[發(fā)明專利]一種基于GAN的圖像陰影檢測和消除方法

在審

• 申請?zhí)枺?/td>: 202110411932.5
• 申請日: 2021-04-16
• 公開（公告）號: CN112991329A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設(shè)計）人: 陳少君;蔣杼倩;龍斌
• 申請（專利權(quán)）人: 浙江指云信息技術(shù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 鄭芳

本發(fā)明涉及一種基于GAN的圖像陰影檢測和消除方法，本發(fā)明定義了一種生成對抗網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，用于共同完成圖像中的陰影檢測和消除；使用光照強度作為陰影模型中的強度信息，調(diào)整陰影部分的光照強度來完成陰影去除的工作。本發(fā)明可以迅速有效的在單張圖像中消除陰影部分，消除陰影部分后，整張圖片的亮度與非陰影部分可以保持相同，不會導(dǎo)致非陰影部分亮度下降，不影響消除后圖片質(zhì)量。

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像陰影檢測和消除方法，具體地說，是涉及一種基于GAN的圖像陰影檢測和消除方法。

背景技術(shù)

生成對抗網(wǎng)絡(luò)(GAN,Generative Adversarial Networks)是一種深度學(xué)習(xí)模型，由兩種神經(jīng)網(wǎng)絡(luò)組成，分別是生成器和判別器。生成器用來解決提出的問題，而判別器接收生成器的結(jié)果，判斷生成器生成的結(jié)果是否真實。這兩種神經(jīng)網(wǎng)絡(luò)被訓(xùn)練成敵對的姿態(tài)來完成相互對抗，推動生成器生成更逼真的圖像。

圖像中的陰影經(jīng)常會導(dǎo)致在圖像分割、圖像識別等計算機視覺技術(shù)出現(xiàn)各種問題，所以陰影去除技術(shù)對提升圖像識別、目標(biāo)跟蹤等技術(shù)有很大的幫助。這個過程可以分為兩步，分別是陰影檢測和陰影消除。在陰影檢測過程中，需要準確的標(biāo)記處陰影區(qū)域和非陰影區(qū)域，而在陰影消除過程中，需要重點關(guān)注在檢測過程中標(biāo)記的陰影區(qū)域，并重構(gòu)出沒有陰影的圖像。在這兩個算法中，它們都接收相同的基礎(chǔ)數(shù)據(jù)，產(chǎn)生不同的結(jié)果。在現(xiàn)有技術(shù)中，這兩個流程一般是分開處理的。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于GAN的圖像陰影檢測和消除方法。本發(fā)明定義了一種生成對抗網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，用于共同完成圖像中的陰影檢測和消除；使用光照強度作為陰影模型中的強度信息，調(diào)整陰影部分的光照強度來完成陰影去除的工作。

本發(fā)明采用的技術(shù)方案為：

一種基于GAN的圖像陰影檢測和消除方法，包括下述步驟：

(1)固定陰影檢測生成器G₁的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重參數(shù)不變，輸入一張原始的有陰影的圖像，輸出一張由G₁標(biāo)記的陰影區(qū)域圖像，陰影區(qū)域和非陰影區(qū)域用表示如下：

其中陰影區(qū)域表示為1，非陰影區(qū)域表示為0；

(2)訓(xùn)練陰影檢測判別器D₁，D₁接收由G₁生成的陰影區(qū)域圖像和原始圖像，輸出陰影區(qū)域的真實程度，訓(xùn)練D₁的損失函數(shù)表示如下：

其中x表示輸入的圖像，y表示陰影實際檢測出來的區(qū)域，L表示訓(xùn)練D₁的損失值，E_{x,y～pdata(x,y)}表(x,y)在pdata(x,y)分布中的期望值；

(3)完成判別器D₁的訓(xùn)練后，訓(xùn)練生成器G₁，訓(xùn)練G₁的損失函數(shù)如下：

L_data1(G₁)＝E_{x,y～pdata(x,y)}||y-G₁(x)||₂

(4)完成陰影檢測生成器和陰影檢測判別器后，固定陰影消除生成器G₂的權(quán)重，首先訓(xùn)練陰影消除判別器D₂，訓(xùn)練D₂的損失函數(shù)表示如下：

r表示的是用于去除陰影的地面真實圖像標(biāo)記；