[发明专利]一种基于神经网络的图像去反射方法、系统及相关设备

说明书

本发明涉及机器视觉领域，尤其涉及一种基于神经网络的图像去反射方法、系统及相关设备，所述方法包括：获取包含原彩图像的第一数据集和分离色彩图像的第二数据集；将第一数据集和第二数据集中的图像合成得到反射图像数据集；构建包括图像恢复网络和深度适应网络的图像去反射并发网络；对图像恢复网络进行训练，并输出去反射结果；以第二数据集为输入，对深度适应网络进行训练；构建关于去反射结果、反射图像数据集、第二数据集，以及分别对应图像恢复网络和深度适应网络的权重参数之间的去反射映射关系；重复训练，直到权重参数满足预设最优结果条件，输出所述图像去反射并发网络。本发明突出的去反射方法减少人工干预，提高了网络的预测能力。

技术领域

本发明涉及机器视觉领域，尤其涉及一种基于神经网络的图像去反射方法、系统及相关设备。

背景技术

随着机器视觉技术的不断发展，越来越多工业生产离不开利用机器视觉检测的流程。而作为机器视觉的核心所在，图片质量往往对最后的检测结果起决定性作用，然而在实际的拍摄过程中，得到的图片难无法避免因为玻璃镜面等原因产生反射的情况，这些反射是自然场景中的一部分，很难通过一般的技术手段将其从图片中完全去除，这就为图像的检测带来了一定的噪声干扰。

当人们透过玻璃拍照时，得到的图像包含图像成像所需要检测的透射和影响进行检测的反射，因此需要将反射与透射分离。一般的，将带反射的图像表示为I，I可以通过光线的透射层T和反射层R的线性组合来建模，如I＝T+R，但是由于组合的方案是无穷的，因此消除反射是一个没有唯一解法的问题，并且反射层和透视层都是具有相似的自然图像，这使问题变得更棘手。

在过去的几十年里，人们提出了许多方法来解决这个问题，它们大致分为两类：传统的数学方法和最近的深度学习方法。传统的数学方法利用先验知识来解决这个问题，如Levin等人观察到I的最佳分解是通过最小化边和角的总数去得到的，在此基础上，提出了一种基于边缘和角点局部的去反射方法；Han等人提出了一种基于梯度、在T上是一致的，但是在R上是多样的，他们首先扭曲多个图像的反射I，然后通过计算梯度的可靠性在低秩矩阵上分离T和R。但是这些传统的数学方法有非常大的局限性，无法很好地应用于大部分场景。

发明内容

本发明实施例提供一种基于神经网络的图像去反射方法、系统及相关设备，旨在解决现有技术中的图像去反射方法通用性低，性能差，效率低的问题，并提高图像去反射的精确度。

第一方面，本发明实施例提供一种基于神经网络的图像去反射方法，所述方法包括以下步骤：

S1、获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集；

S2、根据预设权重，将所述第一数据集和所述第二数据集中的图像进行合成，得到反射图像数据集；

S3、构建包括图像恢复网络和深度适应网络的图像去反射并发网络；

S4、以所述反射图像数据集为输入，对所述图像恢复网络进行训练，并输出得到去反射结果；

S5、以所述第二数据集为输入，对所述深度适应网络进行训练；

S6、构建关于所述去反射结果、所述反射图像数据集、所述第二数据集，以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系；

S7、重复步骤S4-S5，直到所述第一权重参数和所述第二权重参数满足预设最优结果条件，输出所述图像去反射并发网络，并利用所述图像去反射并发网络进行图像去反射。

更进一步地，定义所述第一数据集为T，所述第二数据集为R，所述反射图像数据集为I，则所述反射图像数据集I满足：

I＝γ₁T+γ₂R

其中，γ₁、γ₂均为预设数据权重参数。