[发明专利]一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法

权利要求书

1.一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，包括：

(1)预测高光掩码图像和去除输入图像中的镜面高光的生成网络；

(2)判定生成网络生成图像是否清晰无高光的判别网络。

2.根据权利要求1所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，具体包括下列步骤：

S1、根据训练集中的高光图像和漫反射图像，获得高光强度掩码图像的真值构建模型训练集；

S2、将高光图像输入判别网络的注意力模块，通过递归的卷积LSTM神经网络得到高光强度掩码图像的预测值；

S3、将高光图像和S2步骤生成的高光强度掩码图像的预测值输入跳跃连接生成器，得到漫反射图像的预测值作为生成网络最终的结果；

S4、将S3中生成的漫反射图像的预测值和真实的漫反射图像输入判别网络中，得到判别得分；

S5、根据S4的结果分别计算生成网络和判别网络的损失，更新网络。

3.根据权利要求2所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，S1包括如下步骤：

S11、对输入的含高光图像和漫反射图像进行灰度化，得到高光灰度图像和漫反射灰度图像；

S12、对高光灰度图像和漫反射灰度图像进行做差，得到差值图像；

S13、对差值图像中的像素值进行最小值最大值标准化，将像素值归一化到[0,1]之间。

4.根据权利要求2所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，S2包括如下步骤：

S21、将含高光图像的灰度图像作为输入，输入连续四层的残差卷积层，提取输入图像中的特征；

S22、将提取的特征配合前一步网络的LSTM模块的输出输入卷积LSTM层，再次提取时序上的特征；

S23、卷积LSTM的输出会输入接下来的卷积层，通过该卷积层调整通道数，得到强度掩码的预测图像；

S24、以上三步为一个块的操作，如此重复N个块，得到N张高光强度掩码图像的预测图像，最后一张高光强度掩码图像作为输出。

5.根据权利要求2所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，S24中的N为大于1的整数。

6.根据权利要求2所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，S3包括下列步骤：

S31、将高光图像和S2步骤生成的高光强度掩码图像的预测值作为输入，首先通过一系列的下采用的卷积层，使得特征图尺寸逐渐减小；

S32、经过卷积瓶颈层，特征图尺寸不变，通过卷积层进一步提取特征；

S33、再经过和S31中对称的上采样卷积层，继续提取特征，并且还原到原始图像尺寸，同时通过跳跃连接融合S31中对称层数的特征，直接传递输入中的某些特征；

S34、通过一层卷积调整通道，得到生成的漫反射图像。

7.根据权利要求1或2所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，生成网络通过如下公式计算损失：

其中，及分别代表输出和真值之间的均方误差损失、结构性相似度损失、注意力模块损失及对抗损失。

8.根据权利要求1所述的一种基于注意力机制的单张灰度图像的金属零件表面高光去除方法，其特征是，S4包括下列步骤：

S41、将生成的漫反射图像的预测值通过一系列的卷积层，这些卷积层的特点通道数不同，但是卷积核尺寸都是1*1，步长和填充为0，所以能得到原始尺寸大小的特征图作为输出；

S42、同样将漫反射图像的真值也送入判别网络，经过图像处理得到输出；

S43、对漫反射图像的预测值和真值的输出，按照公式计算判别网络的损失。