本征图像分解算法旨在将输入图像分解为反射率图和光照图,反射率图表示物体材质信息,光照图表示图像中各个位置的光照信息。在分解过程中,由于只有一个已知量,但有两个需要求解的未知量,因此本征分解算法是一个欠约束问题,需要引入更多约束帮助分解。本征图像分解在图像处理领域具有重要的应用价值,为了保证图像合成的真实性,本征分解算法分解出反射率图和光照图,首先在反射率图中插入一个物体,然后将插入后的反射率图与光照图逐像素相乘,就能保证插入物体的光照与场景光照保持一致,使其在视觉效果上更加逼真。目前,本征图像分解的研究成果非常丰富,但是大部分研究的重点都是放在光照均匀的场景上。当光照条件比较复杂的时候,分解结果将表现较差。由于现有的本征分解算法没有考虑阴影区域和高光区域的特殊性,导致部分阴影区域的材质、纹理、光照信息不能被正确分解,还可能导致高光区域的材质和纹理信息丢失的情况。针对上述问题,本文在现有算法的基础上提出了一种改进的复杂光照条件下本征图像分解算法。经过实验验证,提出的方法在视觉效果和量化结果上都有较好的表现。本文主要研究内容如下:1.为了防止阴影被当作材质的问题,本文首先使用阴影检测方法识别场景中的阴影,然后利用阴影检测生成的阴影掩码使用基于Color Line的方法对原图像进行矫正,将偏移矫正后的图像进行聚类。相同类别的像素点具有相同的材质,根据不同材质的权重信息,对原图像使用加权最小二乘优化算法进行初始的光照估计,并将光照估计的结果作为阴影约束。2.为了解决场景中的高光周围图像信息丢失问题,本文采用了随机森林的方法对高光区域进行检测。由于将标注的图像和标签直接输入到随机森林中生成的模型极占内存,并且训练的过程极其缓慢,因此本文基于超像素分割方法对输入的图像进行特征提取,在保持良好的预测效果的同时减小模型大小并加快了训练和预测的速度。3.现有本征图像分解算法倾向于将反射率层平滑稀疏导致光照层的纹理信息被归类到光照层。为了保留反射率层的纹理信息,本文基于梯度信息在迭代求解的过程中对反射率层的纹理进行保存,使反射率层的颜色和纹理在视觉上有着更好的表现。为了验证本文算法的有效性,本文分别在两个公开数据集上与近几年表现优异的算法进行了视觉效果评估与量化评估,其中反射率层和光照层分别使用IIW和SAW数据集进行评估。从视觉效果和量化来看,本文不仅在光照均匀的场景中获得了令人满意的结果,在复杂光照场景中也能有较好的表现。从视觉上效果来看,本文的分解结果优于许多近些年优秀的本征图像分解算法。最后,本文还将本征分解算法用于图像合成与颜色编辑应用中,验证了本文算法能够保证插入的和颜色编辑后的物体与场景中的光照保持一致。