In this paper we focus on the probl

In this paper we focus on the problem of shadow removal from a single image.
In earlier work, Finlayson et al.[5][6] remove shadows by zeroing shadow edges
in the gradient domain and then integrating to obtain a shadow free image.
They achieve good results with high quality images, however the integration
often introduces changes in color balance, global smoothness and loss of textural

The advantage of superpixels is analyzed and
shown in applications, such as object recognition [35] and segmen-
tation [36]. Fig. 1 shows superpixel segmentation, in which the
image is divided into superpixels and each superpixel shows the
same visual appearance, which can cause substantial speed-up of
subsequent processing. Therefore, the careful choice of the super-
pixel method and its parameters for the particular application are
crucial. We use TurboPixels [37] to extract superpixels from an
image, in which one superpixel is roughly uniform in texture and
gray, so that the boundaries of regions are preserved. In order to
encode gray, texture and spatial information into superpixels, we
describe each superpixel j by a 7-dimensional wavelet feature vec-
tor Fj =(f1, f2, ... , f7), in which Fj is the average wavelet value of all

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรามุ่งเน้นไปที่ปัญหาของการกำจัดเงาจากภาพเดียว.
ในการทำงานก่อนหน้านี้ Finlayson et al. [5] [6] ลบเงาโดย zeroing ขอบเงา
ในโดเมนลาดแล้วการบูรณาการที่จะได้รับฟรีภาพเงา
พวกเขาบรรลุผลที่ดีกับภาพที่มีคุณภาพสูง แต่บูรณาการ
มักจะแนะนำการเปลี่ยนแปลงในความสมดุลของสีเรียบเนียนทั่วโลกและการสูญเสียของเนื้อสัมผัสประโยชน์ของ superpixels มีการวิเคราะห์และแสดงให้เห็นในการใช้งานเช่นการรับรู้วัตถุ [35] และ segmen- ช่อ [36] . มะเดื่อ 1 แสดงการแบ่งส่วน superpixel ซึ่งในภาพจะถูกแบ่งออกเป็น superpixels และ superpixel แต่ละแสดงให้เห็นลักษณะที่มองเห็นเดียวกันซึ่งสามารถก่อให้เกิดความเร็วมากขึ้นจากการประมวลผลที่ตามมา ดังนั้นทางเลือกที่ระมัดระวังของซุปเปอร์วิธีพิกเซลและพารามิเตอร์สำหรับการใช้งานโดยเฉพาะอย่างยิ่งมีความสำคัญ เราใช้ TurboPixels [37] ในการสกัด superpixels จากภาพในที่หนึ่งคือประมาณ superpixel สม่ำเสมอในเนื้อและสีเทาเพื่อให้ขอบเขตของภูมิภาคจะถูกเก็บไว้ เพื่อที่จะเข้ารหัสสีเทา, สีพื้นผิวและข้อมูลเชิงพื้นที่เข้า superpixels เราอธิบายแต่ละ superpixel ญโดย vec- คุณลักษณะเวฟ 7 มิติต Fj = (F1, F2, ... , f7) ซึ่ง Fj เป็นค่าเฉลี่ยเวฟ ของทุก

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เราจะมุ่งเน้นไปที่ปัญหาของเงาเอาจากภาพเดียว
ก่อนหน้านี้ทำงาน Finlayson et al . [ 5 ] [ 6 ] ลบเงา โดยตั้งศูนย์เงาขอบ
ในลาดโดเมนและการบูรณาการเพื่อให้ได้เงาฟรีภาพ .
พวกเขาบรรลุผลที่ดีกับภาพที่มีคุณภาพสูง แต่อย่างไรก็ตาม การเปลี่ยนแปลงในดุล
มักจะแนะนำสีเรียบและการสูญเสียเนื้อ

)ประโยชน์ของ superpixels วิเคราะห์และ
แสดงในการใช้งานเช่นการรับรู้วัตถุ [ 35 ] และ Segmen -
tation [ 36 ] รูปที่ 1 แสดงการแบ่งส่วน superpixel ซึ่งใน
ภาพ แบ่งเป็น superpixels และแต่ละ superpixel แสดง
ลักษณะภาพเดียวกัน ซึ่งสามารถก่อให้เกิดความสําคัญของ
การประมวลผลที่ตามมา ดังนั้นทางเลือกที่ระมัดระวังของซูเปอร์ -
วิธีพิกเซลและพารามิเตอร์สำหรับการประยุกต์ใช้เฉพาะ
สําคัญ เราใช้ turbopixels [ 37 ] แยก superpixels จาก
ภาพ ซึ่งเป็นหนึ่งใน superpixel ประมาณสม่ำเสมอในเนื้อและ
สีเทา ดังนั้นขอบเขตของภูมิภาคจะถูกรักษาไว้ เพื่อ
เข้ารหัสสีเทา , พื้นผิวและข้อมูลเชิงพื้นที่ใน superpixels เรา
อธิบายแต่ละ superpixel J โดย 7-dimensional เวฟคุณลักษณะสิ่ง -
ร่าง TOR FJ = ( F1 , F2 , . . . F7 ) , ซึ่งใน FJ เป็นค่าเฉลี่ยเวฟค่าทั้งหมด