[發(fā)明專利]一種基于兩級反射光消除網絡的圖像反射光去除方法

在審

• 申請?zhí)枺?/td>: 202011573740.6
• 申請日: 2020-12-25
• 公開（公告）號: CN112598598A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設計）人: 趙東;王青;汪磊;李晨;張見;牛明;郜云波;馬弘宇;陶旭;劉朝陽;楊成東
• 申請（專利權）人: 南京信息工程大學濱江學院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 徐燕

1.一種基于兩級反射光消除網絡的圖像反射光去除方法，其特征在于，包括如下步驟：

步驟一、利用模擬數據和真實數據構建訓練數據集和測試數據集；

步驟二、設置兩級反射光消除網絡中生成器的一級子網絡；

步驟三、設置兩級反射光消除網絡中生成器的二級子網絡；

步驟四、利用訓練數據集中模擬數據的真實透射圖和反射圖、粗估計的透射圖和反射圖以及圖像反射光去除以后的透射圖，共同構造兩級反射光消除網絡中生成器基于模擬數據像素損失的損失函數；

步驟五、利用訓練數據集中真實數據的真實透射圖、粗估計的透射圖以及圖像反射光去除以后的透射圖，共同構造兩級反射光消除網絡中生成器基于真實數據像素損失的損失函數；

步驟六、利用訓練數據集中模擬數據的真實透射圖和反射圖、粗估計的透射圖和反射圖以及圖像反射光去除以后的透射圖，共同構造兩級反射光消除網絡中生成器基于模擬數據感知損失的損失函數；

步驟七、利用訓練數據集中真實數據的真實透射圖、粗估計的透射圖以及圖像反射光去除以后的透射圖，共同構造兩級反射光消除網絡中生成器基于真實數據感知損失的損失函數；

步驟八、將兩級反射光消除網絡中生成器基于模擬數據像素損失和感知損失的損失函數、兩級反射光消除網絡中生成器基于真實數據像素損失和感知損失的損失函數以及原始生成器對抗損失函數加權相加，作為兩級反射光消除網絡中生成器的損失函數；

步驟九、設定兩級反射光消除網絡中鑒別器的損失函數；

步驟十、訓練兩級反射光消除網絡，依次載入訓練數據集中第M幀圖像作為當前幀圖像，將當前幀圖像輸入生成器的一級子網絡得到粗估計的透射圖和反射圖，再將粗估計的透射圖和反射圖輸入生成器的二級子網絡得到圖像反射光去除以后的透射圖，判斷當前幀圖像是否為訓練數據集的最后一幀圖像；如果是，則完成此輪訓練，進入步驟十一；如果不是，則繼續(xù)載入后續(xù)幀圖像進行訓練，其中，M表示大于等于一的整數；

步驟十一、判斷兩級反射光消除網絡參數是否收斂，如果是，則完成全部訓練，進入步驟十二；如果不是，則返回步驟十，繼續(xù)下一輪訓練直到得到訓練好的兩級反射光消除網絡；

步驟十二、用訓練好的兩級反射光消除網絡對測試數據集進行圖像反射光去除，輸出圖像反射光去除以后的透射圖。

2.如權利要求1所述的圖像反射光去除方法，其特征在于，步驟二具體通過以下步驟實現(xiàn)：

S201、設定一個8層的編碼-解碼器，該編碼-解碼器具有4個不同尺度的卷積塊；

S202、利用4個卷積塊注意單元分別連接同一尺度的編碼-解碼器層；

S203、構建一個全卷積神經網絡，前七層的通道數均為64，第八層為兩個三通道；

S204、將步驟S201至S203連接在一起作為兩級反射光消除網絡中生成器的一級子網絡。

3.如權利要求1所述的圖像反射光去除方法，其特征在于，步驟三具體通過以下步驟實現(xiàn)：

S301、設定9層基于門卷積神經網絡的特征提取層；

S302、設定1層卷積網絡特征提取層；

S303、將步驟S301至S302連接在一起作為兩級反射光消除網絡中生成器的二級子網絡。

4.如權利要求1所述的圖像反射光去除方法，其特征在于，步驟四具體包括：根據如下公式來設定兩級反射光消除網絡中生成器基于模擬數據像素損失的損失函數：

其中，L_pixelS表示兩級反射光消除網絡中生成器基于模擬數據像素損失的損失函數，表示梯度運算符，||·||₂表示求二范數操作，η表示約束因子，λ₁表示權值，λ₂表示梯度權值，T表示真實透射圖，表示粗估計的透射圖，表示圖像反射光去除以后的透射圖，R表示真實反射圖，表示粗估計的反射圖。

5.如權利要求4所述的圖像反射光去除方法，其特征在于，步驟五具體包括：根據如下公式設定兩級反射光消除網絡中生成器基于真實數據像素損失的損失函數：

其中，L_pixelR表示兩級反射光消除網絡中生成器基于真實數據像素損失的損失函數。