[发明专利]一种基于生成式对抗网络的阴影去除方法

说明书

本发明涉及一种基于生成式对抗网络的阴影去除方法，该方法针对单幅图像阴影去除，首先设计生成式对抗网络并利用阴影图像数据集进行训练，然后通过对抗学习的方式来训练判别器和生成器，最后生成器恢复出以假乱真的阴影去除图像。本发明方法仅由一个生成式对抗网络构成，在生成器中分别设计阴影检测子网络和阴影去除子网络，并且利用十字绣模块自适应融合不同任务之间的底层特征，将阴影检测作为辅助任务，从而提升阴影去除表现。

技术领域

本发明属于图像处理技术领域，具体涉及一种图像处理尤其是单幅图像阴影去除方法。

背景技术

近年来，计算机视觉系统已经广泛应用于生产生活场景，如工业视觉检测、视频监控、医疗影像检测和智能驾驶等。然而，阴影作为自然界中普遍存在的一种物理现象，它给计算机视觉任务带来诸多不利影响，增加了问题处理的难度，降低了算法的鲁棒性。首先，阴影的形状变化很大。即使对于相同的物体，阴影的形状也会根据光源的变化而变化。其次，当光不是点光源时，阴影内部区域的强度不均匀。光源越复杂，阴影的边界区域越宽。在边界区域附近，逐渐从阴影变为非阴影。比如草地上覆盖的阴影会破坏灰度值的连续性，进而影响语义分割、特征提取和图像分类等视觉任务；又比如高速公路视频监控系统中，由于阴影随着汽车一同运动，从而降低了提取汽车形状的准确度。因此，有效的阴影去除会大大提高图像处理算法的性能。

目前，阴影去除方法主要分为两类，一类是基于视频序列，利用多幅图像的信息，通过差分法完成阴影的去除，但是应用场景十分有限且对于单幅图像无能为力；一类是基于单幅图像，通过建立物理模型或者特征提取的方法来消除图像中的阴影，但是面对复杂背景的图像，该方法的阴影去除性能将严重下降。不难看出，基于单幅图像的阴影去除的应用场景十分广泛，将是未来重点研究方向。但是因为单幅图像的可利用信息较少，所以在阴影去除性能上仍有很大的提高空间。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于生成式对抗网络的阴影去除方法。

技术方案

一种基于生成式对抗网络的阴影去除方法，所述的生成式对抗网络包括生成器和判别器，其特征在于步骤如下：

步骤1：增强阴影图像数据集；

步骤2：分别设计生成器中的阴影检测子网络和阴影去除子网络，定义生成器损失函数；

步骤2-1：设计生成器的阴影检测子网络，该网路分别由7层网络构成，其中，第1层网络是卷积核为3×3、通道数为64的卷积层，第2-6层网络由基本残差块组成，每个残差块的卷积核为3×3、通道数为64，第7层网络是卷积核为3×3、通道数为2的卷积层；

步骤2-2：定义阴影检测子网络损失函数

预设阴影检测标签图像l(w,h)∈{0,1}，对于给定的像素点(w,h)属于l(w,h)的概率为：

其中F_k(w,h)记为来自阴影检测子网络最后一层k通道特征图像素点(w,h)的值，w＝1,…,W₁，h＝1,…,H₁；W₁和H₁分别是特征图的宽和高；故阴影检测子网络损失函数定义如下：

步骤2-3：生成器的阴影去除子网络由7层网络构成，其中，该网络的第7层网络是卷积核为3×3、通道数为1的卷积层，其余网络与步骤2-1中设计的阴影检测子网络结构保持一致；

步骤2-4：定义阴影去除子网络损失函数