei-wei. Vehicle detection and tracking based on the local binary pattern texture and improved Camshift operator[J]. Journal of Hunan University:Natural Sciences,2013,40(8):52-57. (In Chinese)

[6] ARTUSI A,BANTERLE F, CHETVERIKOV D. A survey of specularity removal methods[J]. Computer Graphics Forum,2011, 30(8): 2208-2230.

[7] NAYAR S, FANG X,BOULT T. Separation of reflection components using color and polarization[J]. International Journal of Computer Vision, 1996, 21(3):163-186.

[8] YANG Q,WANG S, AHUJA N,etal. A uniform frame- work for estimating illumination chromaticity, correspond- dence, and specular reflection[J]. IEEE Transactions on Image Processing, 2011, 20(1): 53-63.

[9] AGRAWAL A, RASKAR R, CHELLAPPA R. Edge supperssion by gradient field transformation using cross-projection tensors[C]//FITZGIBBON A. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR2006). Piscataway, NJ: IEEE, 2006: 2301-2308.

[10]AGRAWAL A, RASKAR R, NAYAR S,etal. Removing photography artifacts using gradient projection and flash-exposure sampling[J]. ACM Transactions on Graphics (TOG),2005, 24(3): 828-835.

[11]KLINKER G, SHAFER S, KANADE T. The measurement of highlights in color images[J].International Journal of Computer Vision,1988, 2(1): 7-32.

[12]TAN R, IKEUCHI K. Separating reflection components of textured surfaces using a single image[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(2): 178-193.

[13]YOON K, CHOI Y, KWEON I, Fast separation of reflection components using a specularity-invariant image representa- tion[C]//HAYES M. 2006 IEEE International Conference on Image Processing(ICIP).Piscataway,NJ:IEEE,2006:973-976.

[14]YANG Q,WANG S, AHUJA N. Real-time specular highlight removal using bilateral filtering[C]// DANIILI-DISK.Computer Vision-ECCV2010.Berlin,German: Springer,2010:87-100.

[15]ZOU B, ZHANG X, LIAO S,etal. Specularity removal using dark channel prior[J]. Journal of Information Science and Technology,2013, 29(5): 835-849.

[16]HYEONGWOO K,JIN H, HADAP S,etal. Specular reflec- tion separation using dark channel prior[C]// KELLENBERGER P. IEEE Conference on Computer Vision and Pattern Recognition (CVPR2013). Piscataway, NJ: IEEE, 2013:1460-1467.

[17]SHEN H, ZHENG Z. Real-time highlight removal using intensity ratio[J]. Applied Optics, 2013, 52(19): 4483-4493.

[18]HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[19]FOSTER D. Color constancy[J]. Vision Research, 2011, 51(7): 674-700.

[20]GIJSENIJ A, GEVERS T, WEIJER J. Computational color constancy: survey and experiments[J]. IEEE Transactions on Image Processing, 2011, 20(9): 2475-2489.

[21]GROSSE R, JOHNSON M, ADELSON E,etal. Ground truth dataset and baseline evaluations for intrinsic image algorithms[C]//MATSUYAMA T. Proceedings of the International Conference on Computer Vision (ICCV2009) . Piscataway, NJ: IEEE, 2009:2335-2342.

[22]XU W, MULLIGAN J． Performance evaluation of color correction approaches for automatic multi-view image and video stitching[C]//DAVIS L .2010 IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Piscataway, NJ: IEEE, 2010:263-270.

Reflection Components Separation for Natural Images

ZHANG Xiao-yun1, ZOU Bei-ji1,2?, LI Ling-zhi1, XIANG Yao1,2

(1. School of Information Science and Engineering, Central South Univ, Changsha，Hunan 410083,China;2. Mobile Health Ministry of Education-China Mobile Joint Laboratory, Central South Univ, Changsha, Hunan 410083,China)

The existing reflection components separation methods can not remove the specularity of natural images without estimating illumination chromaticity. To solve this problem, a cross channel gradient coherence based reflection components separation method was proposed. Firstly, homogeneous specular pixels, which consist of major portion of specular regions, were detected by using cross channel gradient coherence, and the reflection components separation tensor was constructed. Then, the reflection components separation tensor was applied to transform the image gradient, which led to the separation of the specular reflection gradient and the diffuse reflection gradient. Finally, the estimated diffuse reflection component could be reconstructed from the diffuse reflection gradient. Experiment results show that the proposed method separates reflection components for natural images without color constancy preprocessing, simplifies the specularity removal process for natural images, and removes specularity for normalized images more accurately.

algorithms; computer vision; color image processing; image enhancement; gradient methods

1674-2974(2015)02-0126-08

2014-07-19

國家自然科學基金資助項目(61173122, 61262032),National Natural Science Foundation of China(61173122,61262032)；湖南省自然科學基金資助項目(12JJ2038, 09JJ6102)；高等學校博士學科點專項科研基金資助課題(20130162120089)

張瀟云(1983-)，女，湖南長沙人，中南大學博士研究生?通訊聯(lián)系人，E-mail:bjzou@csu.edu.cn

TP391

A