[发明专利]一种基于深度学习的多光谱光度立体表面法向恢复方法

权利要求书

1.一种基于深度学习的多光谱光度立体表面法向恢复方法，其特征为，包括如下步骤：

（1）利用多光谱光度立体系统，拍摄单张待恢复物体的照片；

（2）将拍摄的单张待恢复物体照片的RGB通道分离为三幅单通道的灰白图像；

（3）利用三输入标准光度立体算法输入三幅单通道图像，得到初始表面法向；

三输入标准光度立体算法为C=ρLn；其中，ρ为可求的固定的标量，，为图像上像素点坐标，，n为待求的像素点初始表面法向；

（4）将单张待恢复物体的照片以及初始表面法向一同输入深度网络模型，利用深度学习算法，输出准确的表面法向。

2.根据权利要求1所述的基于深度学习的多光谱光度立体表面法向恢复方法，其特征在于：步骤（1）中，待恢复物体在红绿蓝三个灯照射下拍摄，以待恢复物体为坐标轴原点，建立笛卡尔坐标系，红绿蓝三个灯光照射方向的单位向量分别为，，。

3.根据权利要求1所述的基于深度学习的多光谱光度立体表面法向恢复方法，其特征在于：步骤（2）中，将经RGB通道分离的单通道图像分别存为，，。

4.根据权利要求1所述的基于深度学习的多光谱光度立体表面法向恢复方法，其特征在于：步骤（4）中，深度网络模型的深度学习算法为，首先将待恢复物体的照片和初始表面法向对齐，裁剪为40*40像素的图块；裁剪后的照片与获得的初始表面法向融合输入6层卷积层，前3层卷积层的卷积核大小为5*5像素，后3层的卷积核大小为3*3像素，所有卷积层均采用“SAME”的填充方式和“Relu”的激活函数，经过6层的卷积层，网络最终输出对应40*40像素的准确的表面法向。

5.根据权利要求4所述的基于深度学习的多光谱光度立体表面法向恢复方法，其特征在于：所述深度学习算法采用均方误差作为损失函数，具体公式为，其中，n代表真实法向，代表网络预测的法向。

6.根据权利要求4所述的基于深度学习的多光谱光度立体表面法向恢复方法，其特征在于：所述6层卷积层的特征图通道数分别为32，64，128，128，64，32。