基于Pami06论文的阴影去除代码无法生成无阴影图像的排查请求

以下是代码中导致无法生成正确无阴影图像的关键问题及修复方案：

1. 像素循环内重复拷贝导致梯度更新失效 #

在remove_shadow_channel的嵌套i,j循环中，每次处理单个像素时都重新执行gradx_temp = gradx_free.copy()和grady_temp = grady_free.copy()，这会覆盖之前对gradx_temp/grady_temp的所有修改，最终只有循环最后一个像素的更新生效，其余阴影区域的梯度完全没有被正确迭代更新。

修复方案：将temp数组的拷贝操作移到嵌套循环外面，确保所有像素的修改能累积到temp中：

while t < num_iterations:
    # 仅在循环开始时拷贝一次
    gradx_temp = gradx_free.copy()
    grady_temp = grady_free.copy()
    for i in range(1, channel.shape[0] - 1):
        for j in range(1, channel.shape[1] - 1):
            if q_s[i, j]:
                # 直接在已拷贝的temp上修改，不再重复拷贝
                gradx_temp[i, j] = (gradx_free[i - 1, j] + gradx_free[i, j - 1] +
                                    gradx_free[i + 1, j] + gradx_free[i, j + 1])/4
                grady_temp[i, j] = (grady_free[i - 1, j] + grady_free[i, j - 1] +
                                    grady_free[i + 1, j] + grady_free[i, j + 1])/4
    gradx_free = gradx_temp
    grady_free = grady_temp
    # 后续傅里叶变换及停止条件代码...

2. 阴影区域梯度初始化错误 #

当前将阴影区域的初始梯度直接设为0：

gradx_free = np.where(q_s, 0, gradx) 
grady_free = np.where(q_s, 0, grady) 

这不符合论文中「保留非阴影区域梯度，迭代修正阴影区域梯度」的逻辑，初始0值会导致后续迭代收敛异常，无法还原阴影区域的真实纹理梯度。

修复方案：初始时保留阴影区域的原始梯度，或直接用邻域均值初始化阴影区域梯度，而非设为0：

# 方案1：保留阴影区域原始梯度，后续迭代修正
gradx_free = gradx.copy()
grady_free = grady.copy()

# 方案2：用邻域均值初始化阴影区域梯度
gradx_free = gradx.copy()
grady_free = grady.copy()
for i in range(1, channel.shape[0]-1):
    for j in range(1, channel.shape[1]-1):
        if q_s[i,j]:
            gradx_free[i,j] = (gradx[i-1,j]+gradx[i,j-1]+gradx[i+1,j]+gradx[i,j+1])/4
            grady_free[i,j] = (grady[i-1,j]+grady[i,j-1]+grady[i+1,j]+grady[i,j+1])/4

3. 傅里叶重建后的图像亮度偏移问题 #

通过np.fft.ifft2(Z).real得到log域图像后，未调整图像的直流分量（亮度）。由于Z[0,0] = 0，逆傅里叶变换后的图像均值为0，会导致最终输出图像的亮度严重偏离原始非阴影区域。

修复方案：将重建后的log域图像与原始非阴影区域的log域均值对齐：

# 转换回对数域后的处理
shadow_free_channel_log = np.fft.ifft2(Z).real
# 对齐非阴影区域的亮度均值
non_shadow_mask = ~q_s
if np.any(non_shadow_mask):
    mean_log = np.mean(channel_log[non_shadow_mask])
    shadow_free_channel_log += mean_log - np.mean(shadow_free_channel_log)
# 再转换回原始域
shadow_free_channel_exp = np.expm1(shadow_free_channel_log)

4. 输入图像数值范围问题 #

如果输入的image是0-255的uint8类型，直接对其做log1p会导致数值范围过大（log(256)≈5.54），后续梯度计算和傅里叶变换容易出现数值不稳定。

修复方案：处理前先将图像归一化到0-1的浮点数范围：

def remove_shadow(image, q_s, epsilon, num_iterations):
    # 归一化到0-1范围
    image_norm = image.astype(np.float32) / 255.0
    shadow_free_channels = [remove_shadow_channel(image_norm[:, :, i], q_s, epsilon, num_iterations) for i in range(3)]
    shadow_free_image = np.stack(shadow_free_channels, axis=-1) * 255.0
    shadow_free_image = np.clip(shadow_free_image, 0, 255).astype(np.uint8)
    return shadow_free_image

内容的提问来源于stack exchange，提问作者Triks49