没有合适的资源?快使用搜索试试~ 我知道了~
7577窄带照明下的反射和荧光分离九州工业大学小山松浩okabe@ai.kyutech.ac.jpHendrik P. A.LenschUniversityofTübingenhendrik. uni-tuebingen.de摘要在本文中,我们解决了分离的反射和荧光成分的RGB图像下采取的窄带光源,如LED。首先,我们表明,每个像素的亮度颜色可以估计从至少两个图像在不同的光源颜色,是因为在一个表面点的观察到的颜色是由一个凸组合的光源颜色和照明不变的亮度颜色。其次,我们提出了一种基于MAP估计的鲁棒性颜色估计方法,该方法考虑了颜色的我们使用合成图像和真实图像进行了大量实验,并证实我们提出的方法比密切相关的最先进的方法效果更此外,我们证明了我们的方法是有效的应用程序,如基于图像的材料编辑和重新照明。1. 介绍荧光是一种非常常见的现象,在矿物和植物等自然物体以及纸张和衣服等人造物体中都可以观察到[2]。与反射与入射光相同波长的光的反射材料相反,荧光材料发射具有比吸收光的波长分离图像中的反射成分和镜面反射成分对于各种计算机视觉技术的预处理非常重要,这些技术假设反射成分,例如漫射和镜面反射成分。近来,由于发光二极管(LED)的进步,窄带光源经常用于在计算机视觉和计算机图形学领域中照亮感兴趣的对象并捕获其图像[21,1,8,17,15,16]。在窄带光源下拍摄的图像的应用领域包括基于图像的光谱重照明[21,16]、原材料分类[8]、双向纹理函数(BTF)分类[17]和表面纹理分类[18]。面法线和反射率恢复[15]。因此,在窄带照明下分离反射性和非反射性成分对于此类应用的预处理是有用的。在本文中,我们解决了分离的反射和荧光成分的RGB图像下采取的窄带光源,如LED。首先,我们证明了在RGB颜色空间中,每个像素的亮度颜色位于光源颜色和观察到的像素颜色所构成的平面上,然后,以这两个平面的交点作为不同光源颜色下的至少两幅图像,可以估计出每个像素的亮度颜色。这是因为像素颜色由光源颜色和照明不变的像素颜色的凸组合表示。其次,我们考虑了与色度相关的先验知识,即色度在r-g色度空间中的分布,并提出了一种通过最大后验概率(MAP)估计来鲁棒地估计色度的方法。通过使用合成图像和真实图像进行的大量实验,我们 确 认 我 们 提 出 的 方 法 优 于 基 于 独 立 分 量 分 析(ICA)[12]的密切相关的最先进方法[26]。此外,我们表明,我们的方法考虑到先验知识的色彩,使我们能够分离反射和反射成分,甚至从一个单一的图像。此外,我们demonstrate,我们的方法是有效的应用程序,如基于图像的材料编辑和重新照明。这项研究的主要贡献有三个方面。首先,我们探讨了新的问题,分离反射和反射成分下窄带照明,并显示,每像素的反射颜色可以估计至少两个图像。其次,我们通过考虑已知的潜在的颜色空间,实现了从单个图像的反射和反射分离。 第三,我们表明,我们的方法与改进的模型比密切相关的现有技术方法(例如基于ICA的方法[26])产生更好的一致性分离,并且对于诸如基于图像的材料编辑和重新照明的应用是有效的。7578本文的其余部分组织如下。第二节对相关工作进行了简要总结。在第三节中,我们证明了每像素的色度可以从至少两幅图像中估计出来,然后提出了一种通过MAP估计进行相对色度分离的方法。我们报告的实验结果和应用在第4节。我们将在第5节介绍总结意见。2. 相关工作2.1. 荧光性质利用Donaldson矩阵[3],以双谱的方式描述了半透明曲面的光谱性质.唐纳森矩阵的每个元素是当给定出射光(行)和入射光(列)的波长时反射/发射的其中出射波长与入射波长相同的对角元素是反射分量,并且其中出射波长长于入射波长的左下元素是反射分量。荧光组分的光谱特性,即不含反射组分的纯荧光材料,通常通过使用吸收光谱和发射光谱进行更简单的描述[13]。前者是材料吸收的入射光的分数,后者是在每个波长下从材料发射的出射光的量。从半透明表面反射/发射的光的量不仅取决于波长,还取决于入射光和出射光的方向。在图形社区中,Glassner [7]和Wilkieet al.[25]以与Lambert模型相同的方式对双折射分量的角度特性进行建模,即双折射辐射率与辐照度成比例。通常,双谱双向反射和再辐射分 布 函 数 ( bispectral bidirectional reflectance andreradiation distribution function,简称BBRRDF)描述了包含反射分量的双折射表面的角特性。Hullin等人[11]提出了一种基于图像的方法,用于通过将基于图像的BRDF获取方法[18]扩展到双谱测量来获取双辉表面的双谱BRDF他们报告说,双折射分量具有弱的角度依赖性。荧光的一个有趣的行为是被称为斯托克斯位移的波长位移;荧光材料吸收特定波长的入射光,然后发射比入射光波长更长的光。Hullin等人[10]利用了由于斯托克斯位移而导致的多散射在半透明液体中被抑制的事实,然后提出了用于透明物体形状恢复的浸没范围扫描。Sato等人[23] Treibitzet al. [24]表明,相对于光源方向,双谱分量近似服从Lambert模型,然后提出双谱光度立体基于荧光的;感兴趣的对象由较短波长的光源照射,并由较长波长的摄像机波段观察。它们表明,双光谱光度立体是强大的镜面反射分量和由于斯托克斯位移的互反射。荧光的另一个有趣的行为是荧光颜色的照明不变性,即在荧光表面上观察到的荧光成分的色度这是因为荧光色仅取决于发射光谱,而与吸收光谱无关。Han等人[9]利用照明不变性来校准未知照明下相机的光谱灵敏度。照明不变性也用于下一小节中描述的反射和反射分离。2.2. 反射和荧光分离Zhang和Sato [26]提出了一种方法,用于在相机的光谱灵敏度是窄带的假设下分离反射分量和色度分量,这在颜色恒定性算法中经常被假设。具体地说,他们的方法是基于通道线性模型;在变化的光谱强度下的每个通道中的灰度图像由相应灰度图像和非均匀灰度图像的凸组合来表示。然后,通过在高维图像空间中使用ICA以与反射去除类似的方式计算这些基础图像[4]。然而,不幸的是,这种通道线性对于在窄带照明1下拍摄的图像不成立,并且然后当不是相机而是光源是窄带时,我们不能使用他们的方法。在这项研究中,我们表明,我们的像素线性模型可以用于窄带照明。Fu等人[6]根据吸收光谱通常是低频的,提出了一种利用光谱域中的高频照明来分离反射组分和荧光组分的方法。他们的方法类似于通过在空间域中使用高频照明的直接全局分离[20]。然而,不幸的是,他们的方法需要特殊和昂贵的设备:高光谱照相机和光谱域中的可编程照明。另一方面,我们提出的方法使用通常的彩色摄像机和LED。此外,Fuet al. [5]提出了一种从不同光谱强度下拍摄的几幅RGB图像中估计反射率和荧光度的光谱特性的方法。他们利用光谱反射率[22]和吸收光谱的低维线性模型,1具体地,在N个窄带光源下,每个通道中的N个灰度图像由(N +1)个基图像的凸组合表示,即, N代表反射率,1代表荧光度。因此,基于ICA的方法在窄带照明下是不适定的7579估计其线性组合的系数。他们的方法也与我们的方法有关,因为反射和反射分量可以从基函数和估计系数中恢复。然而,不幸的是,他们的方法需要在不同光谱强度下拍摄9张图像,因此不可能从单个图像中分离3. 该方法在这一节中,我们探讨了窄带照明下的反射和双折射模型,并推导了用于反射-双折射分离的交叉方法此外,我们利用了非线性材料的典型颜色分布[19],然后通过MAP估计对其进行扩展。在波长为λ的窄带光源下,通过在波长处的光谱灵敏度来这意味着反射组件的颜色与光源颜色相同。已知纯的发光材料吸收特定波长λ′的光,然后发射更长波长λ′′的光。荧光组分描述为∫ ∫fc=gfl(λ′)a(λ′)dλ′e(λ′′)sc(λ′′)dλ′′,(6)其中gf、a(λ′)和e(λ′ ′)是荧光组分的几何项,即荧光材料的吸收和发射光谱。代入Eq.(3)进入Eq。(6)我们得到∫3.1. 反射和荧光模型fc=gfla(λ)e(λ′′)sc(λ′′)dλ′′,(7)我们假设一个感兴趣的对象是通过使用⎛ ∫λ′′sR⎞(λ′′)dλ′′彩色照相机。对于反射和非反射表面,物体表面上一点的像素值i=(iR,iG,iB)由反射分量r=(rR,rG,rB)组成。f=gfla(λ)e(λ′′)sG(λ′′)dλ′′e(λ′′)sB(λ′′)dλ′′。(八)和一个单调分量f=(fR,fG,fB)i=r+ f。(一)根据二色反射模型,反射分量由漫反射分量和镜面反射分量之和描述为:∫ ∫rc= gdl(λ′)ρ(λ′)sc(λ′)dλ′+ gsl(λ′)sc(λ′)dλ′。(二)这里,λ′、l(λ′)、ρ(λ′)和sc(λ′)分别是入射光的波长、光源的光谱强度、表面的光谱反射率和照相机的c通道(c=R、G、B)的光谱灵敏度漫反射分量gd的几何项仅取决于照明方向,而镜面反射分量gs的几何项取决于照明方向和观看方向两者。我们假设物体被窄带光源照射,其光谱强度通过使用狄拉克δ函数δ()近似表示为l(λ′)=lδ(λ′− λ)。(三)代入Eq.(3)进入Eq。(2)我们得到rc=gdlρ(λ)sc(λ)+gslsc(λ),(4)⎛ ⎞sR(λ)R =l(gdρ(λ)+gs)<$sG(λ)<$.(五)sB(λ)因此,反射成分的颜色,即,由其L1范数r_i=r/||R||1因此,色度分量f的颜色=f/||F||1在近w波段光源下是独立的的波长λ。光源波长仅通过a(λ)影响半导体元件的比例。3.2. 交会法我们表示在第n个窄带光源(n=1,2,3,...,N),并分别用Rn和Fn表示相应的相对分量和相对分量。然后,像素值i n由两个单位向量的凸组合表示,I. e. 光源颜色rn和亮度颜色fn为in=rn+fn=αnrn+βnfn,(9)其中αn和βn是凸组合的非负系数。如前一小节所示,αn、βn和rn取决于光源,但色度f与光源无关。在下文中,我们考虑由相机的光谱灵敏度定义的RGB 颜 色 空 间 和 r-g 色 度 空 间 , 其 中 r=R/( R+G+B ) 和g=G/ ( R+G+B )。 这 是 因为 Eq.(9)在诸如CIE-L*a*b* 的非线性颜色空间我们提出的方法利用RGB颜色空间中的平面结构和r-g色度空间中的线性结构,如下所述。让我们考虑N=2的情况。如图1(a)所示,对于第一图像中的某个像素,Eq.(9)意味着发光颜色f′在由光源颜色r′1和像素颜色r′i1=i1 /1 所 跨 越 的 平 面 上。||I1||1 .一、7580图2.MAP估计的先验和似然(a)根据McNamara数据集[ 19 ]中的实际发射光谱计算的荧光颜色。叠加颜色的先验概率密度;越黑的概率越高。(b)似然函数的草图我们假设距离dn在观察到的像素颜色和连接从光源颜色r_n到亮度颜色f_n服从零均值高斯分布。图1.求交法的图解。色分f位于(a)光源颜色所r1和像素颜色i1,以及(b)由r2和i2同时跨越的平面因此,色度由(c)这两个平面的交点给出。类似地,如图1(b)中所示,在第二图像中,亮度颜色f在同时由光源颜色r_2和像素颜色r_2所跨越的平面上。在那里-因为斯托克斯位移。因此,我们可以考虑最如果在每个图像中存在至少一个纯反射像素,则将带蓝色的像素视为纯反射像素,并将其颜色视为光源颜色。3.3. 图估计在Eq.(10)在以下两种情况下不能很好地工作。首先,最多有一个单对i和r,使得i/=r,i。e. i×r因此,单调的颜色f由以下的交集给出:n n nˆn n nˆ这两个平面如图1(c)所示。因此,我们可以在光源颜色r n已知的假设下从至少两个图像中分离每像素的反射分量r n和非反射分量fn。请注意,当光源颜色已知且亮度颜色如上所述时,我们可以使用具有非负约束的最小二乘法计算凸组合α n和β n的系数。在一般情况下,当N≥2时,f是由N个平面的交点给出的。具体来说,相交方法的结果是:⎛ ⎞ ⎛ ⎞。⎟⎜ . ⎟第二,不存在一对(in×r<$n)和(im×r<$m)使得(in×r<$n )=(im×r<$m )。从几何学的角度来看,视图,前者意味着最多有一个平面而后者意味着在图1中的RGB颜色空间中平面彼此平行。为了应对这种限制的交叉方法,我们提出的方法利用先验知识的颜色。在图2(a)中,我们绘制了从McNamara数据集[19]中的实际发射光谱计算的色度图,城市空间2 我们可以看到,红色的分布具有拱形结构,特别是红色的分布在光谱轨迹附近,即红色区域。 的轨迹单色(单波长)颜色。 这是因为(⎝ ⎠ ⎝ ⎠....发射光谱是相对窄带的。因此,我们通过MAP估计将色度的估计公式化为其中×代表叉积。在实践中,利用非负约束条件下的最小二乘法,计算了色度系数MaxfNn=1P(β-氨基)|f;rn)P(f).(十一)光源颜色:注意,我们可以放松对颜色的限制,注意,光源颜色r_n是已知的。在纯 反 射 pixel 处 的pixel颜色rn,其中fn=0,等于来自等式1的光源颜色rn。(九)、此外,pixel在相应像素处的颜色向红色2这里,我们假设x-y色度空间由CIE-XYZ定义,用于显示目的,其中分别为x = X/(X +Y +Z)和y = Y/(X+Y +Z)。我们提出的方法假设相机的光谱灵敏度是已知的,并考虑由相机定义的r-g色度空间中的色度颜色的先验概率分布7581n这里,P(n|f;rn)是li k函数,i. e. 当给 定 亮 度 颜 色f_n且光源颜色r_n已知时,观察到像素颜色f_n的概率密度,P(f_n)为亮度颜色f_n的先验概率密度。 以上述观测值的自然对数为例,函数,我们得到由于上述优化是非线性的,因此我们通过色度空间中的由粗到细搜索找到注意,由于斯托克斯位移并且因为像素颜色由光源颜色和荧光颜色的凸组合表示,荧光颜色比像素颜色因此我们MaxfΣΣNn=1ΣlogP(对数)|f;rn) +l og P(f).(十二)将搜索区域限制为fr+fg≥fir+fig,谱轨迹单图像方法:请注意,我们提出的基于MAP估计的方法使我们能够分离receivec-从Eq可以看出(9)光源颜色R_n、亮度颜色F_n和像素颜色F_n在R-G色度空间3中位于单条线上。然而,在实践中由于观察到的像素值中的噪声,观察到的像素颜色不在从光源颜色R_n连接到荧光颜色F_n的线上。 我们假设观察到的像素颜色点与直线之间的距离d n在色度空间中(见图2(b))服从零均值高斯分布4,即使是从单个图像中也可以获得动态和可替换的组件。直观地说,单个图像将单色约束到从光源颜色向来自等式(1)的像素颜色连接的线的邻域(九)、然后,先验知识进一步约束的一致性颜色的邻域拟合光滑样条曲线。因此,从单个图像估计的亮度颜色位于它们的交叉点附近。4. 实验P(β-氨基)|f;rn)=12πσ.2次实验D22σ2Σ.(十三)4.1. 合成图像我们比较了我们提出的方法的性能第一个是《易经》。(12)结果与通过使用合成图像的密切相关的现有技术方法[ 26 ]的方法相同。具体来说,我们比较了1-2σ2ΣNn=12(14)遵循四种方法。• Zhang和Sato [26](ICA)假设窄带相机,并基于通道线性模型。其中我们省略了与f无关的常数项。图2(a)显示,麦克纳马拉数据集存在偏差;具有蓝色发射光谱的发光材料的数量大于具有绿色和红色光谱的发光材料的数量为了防止偏差传播到MAP估计的结果中,我们将平滑样条曲线拟合到图2(a)5中的色度分布,并近似估计利用高斯分布求色度P(f)其中心位于样条曲线上的点处各种-在样条曲线上的点周围计算高斯分布的方差 计算的先验概率密度P(f)在图2(a)中叠加;较暗的有较高概率因此,我们提出的方法基于MAP估计的结果,ICA中的排序模糊性通过使用已知的光源颜色在我们的实验中解决6。• 交叉法(IS)假设窄带照明,并基于逐像素线性模型。如第3.2小节所述,荧光色由两个平面的交点给出。• MAP估计(MAP)通过考虑如子章节3.3中所描述的关于双色调颜色的先验知识来扩展相交方法。多个图像用作输入。• 从单个图像估计MAP(MAP单个)在公式上与上述MAP估计相同,但是使用单个图像作为输入。我们合成了球体的图像,minfΣ1ΣN2n=122dn−σΣlogP(f).(十五)由具有不同光谱的在不同峰值波长和宽度的光源下的灵敏度。我们使用哑光孟塞尔色卡的光谱反射率[22],吸收和发射率,3为了简单起见,我们用相同的符号表示RGB颜色空间中的单位向量及其到r-g色度空间的投影4虽然σ可能取决于像素值i,但我们将其固定为0.01 in我们所有的实验。5我们考虑了一个单调的颜色(0。34,0。26)作为离群值,并将其从计算中删除。McNamara数据集[ 19 ]中的光谱,以及用于合成真实图像的相机光谱灵敏度数据集[14]。我们假设光6. ICA估计的反射分量和反射分量可能为负。我们在实验中把它们削减到零。−7582表1.在不同的σ w和σ n下,使用第一个对象进行定量比较。每个单元格中的数值代表四个结果图像的RMS误差。ICA是地图地图 单个σn\σ w5101520510152051015205101520039.338.538.338.90.80.81.01.20.90.91.01.46.44.94.15.2138.938.238.538.82.62.62.62.82.52.42.32.47.96.35.38.1239.138.438.338.65.15.15.15.24.74.74.54.410.38.77.68.9438.838.438.438.710.410.210.210.110.09.79.58.915.313.512.312.0表2.在不同σw和σn条件下,用第二个目标进行定量比较。ICA是地图地图 单个σn\σ w5101520510152051015205101520017.718.018.619.42.32.42.52.74.34.34.44.54.44.54.64.8118.317.918.619.47.47.37.17.04.64.74.84.94.64.74.95.1217.718.518.619.513.012.712.412.36.96.87.07.15.65.65.96.2417.918.219.120.019.619.219.019.110.710.811.011.29.19.39.49.9图3.使用第一个对象进行定性比较(一)(d)是输入图像。(b)(e)和(c)(f)是相应的反射和亮度图像:从左到右分别是使用ICA、IS、MAP和MAP单次的地面实况和结果。源服从具有标准差σw的高斯分布。为了评估这些方法对噪声的鲁棒性,我们人为地将具有标准差σn的零均值高斯噪声添加到每个像素。图3显示了使用第一个对象的定性比较(a)(d)是输入图像;光源的峰值波长分别为475 nm和525 nm,相机为Nikon D300 s。(b)(e)和(c)(f)是相应的反射和非反射图像:从左到右的地面这里,对于8位图像,σw为10 nm,σn表1显示了在不同的σw和σn下使用第一个对象的定量比较。每个单元格中的数值代表四个结果图像的均方根(RMS)误差:第一输入图像的反射分量和反射分量以及第二输入图像的反射分量和反射分量。 图4和表2显示了图4.使用第二个对象进行定性比较。佳能5D Mark IIICA与IS、MAP和MAP单次:图3、图4、表1和表2定性和定量地显示了我们提出的方法,即对于窄带照明下的图像,IS、MAP和MAP单一方法优于最先进的方法[26](ICA)。当谱宽σw从5 nm增加到20nm时,它们是稳健的 注意,半峰全宽(FWHM)约为2。35×σw.IS与MAP:图3和表1显示IS和MAP工作得很好,但图4和表2显示MAP比IS工作得更好,特别是当σn增加时。在前一种情况下,输入IM的光源颜色是相同的7岁是不同的。因此,如图1(c)所示,我们可以得到两个平面,使得(i1×r1)/=(i2×r2),然后IS本身工作良好。另一方面,在后者在这种情况下,输入图像的光源颜色彼此相似。因此,RGB颜色空间中的两个平面也是相似的,于是IS是不稳定的,并且关于单色的先验知识是有效的。MAP与MAP单次:图4和表2显示,使用第二个对象。光的峰值波长光源分别为425 nm和475 nm,并且照相机7看到(b)和(e)中的反射图像的地面实况。7583图5.使用第一和第二光源颜色下的水枪的真实图像进行定性比较。(一)(d)是输入图像。(b)(e)和(c)(f)是相应的反射和反射图像:从左到右使用ICA、IS、MAP和MAP单次的结果图6.使用第一和第四光源颜色下水枪的真实图像进行定性比较。当光源颜色与亮度颜色不同时,MAP单帧图像的性能与MAP双帧图像的性能几乎相同在它们相似的情况下(图3和表1),单图像方法有其局限性。分离是不令人满意的,因为方程中的线性约束。(9)对噪音敏感。如第3节所述,我们有两种不同的线索来估计荧光色;一个是一个单一的线性约束方程。(9)每个输入图像,另一个是由于关于色度的先验知识的约束。具体地,对于两个输入图像,IS具有两个线性约束,并且MAP具有两个线性约束和由于先验的约束。MAP单具有一个线性约束和由于单个输入图像的先验的约束。实验结果表明,当至少有两个独立的图7.使用第二和第三光源颜色下网球的真实图像进行定性比较。图8.用橡皮在第二、第三种光源颜色下的真实图像进行定性比较。约束是有效的。4.2. 真实图像我们通过使用真实图像比较了我们提出的方法(IS、MAP和MAP 单)与密切相关的最先进方法(ICA)[26]的性能。目标对象是水枪、网球和橡皮。这些物体的图像是通过使用点灰变色龙相机在四种不同的LED下捕获的,这些LED的峰值波长分别为405、460、520和635 nm,半高宽为12至36 nm。图5显示了在第一个(405 nm)和第二个(460nm)LED下使用水枪的真实图像进行的定性比较(a)(d)是输入图像。(b)(e)和(c)(f)是相应的反射和亮度图像:从左到右分别使用ICA、IS、MAP和MAP单次的结果。图6、图7和图8分别显示了使用水枪、网球和橡皮擦我们使用图6中的第一个和第四个(635 nm)LED,7584图9.在第一个光源下,在水枪上的A、B和C点以及网球上的D点观察到的光谱辐射。表3.使用真实图像的定量比较:基础事实和估计的色度之间的点积。一BCDICA0.9190.9310.9920.960是0.9820.9890.9960.996地图0.9830.9910.9990.998MAP单0.9830.9920.9990.998图7和图8中的第二和第三(520 nm)LED。ICA与IS、MAP和MAP单次:我们可以看到,我们提出的方法(IS,MAP和MAP单)比ICA更好。特别地,通过ICA估计的反射分量的颜色不同于图6(b)和图8(b)(e)中的光源颜色。此外,橙色橡皮擦的荧光从图8(c)(f)中ICA估计的荧光分量中消失。IS与MAP:我们可以看到MAP比IS更健壮特别地,当输入图像中的一个没有关于非单调颜色的线索时,MAP的有效性(即,考虑关于非单调颜色的先验知识)是清楚的,如图6(b)(c)和(e)(f)所示。图7还显示MAP比IS工作得更好。MAP与MAP单次:我们可以看到,MAP单工作以及MAP,如图5(b)(c)和(e)(f),图6(b)(c),图7(b)(c)和图8(b)(c)所示。另一方面,当光源颜色类似于荧光色时,MAP单一不是鲁棒的,如图7(e)(f)和图8(e)(f)所示,并且如图6(e)(f)所示不能很好地工作。为了定量地确认我们提出的方法的有效性,我们使用高光谱相机进行了数值比较具体来说,如图9所示,我们在第一个光源(405 nm)下测量了水枪上A、B和C点以及网球上D点的光谱辐射。由于发射光谱与反射光谱是分开的,我们可以利用彩色相机的光谱灵敏度计算出那里的亮度颜色,并将它们视为它们的地面真值。表3示出了图5(c)和图7(c)中的地面实况和估计颜色之间的点积这里,两种颜色都由单位3D向量表示,并且如果颜色是单位3D向量,则点积为1。图10.我们的反射-反射分离应用于基于图像的材料编辑和重新照明。一样的这些结果定量地表明,我们提出的方法(IS,MAP和MAP单)工作优于ICA。4.3. 应用作为反射-相干分离的直接应用,我们进行了基于图像的材料编辑和重新照明。具体来说,我们在B(第一),G(第三)和R(第四)光源下拍摄了三张橡皮擦的图像,并使用我们提出的方法(MAP)分离了这些图像的然后,我们通过线性组合具有不同权重的这6个图像来合成各种图像。在图10中,它们的平均值显示在中心(第二行和第三列),并且在上/下图像处增加/减少荧光分量。同样,我们改变光源颜色从蓝色(左)到红色碟(右).我们可以看到,我们的方法是有效的照片级真实感图像为基础的材料编辑和重光照。5. 结论和未来工作本文证明了在不同的光源颜色下,至少可以从两幅图像中估计出此外,利用已知的空间的潜在的一致性的颜色,我们得到更鲁棒的MAP估计,甚至从一个单一的输入图像下,窄带照明。通过使用合成图像和真实图像的大量实验,我们定性和定量地证实了我们提出的方法比密切相关的最先进的方法效果更好。此外,我们证明了我们的方法是有效的基于图像的材料编辑和重新照明。将光谱-空间相关性引入到我们的逐像素方法中是本研究的未来方向之一。致谢这 项 工 作得 到 了 JSPS KAK-ENHI 资 助 号JP 18 H05011、JP 17 H 01766和JP 16 H 01676的部分支持。7585引用[1] B. Ajdin,M.芬克角Fuchs,J. Hanika,and H.伦施利用超光谱光级的压缩高阶稀疏和低秩获取。技术报告,Eberhard KarlsUn i versit aétTubingen,2012年。WSI-2012-01。1[2] K.巴纳德 颜色恒常性与双凸表面。 在Proc. CIC 1999,第257-261页,1999年。1[3] R.唐纳森 荧光颜料的分光光度法。British Journal of Applied Physics,5(6):210-214,1954. 2[4] H. Farid和E.阿德尔森利用独立成分分析分离反射和照明。在Proc. IEEE CVPR 1999,第I-262-267页,1999中。2[5] Y. Fu,中国茶条A.拉姆岛佐藤,T. Okabe和Y.佐藤通过主动点亮RGB图像进行反射率和荧光光谱恢复。IEEETrans. PAMI,38(7):1313-1326,2016。2[6] Y. Fu,中国茶条A.拉姆岛佐藤,T. Okabe和Y.佐藤在光谱域中使用高频照明分离反射和非反射分量。IEEETrans. PAMI,38(5):965-978,2016年。2[7] A. 格拉斯纳荧光和磷光的模型在proc 第五届欧洲图形渲染研讨会,第57-68页,1994年。2[8] J. Gu和C.刘某区分照明:基于光谱BRDF的最佳投影对原材料进行逐像素在Proc. IEEE CVPR 2012,第797-804页,2012中。1[9] S.汉,Y。松下岛佐藤,T. Okabe和Y.佐藤利用荧光法从未知光照下的单幅图像估计相机光谱灵敏度在Proc.IEEE CVPR 2012,第805-812页,2012中。2[10] M. Hullin,M.富克斯岛Ihrke,H.- P. Seidel和H.伦施荧光浸没范围扫描。在Proc. ACM SIG-GRAPH2008,2008年。 第87条。2[11] M. Hullin,J.哈尼卡湾Ajdin,H.-P. Seidel,J.Kautz和H.伦施双谱双向反射和再辐射分布函数的获取与分析。在procACM SIGGRAPH2010,2010.第97条。2[12] A. Hyv aürinen和E. 奥佳独立成分分析:算法与应用。神经网络,13(41[13] D.詹姆森。荧光素简介。CRC Press,2014.2[14] J. Jiang,中国粘蝇D. 刘,J. Gu和S. 很好彩色数码相机的光谱灵敏度函数的空间是多少在Proc. IEEE WACV2013,第168-179页,2013中。5[15] M. Kitahara,T.冈部角Fuchs,和H。伦施从少量图像同时估计光谱反射率和法线。在Proc.VISAP2015,第303-313页,2015年。1[16] C. LeGendre,X.Yu,D. 刘,J.Busch,A.琼斯,S。Pattanaik和P.德贝维克实用的多光谱照明再现。InProc.ACM SIGGRAPH2016,2016.第32条。1[17] C. Liu,G. Yang和J.顾通过双向纹理函数的最佳投影,学习原材料分类的判别照明和过滤器在Proc. IEEECVPR 2013,第1430-1437页,2013中。1[18] S. Marschner,S. Westin,E. Lafortune和K.托兰斯基于图像的双向反射分布函数测量。应用光学,39(16):2592-2600,2000. 2[19] G. McNamara,A. Gupta,J. Reynaert,T. Coates和C.博斯韦尔。光谱成像显微镜网站和数据。细胞计数A部分,69 A(8):863-871,2006年。三、四、五[20] S.纳亚尔湾克里希南M. Grossberg和R.拉斯卡使用高频照明快速分离场景的直接和全局分量。在Proc. ACMSIGGRAPH 2006,第935-944页,2006中。2[21] J. - I.帕克,M.- H.李,M。Grossberg和S.纳亚尔使用多路复用照明的多光谱成像。在procIEEE ICCV 2007,第1-8页,2007年。1[22] J. Parkkinen,J. Hallikainen和T.杰斯克莱宁孟塞尔色的特征光谱JOSA A,6(2):318二、五[23] I. 佐藤,T.Okabe和Y.佐藤基于双荧光的双谱光度在Proc. IEEE CVPR 2012,第270-277页,2012中。2[24] T. Treibitz,Z.穆雷兹湾Mitchell和D.克里格曼从荧光色到形状。Proc.ECCV2012,第292-306页,2012年。2[25] A. 威尔基,A。魏德利希角Larboulette和W.炼狱漫反射表面的反射模型 在procGRAPHITE 2006,第321-331页,2006年。2[26] C.张和我。佐藤基于图像的利用光照变化和不变颜色的反 射 和 非 反 射 分 量 分 离 。 IEEE Trans. PAMI , 35(12):2866 -2877,2013. 一、二、五、六、七
下载后可阅读完整内容,剩余1页未读,立即下载
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![pptx](https://img-home.csdnimg.cn/images/20210720083543.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)