[发明专利]一种基于内容感知信息的图像阴影消除方法

说明书

本发明提供一种基于内容感知信息的图像阴影消除方法，包括：建立虚拟场景和真实场景的阴影图像数据集及无阴影图像数据集；构建生成器网络模型，该生成器网络模型包含全局内容网络及局部修正网络；将阴影图像x作为输入对生成器网络模型进行训练，经过全局内容网络后输出初始阴影消除结果图像xsubgt;1/subgt;，再经过局部修正网络后输出最终阴影消除结果图像xsubgt;2/subgt;；构建鉴别器网络模型；将最终阴影消除结果图像xsubgt;2/subgt;及对应的无阴影图像y作为鉴别器网络的输入；通过损失函数对生成器网络模型及鉴别器网络模型进行训练优化；利用优化后的生成器网络模型对待处理阴影图像进行阴影消除。本发明的基于内容感知信息的图像阴影消除方法处理得到的无阴影图像自然真实。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于内容感知信息的图像阴影消除方法。

背景技术

阴影是光线被部分或者全部遮挡时产生的一种自然现象，并且阴影区域的亮度比其他区域低，这种低亮度的特点会降低某些计算机视觉任务的准确性和有效性，例如目标跟踪，目标检测，目标识别等。因此，在这些工作任务中有必要对图像中的阴影进行消除，恢复阴影区域的光照，提高图像的视觉效果，从而确保这些工作任务可以更加准确有效的施行。但是，由于场景中光照和纹理的变化以及其他环境因素的影响，使得复杂场景的图像阴影消除任务依然是一项十分具有挑战性的问题。

图像的阴影消除是指在保证阴影区域原有色调及纹理结构的基础上，恢复阴影区域的光照，使恢复后阴影区域的亮度、颜色、纹理等与周围环境一致的。然而，目前的使用深度学习方法虽然在图像阴影消除领域上取得了一些进步，但是仍然存在一些不足：一方面，这些图像阴影消除方法对训练数据集依赖性较大，而目前公开的阴影图像数据集中阴影及场景类型都较为简单，使得训练得到的网络模型效果不够好；另一方面，图像阴影消除方法的有效性在很大程度上取决于设计的网络模型，而目前这些图像阴影消除方法的网络模型设计不够科学合理，大多只关注图像本身，而没有很好的探索其他额外与图像相关的信息，这也使得图像最终处理效果不够理想。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于内容感知信息的图像阴影消除方法，提出一种由全局到局部的网络模型来完成图像的阴影消除任务。

本发明的目的具体通过如下技术方案实现：

本发明提供的基于内容感知信息的图像阴影消除方法，其特征在于，包括：步骤1，建立虚拟场景和真实场景的阴影图像数据集X，并建立对应的虚拟场景和真实场景的无阴影图像数据集Y；步骤2，构建一个生成器网络模型，该生成器网络模型包含全局内容网络以及局部修正网络；步骤3，将阴影图像数据集X中的阴影图像x作为输入对生成器网络模型进行训练，x经过全局内容网络后输出初始阴影消除结果图像x₁，x₁经过局部修正网络后输出最终阴影消除结果图像x₂；步骤4，构建一个鉴别器网络模型；步骤5，将最终阴影消除结果图像x₂以及无阴影图像数据集Y中对应的无阴影图像y作为输入，通过鉴别器网络模型对最终阴影消除结果图像x₂进行鉴别；步骤6，通过损失函数对生成器网络模型以及鉴别器网络模型进行训练优化，并得到优化后的生成器网络模型以及鉴别器网络模型；步骤7，利用步骤6所得的优化后的生成器网络模型对待处理阴影图像进行阴影消除。

进一步，在本发明提供的基于内容感知信息的图像阴影消除方法中，还具有这样的特征：其中，全局内容网络包含一个编码器及一个解码器，编码器采用卷积操作以及非线性变换操作对输入的图像进行降采样，提取图像特征；解码器将降采样的图像特征结果作为网络输入，通过反卷积操作进行上采样并重建图像，得到初始阴影消除结果图像x₁。