[发明专利]一种基于U型空洞残差网络的图像去高光方法

权利要求书

1.一种基于U型空洞残差网络的图像去高光方法，包括训练阶段和测试阶段，其特征在于：

所述的训练阶段具体是：

步骤(1).构建去高光网络模型：

所述的去高光网络模型是一个端到端的网络模型，包括两部分：U型结构、空洞残差结构；

所述的U型结构负责提取图像的纹理、边缘特征，并拼接原始高光图像与特征信息，作为空洞残差结构的输入；U型结构包括压缩部分、扩展部分和最底块，最底块用于桥接压缩部分和扩展部分；

所述的压缩部分包含四个压缩块，每个压缩块中存在两个卷积模块层以及一个下采样层；每个卷积模块层依次包括一个卷积层和一个激活层；其中，卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；下采样层采用核尺寸为2×2的最大池化层；压缩部分输入尺寸为256×256×3，经过第一个压缩块后的输出尺寸为256×256×64，经过第二个压缩块后的输出尺寸为128×128×128，经过第三个压缩块后的输出尺寸为64×64×256个，经过第四个压缩块后的输出尺寸为32×32×512；

所述的最底块中存在两个卷积模块层以及一个下采样层；每个卷积模块层依次包括一个卷积层和一个激活层；其中，卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；最底块输入尺寸为32×32×512，输出尺寸为16×16×1024；

所述的扩展部分包含四个扩展块，前三个扩展块中存在两个卷积模块层和一个上采样层，最后一个扩展块中只存在两个卷积模块层；每个卷积模块层依次包括一个卷积层和一个激活层；除最后一个卷积层外的其他卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；上采样层采用尺寸为2×2的卷积核，第一个上采样层位于最底块与扩展块之间，后三个上采样层位于两个扩展块之间；每个扩展块的输入复制并拼接来自于同一高度的压缩块输出；最后通过核尺寸为1×1的最后一个卷积层过滤提取到的特征，与输入的高光图像拼接，得到尺寸为256×256×4的输出；

所述的空洞残差结构包括输入端、空洞残差网络和输出端，负责增强卷积核的视野区以防止物体色彩纹理信息的大量丢失，并利用U型结构提取到的纹理、边缘特征进行无高光图像的预测；

所述的输入端包含两个卷积模块层，每个卷积模块层依次包括一个卷积层、一个激活层和一个下采样层；卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；下采样层采用核尺寸为2×2的最大池化层；输入尺寸为256×256×4，经过第一个卷积模块后的输出尺寸为128×128×32，经过第二个卷积模块后的输出尺寸64×64×64；

所述的空洞残差网络包含八个空洞残差块，每个空洞残差块包含两个卷积模块层；每个卷积模块层依次包括一个卷积层和一个激活层；卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；空洞残差网络输入尺寸为64×64×64，经过第一个空洞残差块后的输出尺寸为64×64×128，经过第二个空洞残差块后的输出尺寸为64×64×128，经过第三个空洞残差块后的输出尺寸为64×64×256，经过第四个空洞残差块后的输出尺寸为64×64×256，经过第五个空洞残差块后的输出尺寸为64×64×512，经过第六个空洞残差块后的输出尺寸为64×64×512，经过第七个空洞残差块后的输出尺寸为64×64×512，经过第八个空洞残差块后的输出尺寸为64×64×512；

所述的输出端包含两个卷积模块层，每个卷积模块层依次包括一个卷积层、一个激活层和一个上采样层；卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数；上采样层采用尺寸为2×2的卷积核；输出端的输入尺寸为64×64×512，经过第一个卷积模块后的输出尺寸为128×128×32，经过第二个卷积模块后的输出尺寸为256×256×3；

输出端的最后输出即为预测的无高光图像；

步骤(2).训练去高光网络模型：

(2-1).采用正态分布初始化去高光网络模型中所有权值参数；

(2-2).构建训练数据集：收集用于训练的彩色图像，将所有图像缩放大小为256×256，并扩充数据集，扩充数据集采用旋转或翻转方法；然后从集合中随机选择20～50％的图像组成验证集，剩余的图像组成训练网络的训练数据集；

(2-3).训练网络参数：首先设定学习率为α，采用指数衰减，每β次迭代衰减为原来的γ，每δ次迭代计算一次验证集损失，批尺寸为η；定义损失函数为：n为像素点总数，n＝65536为像素点总数，y_i和y_i′分别为第i个像素点真实的和预测的无高光强度值；y和y′分别为真值图和无高光预测图，SSIM为结构相似性指数；

然后采用误差反向传播算法迭代更新网络中的各项权值参数；每迭代M_n次后判断当前模型预测输出与真值之间的损失函数s是否小于设定阈值th，th＝4～8：若sth，则停止迭代，训练结束，输出训练得到的目标检测模型及其对应参数；若s≥th，继续迭代训练，当总的迭代次数达到设定最高次数Iter_max时，训练结束；

所述的测试阶段具体是：模型为端到端模型，若输入图像大小不为256×256，首先将图像缩放至256×256，然后将测试图像输入到模型当中，输出即为预测的无高光图像。