卓武汉，严京旗

0 引言

工业检测、模式识别和计算机视觉等应用领域中，高光是普遍存在着的，当我们对图像进行处理时，图像中的高光就经常成为图像检测识别的一大障碍，严重影响着对图像的后续处理。例如，高光的存在会极大地影响条形码、二维码、关键字符等的识别；并对图像分割、边缘检测、目标跟踪等算法的精度和鲁棒性也有很大的影响。如图1所示的是工业生产线上所拍的9张连续的饮料瓶图像，我们可以很明显看出每张图像中均存在着较大范围的高光区域。

图1 具有高光的饮料瓶连续图像

现在已有的去高光处理方法主要是针对单幅图像的，但是单幅图像的处理比较困难，去除高光的结果很难到达预期。例如，针对单幅图像去高光的处理，Lee[1]曾经提出了一个在色度空间估计光源色度的方法，但是由于图像噪声的影响，直接利用该方法估计光源色度，往往得不到理想的结果。Novak 和Shafer[2]曾经从 RGB空间中的像素分布估计表面的粗糙程度和物体的几何形状，并以此估计高光像素簇的扭曲程度，以便获得一个更精确的光源颜色估计，但是由于图像噪声等的影响，仅仅从像素的分布形状往往很难可靠地估计出这些信息。对于单张图像去高光而言，并且由于图像中经常有其他颜色的物体存在，完全自动检测高光区域是一个非常困难的问题。基于单幅图像的去高光算法并不适用于本课题。连续图像在工业流水线上是较容易获得的，并且由于高光区域在每个连续帧图像中的位置是不同的，从而我们可以利用连续帧图像的信息融合去除或削弱高光的影响，进一步提高图像检测的识别性能、目标检测和跟踪精度和鲁棒性等。……