کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968966 1449844 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
User-assisted image shadow removal
ترجمه فارسی عنوان
حذف سایه تصویر کاربر کمک شده
ترجمه چکیده
این مقاله روش جدیدی را برای کمک به بافت برای حذف سایه از تصاویر تک نیاز به ورودی کاربر ساده ارائه می دهد. در مقایسه با پیشرفته ترین، الگوریتم ما ارائه می دهد تعامل کاربر انعطاف پذیر ترین برای تاریخ و تولید دقیق تر و قوی حذف سایه تحت ارزیابی کامل کمی. ماسک های سایه ابتدا با تحلیل سکته های مشخص سایه مشخص شده توسط کاربر مشخص می شوند. پروفایل های شدت نمونه با فاصله و طول متغیر در اطراف مرز سایه بعد مشخص می شوند، که مانع از دست رفتن آثار ناشی از مرزهای ناهموار می شود. نویز بافتی در نمونه ها با استفاده از فیلتر دوجانبه گروه محلی حذف می شود و مقادیر اولیه سایه کوچک با استفاده از یک منحنی بسته بندی به نمونه های شدت برآورد می شوند. اشتباهات باقی مانده در مقیاس های ضعیف تخمینی با همکاری گروه محلی حذف می شوند. برای تسکین تصویر، یک مقیاس مقیاس متراکم با نقاشی های مقیاس نازک تولید می شود. در نهایت، اصلاح رنگ تدریجی برای حذف آثار هنری به دلیل پردازش پسزمینه تصویر اعمال می شود. با استفاده از داده های ارزیابی پیشرفته، ما کمی و کیفی روش ما را نشان می دهیم تا شیوه های پیشروی سایه پیشرو در حال حاضر را بهتر کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
This paper presents a novel user-aided method for texture-preserving shadow removal from single images requiring simple user input. Compared with the state-of-the-art, our algorithm offers the most flexible user interaction to date and produces more accurate and robust shadow removal under thorough quantitative evaluation. Shadow masks are first detected by analysing user specified shadow feature strokes. Sample intensity profiles with variable interval and length around the shadow boundary are detected next, which avoids artefacts raised from uneven boundaries. Texture noise in samples is then removed by applying local group bilateral filtering, and initial sparse shadow scales are estimated by fitting a piecewise curve to intensity samples. The remaining errors in estimated sparse scales are removed by local group smoothing. To relight the image, a dense scale field is produced by in-painting the sparse scales. Finally, a gradual colour correction is applied to remove artefacts due to image post-processing. Using state-of-the-art evaluation data, we quantitatively and qualitatively demonstrate our method to outperform current leading shadow removal methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Image and Vision Computing - Volume 62, June 2017, Pages 19-27
نویسندگان
, ,