Ēnas noņemšana no attēla

Abstract

Ēna digitālajā attēlā nereti ir uzskatāma par vizuālu traucēkli objektu noteikšanai un meklēšanai, jo ēnas tumšo reģionu dēļ ir apgrūtināta objektu formu noteikšana informācijas zudumu dēļ. Datba mērķis ir izpētīt āra apgaismojuma apstākļos uzņemta fotoattēla automātiskās ēnas noņemšanas iespējas. Tā sasniegšanai tika izvirzīti zemāk uzskaitītie uzdevumi: 1. apkopot informāciju par ēnu āra apgaismojuma apstākļos; 2. apzināt ēnas noņemšanas no attēla problēmapgabalu, tā izpētes stadijas un risināšanas tendences; 3. analizēt jau izstrādāto manuālo grafisko apstrādes rīku izmantošanas iespējas un uz piemēriem praktiski veikt ēnu noņemšanu; 4. pielāgot un apmācīt ģeneratīvos mašīnapmācības modeļus ēnas noņemšanas uzdevuma risināšanai; 5. izveidot datu kopu mašīnapmācības modeļu trenēšanai, validēšanai un testēšanai. Pētījuma rezultātā ar dažādām metodēm iegūti vizuāli novērtējami un pēc pikseļu krāsas un spilgtuma salīdzināmi attēli. Viena no metodēm ir jau izstrādāti grafiskās apstrādes rīki manuālai attēla apstrādei. Otra metode ir divu jau izstrādātu strukturāli dažādu ģeneratīvo mašīnapmācības modeļu izmantošana automātiskai attēla apstrādei. Viens no modeļiem tika pielāgots, mainot risinājuma pirmkodu, lai mašīnapmācībai būtu izmantojama izveidotā ēnas noņemšanas datu kopa.

The shadow in a digital image is a visual impediment to object detection and searching, since shadowy dark regions make it difficult to determine the shape of objects due to loss of information. The purpose of the work is to explore the possibilities of shadow removal from images taken in outdoor lighting conditions. The following tasks were set to achieve it: 1. collect information about shadow properties in outdoor lighting conditions; 2. identify the removal of shadow from an image problem area, its research stages and the trends; 3. analyze the possibilities of already developed manual graphic processing tools to take practical tests on shadow removal from an image; 4. customize and train generative machine learning models to solve shadow removal from the image tasks; 5. create shadow removal dataset to train, validate and test machine training models. As a result of the study, images that are obtained by different methods, can be visually estimated, based on pixel color and intensity. One of the methods used is the already developed graphical processing tools for manual image processing. The second one is the use of two already developed structurally different types of generative machine learning models for automatic image processing. One of the models was adapted by changing the source code so that shadow removal dataset can be used.