[2012.06.08] 实验室讨论班汇总

June 11, 2012 (最后修改: June 21, 2026)

这次开始没怎么困，不错，但后面一段时间神游太虚，完全没听懂。

共三位同学：

笔记：
1 . 《A Closed-form Solution to Retinex with Non-local Texture Constraints》
基于视网膜理论（Retinex theory）和纹理分析（texture analysis）的本征图（intrinsic image）分解。
本征图分解的公式： I=SR 。其中S为物体表面反射部分，R为光照部分。当然，乘法不好处理，取对数就变成加法，I=S+R，线性组合便于优化。
文中依据两个假设：

视网膜理论，图像中大梯度由反射率引起，小梯度由光照引起。
纹理分析，纹理相似，反照率相同，无论在什么位置。
优化函数由上面两个部分再加上一个尺度缩放部分构成。

第一项为视网膜约束条件，每对邻域点，如果梯度大，则趋向于反照率相同，如果梯度小，则趋向于光照相同。公式如下：

两种选择由系数w决定，w公式如下

第二项纹理约束，属于同一种纹理的两个点，反照率应该相似。利用邻域内的色度信息构成特征矢量，聚类使相同特征矢量的点构成一类。公式如下：

尺度部分限制光照最大的亮度为1（否则可以无限增大）。公式如下：

每项均为二次函数，能量函数为二次函数（同时也是一个无约束的二次规划问题），最优化问题相当于求解线性方程。一般二次能量函数的形式如下： [

](//ww2.sinaimg.cn/large/4afdac38tw1dttfaztbipj.jpg) 最小值相当于求解下面的线性方程组： [

](//ww3.sinaimg.cn/large/4afdac38tw1dttfaz4spwj.jpg) 关键在于从公式中提取出A和b，这样就可以求解出s了。分析(1)中的每个式子，找到相应的A和b中的元素，加到A和b的相应位置，就可以通过遍历，得到最终的A和b的数据。文章中提到用共轭梯度法解这个稀疏矩阵。效果不错，看下对比图： [ 结果对比

](//ww4.sinaimg.cn/large/4afdac38tw1dttfimsurqj.jpg) 2 . 《Texture-Consistent Shadow Removal》（没听懂这个）效果很不错，看这个对比：

光照公式与上面相同，R表示材质的反射率，L表示光照

阴影相当于改变光照条件，即在L上乘以一个0、1之间的系数c：

本影、半影、没有影子的区域，C的值不同，文章研究C值，并通过优化计算，得到阴影边界的C值，在梯度域内，去除阴影对梯度的影响，并解泊松方程恢复图像。文中用到的C值模型

具体细节就不会了。 3 . 《Segmentation Using Superpixels: A Bipartite Graph Partitioning Approach》（听了个大概，溜号可耻啊）

利用超像素（superpixel，这东西最近比较火）分割图像。先用超像素过分割，再把相似的超像素块融合下，形成最终的分割图。用不同方法不同参数的超像素分割方法，得到一系列分割结果，可以看成是不同尺度下的分割结果。再将不同层次的超像素聚集到一起，形成最终的分割结果。没仔细看， Bipartite Graph Partitioning这个没懂。提到与NCut方法相似，求解特征向量，文中减少矩阵的大小，加快求解速度。 —————————————————————— 就这样吧。