郭碧茹，孔韋韋，陳 斌

1.西安郵電大學(xué) 計(jì)算機(jī)學(xué)院，西安 710121

2.陜西省網(wǎng)絡(luò)數(shù)據(jù)分析與智能處理重點(diǎn)實(shí)驗(yàn)室，西安 710121

機(jī)器視覺應(yīng)用過程中涉及的檢測算法與采圖效果有很強(qiáng)的關(guān)聯(lián)性。然而，在實(shí)際場景中，由于環(huán)境光的限制，導(dǎo)致很多情況下無法獲得理想的打光效果。譬如，當(dāng)目標(biāo)物體的表面較為光滑時，可能會出現(xiàn)反光現(xiàn)象，而反光部分在圖像中通常是顯著區(qū)別于周圍顏色的高光區(qū)域，在該區(qū)域中，目標(biāo)物體原有的紋理、形狀、顏色等特征都會出現(xiàn)不同程度的減弱甚至消失。與此同時，圖像中高光區(qū)域的存在，還會直接導(dǎo)致圖像分割[1]、圖像識別[2]及特征匹配[3]過程中產(chǎn)生錯誤。因此，圖像中高光區(qū)域的存在是影響機(jī)器視覺應(yīng)用的一個重要問題，有必要研究如何去除圖像中的高光從而恢復(fù)物體的原有特征的有效方法。

針對該問題，國內(nèi)外主流解決方法大致分為兩類：基于實(shí)驗(yàn)室標(biāo)定的序列圖像高光補(bǔ)償方法[4]以及基于雙色反射模型[5]的單張圖像高光去除方法。因?yàn)榛谛蛄袌D像高光補(bǔ)償?shù)姆椒▽庠吹臄?shù)量和位置變化有要求[6]，實(shí)際情況下往往難以獲得合格的序列圖像，因此，對單張圖像的高光去除方法顯得尤為重要。

基于單張圖像的高光去除方法主要基于由鏡面反射和漫反射構(gòu)成的雙色反射模型。Shafer[5]率先提出了能夠分離鏡面反射分量的雙色反射模型。之后，Tan等[7]根據(jù)Shafer的研究，將像素點(diǎn)投射到最大強(qiáng)度色度空間，采用從鏡面到漫射機(jī)制和強(qiáng)度對數(shù)微分的方法，分離出了漫反射分量和鏡面反射分量，但在分離過程中，像素點(diǎn)色度發(fā)生了變化，從而導(dǎo)致圖像的顏色失真；鄭芝寰等[8]為解決顏色失真的問題，提出基于色度聚類的高光區(qū)域選取算法和利用MSF圖像尋找高光點(diǎn)的體色度的算法，但計(jì)算過程較為復(fù)雜；Yang等[9]基于漫反射分量的最大部分在彩色圖像中平滑變化的特性，將低通濾波器應(yīng)用到顏色分量的最大部分用于估計(jì)鏡面反射分量，該方法可以去除高光，但是對于黑色像素點(diǎn)會出現(xiàn)褪色和紋理缺失現(xiàn)象；高如新等[10]針對褪色和紋理缺失問題，將漫反射分量的像素點(diǎn)和鏡面反射分量的像素點(diǎn)加以分離，應(yīng)用雙邊濾波器對兩類像素點(diǎn)的最大漫反射色度分別進(jìn)行了估算，去除了鏡面反射分量，但由于雙邊濾波出現(xiàn)了梯度反轉(zhuǎn)，導(dǎo)致一些圖像出現(xiàn)了偽影[11]；許麗等[12]針對高光區(qū)域顏色失真和紋理缺失的現(xiàn)象，采用x-means聚類算法，在最大最小色度空間進(jìn)行像素聚類，最終將漫反射像素點(diǎn)與鏡面反射像素點(diǎn)分離，但x-means聚類算法需要用戶初始輸入最小聚類數(shù)和最大聚類數(shù)方可運(yùn)行，這導(dǎo)致聚類結(jié)果依賴于人工設(shè)定的聚類數(shù)。

在此背景下，為了防止黑色像素點(diǎn)褪色、較好地保留圖像邊緣和紋理信息、避免偽影，本文提出了一種導(dǎo)向?yàn)V波的高光去除改進(jìn)算法。該算法通過設(shè)定閾值將圖像中的黑色像素加以分離，并分別估算黑色像素和其他像素的最大漫反射色度；同時，該算法還利用導(dǎo)向?yàn)V波器保邊濾波和梯度保持的優(yōu)點(diǎn)，對最大色度圖進(jìn)行了平滑處理，最大限度地保留了圖像的邊緣和紋理，避免了偽影效應(yīng)；此外，本文在分離漫反射分量時，根據(jù)公式中分母與設(shè)定閾值的關(guān)系，將像素點(diǎn)劃分為兩類，并采用不同方法實(shí)現(xiàn)了漫反射分量的精確分離。根據(jù)實(shí)驗(yàn)結(jié)果，該算法相比于傳統(tǒng)算法，在防止黑色像素褪色、保留圖像邊緣紋理信息和避免偽影方面均表現(xiàn)出優(yōu)勢。

1 基于雙色反射的高光去除模型

本文算法基于Tan等的基于雙色反射的高光去除模型[7]。任意光線的反射能量都可以分為漫反射和鏡面反射兩種分量，不同光線中兩種分量所占的比例不同。文獻(xiàn)[5]提出，圖像中任意像素點(diǎn)的反射光線可以表示為：

文獻(xiàn)[7]對圖像中任意像素點(diǎn)的色度進(jìn)行了定義：其中，α(x)代表像素顏色有關(guān)的色度，β(x)代表漫反射色度，γ(x)代表鏡面反射色度。

同時，文獻(xiàn)[7]定義任意像素點(diǎn)的最大色度為：

定義任意像素點(diǎn)的最大漫反射色度為：

假設(shè)光源為標(biāo)準(zhǔn)白光，文獻(xiàn)[7]提出，圖像中每一個像素點(diǎn)的漫反射分量I d(x)可以表示為：

其中，αmax(x)、Imax(x)容易求出，但最大漫反射色度βmax(x)并非已知。因此，若能求解βmax(x)，便可得到每個像素點(diǎn)的漫反射分量，故圖像的高光去除問題可以簡化為每個像素點(diǎn)的最大漫反射色度βmax(x)的求取問題。

進(jìn)一步的，文獻(xiàn)[9]提出，最大漫反射色度βmax(x)可用式（7）進(jìn)行估計(jì)：

給定一幅含高光的toys圖像（圖1（a）），文獻(xiàn)[9]對每個像素點(diǎn)的最大色度加以求解，得到了toys圖像的最大色度圖（圖1（b））。設(shè)置最大漫反射色度βmax(x)的估計(jì)值為常數(shù)0.5，使用式（5）、式（6）提取出漫反射分量，然后根據(jù)所提取的漫反射分量計(jì)算最大漫反射色度，得到最大漫反射色度圖（圖1（c））。通過觀察最大漫反射色度圖不難發(fā)現(xiàn)，在表面顏色相似的局部區(qū)域，最大漫反射色度的方差非常小，具有局部平滑的特征。進(jìn)一步比較最大色度圖和最大漫反射色度圖得知，二者的區(qū)別僅在于高光部分。因此，對最大色度圖應(yīng)用低通濾波，將會平滑高光引起的方差，得到真正的最大漫反射色度βmax(x)。

圖1 文獻(xiàn)[9]的最大色度圖和最大漫反射色度圖Fig.1 Maximum chromaticity image and maximum diffuse chromaticity image of literature[9]

因而，最大漫反射色度的估算值βmax(x)所對應(yīng)的灰度圖可以作為引導(dǎo)圖來平滑最大色度圖αmax(x)，從而獲得每個像素點(diǎn)濾波后的最大色度顯然，濾波后的最大色度比αmax(x)更接近βmax(x)。然而，在平滑過程中，漫反射像素點(diǎn)也會被鏡面反射像素點(diǎn)影響，導(dǎo)致漫反射像素點(diǎn)濾波后的灰度值略低于濾波前的灰度值，即漫反射像素點(diǎn)的略小于αmax(x)。然而，由于漫反射像素點(diǎn)不包含鏡面反射分量，其最大漫反射色度值與最大色度值相等。因此，文獻(xiàn)[9]為了消除漫反射像素點(diǎn)所受到的影響，選取與αmax(x)兩者中的最大值，作為真實(shí)的最大漫反射色度值βmax(x)，即：

最后，將βmax(x)代入式（6）得到，再將代入式（5）中，可得到圖像的漫反射分量I d(x)，I d(x)即為原圖像去除高光后的圖像。

2 改進(jìn)的高光去除算法

2.1 傳統(tǒng)的圖像高光去除算法

基于第1章的分析可以得到傳統(tǒng)的圖像高光去除算法。

步驟1提取原圖像中每個像素點(diǎn)的RGB三通道值，代入式（3）計(jì)算每個像素點(diǎn)的最大色度αmax(x)，得到最大色度圖。

步驟2通過式（7）計(jì)算每個像素點(diǎn)的最大漫反射色度估算值βmax(x)，得到最大漫反射色度估算圖。

步驟3采用雙邊濾波器對最大色度圖過濾高光，并在此過程中，將最大漫反射色度估算圖作為濾波引導(dǎo)圖像，得到濾波后的最大色度

步驟4在得到每個像素點(diǎn)的濾波后的最大色度后，將其與濾波前的最大色度αmax(x)進(jìn)行比較，取較大值作為真實(shí)的最大漫反射色度值βmax(x)。

步驟5將βmax(x)代入式（6），得到，再將代入式（5）中，得到每個像素點(diǎn)的漫反射分量I d(x)，由每個像素點(diǎn)的漫反射分量I d(x)構(gòu)成的圖像即為原圖像去除高光后的圖像。

2.2 改進(jìn)的最大漫反射色度估計(jì)

通過研究發(fā)現(xiàn)，基于現(xiàn)有文獻(xiàn)所提出的算法，去除高光后的效果圖中有部分原圖像顏色為黑色的區(qū)域在去除高光后發(fā)生了褪色，且同時產(chǎn)生了光暈。文獻(xiàn)[9]和文獻(xiàn)[13]中的cups圖像的原圖像和去除高光后的效果圖如圖2所示。

圖2 文獻(xiàn)[9]、文獻(xiàn)[13]去除高光效果圖Fig.2 Highlight removal effect of literature[9]and literature[13]

在圖2（b）和圖2（c）中，女孩的頭部以及頭部以上區(qū)域由原圖像中的黑色褪色為了灰色，并產(chǎn)生了不同程度的光暈。由此發(fā)現(xiàn)，上述文獻(xiàn)在對黑色的像素點(diǎn)進(jìn)行去高光處理時出現(xiàn)了錯誤。究其原因，文獻(xiàn)[9]和文獻(xiàn)[13]在步驟2中均采用傳統(tǒng)算法計(jì)算最大漫反射色度的估算值，而傳統(tǒng)算法利用式（7）計(jì)算最大漫反射色度估算值。對于黑色的像素，RGB三通道值均較小且RGB三通道值之間差值較小，使得式（7）中分子αmax(x)-αmin(x)的值接近于0，導(dǎo)致計(jì)算出的最大漫反射色度的估算值與實(shí)際值產(chǎn)生了偏差。

因此，本文設(shè)定閾值th1∈[10,20]，即th1為區(qū)間[10，20]中的某一設(shè)定值。當(dāng)某像素點(diǎn)的三通道值中的最大值小于閾值th1時，將該像素點(diǎn)視為黑色像素。由于圖像中的高光通常接近于白光，而黑色像素三通道值中的最大值小于閾值th1，因此可以認(rèn)為黑色像素不含高光部分，即黑色像素點(diǎn)為漫反射像素點(diǎn)。漫反射像素點(diǎn)的最大漫反射色度等于像素點(diǎn)的最大色度。因此，區(qū)別于傳統(tǒng)算法，將包括黑色像素在內(nèi)的每個像素點(diǎn)的最大漫反射色度的估算值β?max(x)進(jìn)行統(tǒng)一計(jì)算，本文將黑色像素的最大漫反射色度的估算值β?max(x)置為最大色度值αmax(x)，從而避免對黑色像素的最大漫反射值產(chǎn)生錯誤估計(jì)。

漫反射像素點(diǎn)的最大漫反射色度值等于最大色度值的證明如下：

基于上述改進(jìn)的最大漫反射色度估算值的計(jì)算方法，得到本文的最大漫反射色度估算圖，并采用傳統(tǒng)算法計(jì)算得到傳統(tǒng)最大漫反射色度估算圖。本文最大漫反射色度估算圖和傳統(tǒng)最大漫反射色度估算圖如圖3所示。

圖3 本文最大漫反射色度和傳統(tǒng)最大漫反射色度估算圖Fig.3 Proposed maximum diffuse chromaticity and traditional maximum diffuse chromaticity estimation images

可以看出，相比于傳統(tǒng)的最大漫反射色度估算圖，本文對于黑色像素的最大漫反射色度的估計(jì)更為準(zhǔn)確，使得黑色像素的區(qū)域更為顯著，圖像的邊緣和細(xì)節(jié)更清晰，有利于最大漫反射色度估算圖在作為引導(dǎo)圖引導(dǎo)平滑過程時能夠更好地保留圖像邊緣和細(xì)節(jié)。

2.3 利用導(dǎo)向?yàn)V波器平滑高光

雙邊濾波器雖然能保邊濾波，但對于圖像的細(xì)節(jié)和紋理信息保留較差，且在像素點(diǎn)周圍相似亮度的像素點(diǎn)很少時，輸出亮度會變暗，引起梯度反轉(zhuǎn)，導(dǎo)致光暈偽影的出現(xiàn)。針對雙邊濾波器的缺陷，在傳統(tǒng)算法的步驟3中，本文決定采用導(dǎo)向?yàn)V波器[14]來平滑高光。

導(dǎo)向?yàn)V波器引入了一個包含導(dǎo)向圖像和輸入圖像的局部線性模型，其中，導(dǎo)向圖像作為濾波內(nèi)容圖像，對輸入圖像進(jìn)行引導(dǎo)濾波，這就保證了導(dǎo)向?yàn)V波既可以平滑噪聲，又可以保留導(dǎo)向圖像的邊緣紋理信息。同時，導(dǎo)向?yàn)V波的權(quán)值不僅取決于歐式距離，還取決于亮度差，這就避免了由于亮度差導(dǎo)致的偽影效應(yīng)。

假設(shè)導(dǎo)向?yàn)V波的輸入圖像為P，輸出圖像為q。則輸出圖像q可以表示為：

其中，I i為導(dǎo)向圖像I的像素值，ωk為濾波窗口為窗口ωk中像素點(diǎn)的個數(shù)，另外，

其中，μk和分別是導(dǎo)向圖I在窗口ωk中的均值和方差，ε是正則化參數(shù)。

為了方便對比，本文分別采用雙邊濾波器和導(dǎo)向?yàn)V波器，在相似的濾波強(qiáng)度下進(jìn)行平滑濾波，雙邊濾波的效果圖和導(dǎo)向?yàn)V波的效果圖如圖4所示。

圖4 雙邊濾波和導(dǎo)向?yàn)V波效果圖Fig.4 Result image of bilateral filter and guided filter

可以看出，圖4（a）中存在較多未被完全平滑的高光區(qū)域，如右側(cè)玩具的雙臂，同時部分漫反射像素點(diǎn)被過度平滑，如圖4（a）框選部分的物體已經(jīng)被平滑得很模糊；此外，相比圖4（b），圖4（a）的邊緣部分較為模糊。細(xì)節(jié)信息的保留程度也較差，例如在圖4（a）中，魚眼和魚尾部位的紋理相比圖4（b）顯得模糊。因此，總體上看，相比于雙邊濾波，導(dǎo)向?yàn)V波在邊緣和細(xì)節(jié)方面表現(xiàn)更好。

此外，導(dǎo)向?yàn)V波算法的時間復(fù)雜度與濾波半徑的大小無關(guān)，因此在采用較大濾波半徑處理圖像時效率更高；而采用雙邊濾波平滑高光，包括了兩個卷積運(yùn)算，時間成本較高。本文采用導(dǎo)向?yàn)V波器在運(yùn)行效率上有明顯的提升。在上述圖4的濾波處理中，雙邊濾波的處理時間為5.054 s，導(dǎo)向?yàn)V波的處理時間為0.145 s，導(dǎo)向?yàn)V波的處理效率提高了35倍。

2.4 改進(jìn)的漫反射分量計(jì)算方法

在傳統(tǒng)算法的步驟5中，將βmax(x)代入式（6）中可得到圖像的漫反射分量∑I d(x)。

在仿真實(shí)驗(yàn)過程中，當(dāng)式（6）的分母αmax(x)(3βmax(x)-1)接近于0時，得到的∑I d(x)數(shù)值相比真實(shí)值大很多。因此，本文針對漫反射分量的計(jì)算方法加以了改進(jìn)。

記f(x)=αmax(x)(3βmax(x)-1),閾值th2∈[10-6,10-4],即th2為區(qū)間[10-6,10-4]中的某個設(shè)定值。依據(jù)閾值th2將圖像中的像素點(diǎn)分為兩類，第一類像素點(diǎn)為f(x)≤th2的像素點(diǎn)，第二類像素點(diǎn)為f(x)>th2的像素點(diǎn)。

對于第一類像素點(diǎn)，因f(x)≤th2，則有f(x)→0，因此有αmax(x)→0或(3βmax(x)-1)→0。下面對αmax(x)→0和(3βmax(x)-1)→0兩種情況分別作以分析：

（1）αmax(x)→0的情況

（2）(3βmax(x)-1)→0的情況

若(3βmax(x)-1)→0，則有：

由此可得出：因?yàn)榧僭O(shè)光源為標(biāo)準(zhǔn)白光，而標(biāo)準(zhǔn)白光的色度坐標(biāo)[14]為，R為,G為B為，因此有：

由式（16）可知，該像素點(diǎn)的鏡面反射分量為0，因此，該像素點(diǎn)為漫反射像素點(diǎn)。因此，該像素點(diǎn)的三通道值的漫反射分量分別與該像素點(diǎn)的三通道值相同。

綜合上述（1）和（2）兩種情況可得出，第一類像素點(diǎn)的三通道值的漫反射分量分別與該像素點(diǎn)的三通道值相同。

對于第二類像素點(diǎn)，由于f(x)＞th2，因此可直接根據(jù)式（6）與式（5）計(jì)算漫反射分量I d(x)。

綜上，本文在傳統(tǒng)算法的步驟5中計(jì)算圖像中每個像素點(diǎn)的漫反射分量時，首先根據(jù)f(x)和th2的大小關(guān)系判斷像素點(diǎn)屬于哪一類像素點(diǎn)，然后根據(jù)像素點(diǎn)的類別采用不同方法計(jì)算該像素點(diǎn)的漫反射分量，這樣避免了在分母接近于0時對∑I d(x)的錯誤計(jì)算。

2.5 本文算法流程圖

綜合本節(jié)內(nèi)容，得到本文的圖像高光去除算法流程圖如圖5所示。

圖5 本文算法流程圖Fig.5 Flow chart of algorithm in this paper

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，本文選取目前視覺效果較好的文獻(xiàn)提出的算法加以比較。本文所使用的計(jì)算機(jī)配置為Intel64 Family 6 Model 142 Stepping 11 GenuineIntel～1 800 MHz的處理器，4 GB內(nèi)存，64位版本的Windows操作系統(tǒng)以及MATLAB R2019b軟件。

Toys圖像去除高光后的效果如圖6所示。不難看出，在圖6（c）、圖6（d）中，魚眼白部位的顏色發(fā)紅，與原圖像該位置的白色差別明顯。這是因?yàn)轸~眼白部分與魚眼珠、眼圈部分亮度差異較大，文獻(xiàn)[10]和文獻(xiàn)[13]在雙邊濾波過程中產(chǎn)生了梯度反轉(zhuǎn)，使魚眼白部分受到周邊梯度域顏色的影響產(chǎn)生了偽影。本文由于采用了導(dǎo)向?yàn)V波，魚眼白部位的顏色沒有發(fā)生偏差，與輸入圖顏色相同。并且，本文算法得出的圖像邊緣輪廓和紋理細(xì)節(jié)都更為清晰，視覺效果更好。

圖6 toys圖像去除高光效果圖Fig.6 Highlight removal effect of toys image

為了進(jìn)行更為全面的比較，本文針對masks、cups、fruits、animals四幅圖像進(jìn)行去除高光處理，并與文獻(xiàn)[11]、文獻(xiàn)[13]、文獻(xiàn)[15]得出的結(jié)果進(jìn)行了對比。

圖7給出了masks圖像去除高光后的效果圖。masks圖像包括有較多紋理?？梢钥吹轿墨I(xiàn)[13]的算法在臉部具有明顯的光暈，文獻(xiàn)[11]、文獻(xiàn)[15]臉部的高光也去除得不太徹底。綜合來看，本文算法對高光的去除較為徹底。

圖7 masks圖像去除高光效果圖Fig.7 Highlight removal effect of masks image

圖8給出了cups圖像去除高光后的效果圖?？梢钥吹?，相比于原圖像，文獻(xiàn)[11]算法得到的圖像對比度不佳；基于文獻(xiàn)[13]的算法，女孩的頭頂產(chǎn)生了光暈，產(chǎn)生光暈的原因在于該方法不能很好地處理黑色像素；此外，文獻(xiàn)[13]和文獻(xiàn)[15]右側(cè)杯子的高光去除也不徹底。本文算法女孩頭頂沒有光暈，且右側(cè)杯子的高光去除得較好。

圖8 cups圖像去除高光效果圖Fig.8 Highlight removal effect of cups image

圖9給出了fruits圖像去除高光后的效果圖。該圖像在不同水果表面上具有不同形狀的高光。可以發(fā)現(xiàn)，文獻(xiàn)[13]和文獻(xiàn)[15]對于黃色水果的高光去除得不是很徹底，本文算法在視覺效果上與真實(shí)值最為接近。

圖9 fruits圖像去除高光效果圖Fig.9 Highlight removal effect of fruits image

圖10給出了animals圖像去除高光后的效果圖?？梢钥吹接覀?cè)兔子耳朵處的高光比較難以去除。文獻(xiàn)[11]的算法高光去除得較好，但圖像紋理模糊；文獻(xiàn)[15]因?yàn)槿コ诉^多的高光導(dǎo)致線條變淡；文獻(xiàn)[13]和本文算法去除高光效果相當(dāng)，但本文色彩更接近于真實(shí)值。

圖10 animals圖像去除高光效果圖Fig.10 Highlight removal effect of animals image

本文算法與其他算法的峰值信噪比值（PSNR）對比結(jié)果如表1所示。

表1 不同算法的PSNR值對比Table 1 Comparison of PSNR of different algorithms dB

從表1可以看出，與其他算法相比，本文算法對應(yīng)的PSNR指標(biāo)表現(xiàn)最好，與視覺效果表現(xiàn)基本一致。因此，本文算法無論在主觀視覺效果還是客觀評價(jià)結(jié)果方面均優(yōu)于傳統(tǒng)算法。

本文算法與其他算法的運(yùn)行時間對比結(jié)果如表2所示。

表2 不同算法的運(yùn)行時間對比Table 2 Comparison of running time of different algorithms s

從表2可以看出，在算法運(yùn)行時間方面，本文算法的表現(xiàn)最優(yōu)。文獻(xiàn)[11]在使用x-means聚類算法過程中，需要迭代進(jìn)行2-means聚類，并計(jì)算貝葉斯信息準(zhǔn)則分?jǐn)?shù)以確定最優(yōu)分類數(shù)，從而導(dǎo)致運(yùn)行時間過長；文獻(xiàn)[13]和文獻(xiàn)[15]也涉及到聚類算法，需要多次迭代確定聚類簇，導(dǎo)致運(yùn)行時間較長。本文算法采用的導(dǎo)向?yàn)V波為時間復(fù)雜度為O(1)的快速濾波器，整體提高了運(yùn)行效率，使得本文算法適用于實(shí)時處理。

4 結(jié)語

針對圖像高光去除問題，本文進(jìn)行了理論分析和實(shí)驗(yàn)觀察，從中發(fā)現(xiàn)傳統(tǒng)算法的一些問題。首先，傳統(tǒng)算法在計(jì)算最大漫反射色度時對黑色像素沒有進(jìn)行分開處理，導(dǎo)致對黑色像素的最大漫反射色度估算產(chǎn)生偏差；其次，傳統(tǒng)算法使用雙邊濾波器對最大色度圖進(jìn)行濾波，導(dǎo)致紋理細(xì)節(jié)部分沒有得到很好保留且出現(xiàn)了偽影；此外，傳統(tǒng)算法在濾波后計(jì)算漫反射分量時，忽略了公式中分母接近于0的情況，導(dǎo)致計(jì)算結(jié)果比真實(shí)值大。針對傳統(tǒng)算法中存在的上述缺陷，本文提出了一種導(dǎo)向?yàn)V波的高光去除改進(jìn)算法。首先，通過閾值th1分離出圖像中的黑色像素，并分別估算黑色像素和其他像素的最大漫反射色度；其次，利用導(dǎo)向?yàn)V波器保邊濾波和梯度保持的優(yōu)點(diǎn)，對最大色度圖進(jìn)行平滑處理，從而最大限度地保留了圖像的邊緣和紋理，避免了偽影效應(yīng)，且相比于采用雙邊濾波，運(yùn)行效率得到了提升；此外，本文在分離漫反射分量時，根據(jù)公式中分母與閾值th2的關(guān)系，將像素點(diǎn)分為兩類，分別采用不同方法實(shí)現(xiàn)了漫反射分量的精確分離。客觀評價(jià)指標(biāo)和主觀視覺感受表明，本文算法相比于傳統(tǒng)算法，在防止黑色像素褪色、保留圖像邊緣紋理信息和避免偽影方面均表現(xiàn)出優(yōu)勢。

然而，本文對于高光區(qū)域占比較大的圖像處理效果不太理想，這是因?yàn)楸疚氖菍⒏吖鈪^(qū)域作為噪點(diǎn)進(jìn)行去高光處理，對于高光區(qū)域占比較大的圖像，濾波算法不能很好地區(qū)分噪聲對象和需保留的對象，導(dǎo)致濾波效果較差。因此，未來的研究方向是如何對高光區(qū)域占比較大的圖像進(jìn)行去高光處理。