图像处理与计算机视觉在诸多领域有着广泛的应用,图像中阴影的存在会造成目标物体的变形和特征信息丢失等一系列问题,为图像处理中的目标检测与跟踪等带来不可避免的影响。本文重点以自然光照条件下获取的街道、地面、行人等数字图像为数据集,针对图像阴影的检测与去除问题,利用数字图像处理和机器学习等理论,提出了一种基于多特征融合与自适应方向跟踪滤波器阴影检测算法,重点研究了邻近区域匹配与光照补偿阴影去除算法,有效解决了图像中的阴影检测与去除问题。论文主要研究工作如下。阴影图像预处理。考虑到导向滤波器结合了平滑和锐化两种图像增强技术的优点,本文首先利用导向滤波器把所要处理的图像进行保边平滑预处理;其次,考虑到不同的颜色空间表征不同的信息特点,为了获得不同颜色空间中的信息,将保边平滑后的图像转换到灰度、LAB以及ILL颜色空间中,以便后续提取特征信息;在此基础上,利用Canny边缘检测算法检测图像中物体和阴影的边缘,完成对图像的预处理。提出了一种基于多特征融合与自适应方向跟踪滤波器阴影检测算法。针对阴影边缘检测精度低的问题,本文利用光照强度特征,不同颜色空间特征以及高阶统计学特征等7种特征数据相融合的方法,构造了一个新的特征向量,用于表征阴影与非阴影特征;同时,为了提高阴影检测的精度,在Canny边缘检测的基础上,提出了一种自适应方向跟踪滤波器,该方法的优点是能沿着物体和阴影边缘的变化方向,自动地改变滤波器窗口的形状,使提取的特征信息量更加有效,在此基础上选择多层感知机实现对边缘的分类。通过大量的仿真实验与不同方法进行比较,表明该方法具有最佳的阴影检测效果。邻近区域匹配与光照补偿阴影去除算法研究。针对阴影去除问题中如何最大限度的保留图像原始信息问题,提出了分水岭算法与区域生长法相结合的方法,来计算阴影区域与非阴影区域;同时为了将阴影与非阴影区域相匹配,引入了邻近区域匹配算法,有效的解决了两者的匹配;最后通过引入光照补偿算法,将匹配到的非阴影区域光照信息提供给阴影区域,来有效地实现阴影去除。通过大量数据计算仿真,表明该算法比其他常见阴影去除算法效果更好。