[发明专利]图像反射光消除方法及图像反射光消除网络构建方法

权利要求书

1.一种图像反射光消除方法，其特征在于，所述方法包括下述步骤：

S1.通过编码器和解码器构成的第一网络对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计；

S2.通过门控卷积和普通卷积构成的第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全，输出3通道透射估计图像；

所述第二网络还嵌入卷积块注意单元和跳跃连接以增强网络表达能力。

2.一种图像反射光消除网络构建方法，其特征在于，包括以下步骤：

G1.搭建Tensorflow的开发环境并选取包含反射光的图像的训练集；

G2.构建基于反射掩模引导的二级反射光消除网络模型；

G3.为所述二级反射光消除网络模型层每级网络构建损失函数，以增加最终的透射光预测的误差权重，从而提升透射估计图像的预测精度；

G4.使用Adam优化器优化所述损失函数；

所述步骤G2包括以下步骤：

G21.通过编码器和解码器构成的第一网络，对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计；

G22.通过门控卷积和普通卷积构成的第二网络，并与所述第一网络构成生成器；所述第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全，输出3通道透射估计图像；

G23.通过5层神经网络构成判别器，对真实透射图像、所述3通道透射估计图像和所述粗略反射估计构成的9通道图像顺序进行下采样、LReLU激活和归一化处理后按批展开，生成最终的真伪判断值。

3.如权利要求2所述的方法，其特征在于，所述损失函数由二级网络各自的损失函数加权构成；其中，单级网络的损失由像素损失以及感知损失构成。

4.如权利要求3所述的方法，其特征在于，合成训练样本中包含了二级预测结果的所述像素损失和所述感知损失分别为：

其中，

LpixelS代表合成图像的像素损失，T和分别表示真实的透射图像与预测的透射图像，R和分别表示真实的反射图像与预测的反射图像；表示梯度运算符，λ代表权值；LperceptualS为合成训练图像的感知损失。

5.如权利要求4所述的方法，其特征在于，所述λ1的值为0.2，所述λ2的值为0.4；将第一级预测结果的损失乘以系数0.5。

6.如权利要求5所述的方法，其特征在于，真实训练样本中由于没有反射参考图像，因此损失函数中不包含反射误差项，此时，相应的像素损失和感知损失变为：

LpixelR和LperceptualR分别代表真实样本的像素损失和感知损失，式中各变量意义与合成样本的损失定义相同。

7.如权利要求3所述的方法，其特征在于，判别器的损失函数为：

L_S＝αL_A+βL_pixelS+γL_perceptualS；

L_R＝αL_A+βL_pixelR+γL_perceptualR；

其中，α、β、γ均为权重系数；α设置为1，β设置为1，γ设置为0.5。

8.如权利要求2所述的方法，其特征在于，所述步骤G4中，输入图片尺寸裁剪为200*200到384*384；输入到所述判别器时将图片尺寸设置为256*256；学习率每50步分别设置为1e-4,3e-3和1e-5，共训练150步。