[发明专利]一种车损伤图像的增强方法和装置

权利要求书

1.一种车损伤图像的增强方法，其特征在于，该方法包括如下步骤：

步骤1、获取待定损的车辆图像；

步骤2、从待定损的车辆图像中分割出车辆的各个部件，并从分割出的所述车辆的各个部件中确定感兴趣部件区域，以作为AI定损环节感兴趣的区域；

步骤3、对所述感兴趣部件区域分别进行反光区域检测、阴影区域检测，若检测到待定损的车辆图像中存在反光区域，则确定反光区域的Mask；若检测到待定损的车辆图像中存在阴影区域，则确定阴影区域的Mask；若未检测到反光区域和阴影区域，则执行步骤5；

步骤4、若检测到待定损的车辆图像中存在反光区域，则根据确定的所述反光区域的Mask和所述待定损的车辆图像，获得消除反光后的待定损图像，将消除反光后的图像送给后端的AI定损服务器；

若检测到待定损的车辆图像中存在阴影区域，则根据确定的所述阴影区域的Mask和所述待定损的车辆图像，获得消除阴影后的待定损图像，将消除阴影后的图像送给后端的AI定损服务器；

步骤5、后端的AI定损服务器进行定损处理；

在步骤4中，获得消除反光后的待定损图像，具体包括：

步骤401、采用多尺度拉普拉斯卷积核Laplacekernel对所述待定损的车辆图像进行特征提取，获得拉普拉斯特征；

步骤402、采用正常的卷积核模块对所述待定损的车辆图像进行特征提取，以获得待定损的车辆图像特征；

步骤403、对所述拉普拉斯特征分别进行反射特征的提取和透射抑制处理，以得到反射概率图RCMap和被抑制后的拉普拉斯特征；

步骤404、根据所述待定损的车辆图像特征、反射概率图RCMap和被抑制后的拉普拉斯特征来获得反射图Reflection；

步骤405、使用1减去反射概率图RCMap以得到透射概率图；

步骤406、将所述待定损的车辆图像、反射图和透射概率图采用基于上下文的自动编码器ContextualAutoencoder以得到消除反光后的图像；

反射概率图RCMap为同所述待定损的车辆图像尺寸大小一致的单通道图，其每个像素点的值为0-1的浮点数，表示该像素位置上接受到的光为反射光的概率，1减去该点的像素值表示该像素位置上接收到的光为透射光的概率；

步骤403进一步包括：

步骤4031、将所述待定损的车辆图像分别缩放到原始尺寸的1、1/2、1/4、1/8大小，采用拉普拉斯卷积核Laplacekernel进行特征提取，再依次分别进行0、1、2、4次上采样到所述待定损的车辆图像的大小，以得到各上采样后的车辆图像；

步骤4032、将各上采样后的车辆图像在通道层进行拼接，之后再接3个SE模块进行反射特征的提取，对提取后的反射特征后接一个卷积层和Sigmoid层得到反射概率图RCMap；

步骤4033、对提取的反射特征后再接3个SE模块来抑制透射区域的拉普拉斯特征；

步骤4034、通过反射概率图RCMap和被抑制后的拉普拉斯特征做点积后得到最终的反射部分的拉普拉斯特征F_Laplace；

步骤4035、采用4个SE模块提取所述待定损的车辆图像的特征F，将反射部分的拉普拉斯特征F_Laplace和所述待定损的车辆图像的特征F在通道层拼接，之后通过LSTM+Conv+Relu得到反射图Reflection；

在步骤4中，获得消除阴影后的待定损图像，具体包括：

步骤401’、将所述待定损的车辆图像和所述阴影区域的Mask在像素层级做点积，以得到阴影区域的图；

步骤402’、由阴影去除网络对阴影区域的图进行修复，以得到补偿后的阴影区域图；

所述阴影去除网络采用UNet结构，包含6个Conv+Relu+CBAM结构和6个DConv+Relu结构，每个降采样层和后面对应分辨率的升采样层之间有跳层连接，其输出中阴影区域的光照已经得到补偿；

步骤403’、在通道层拼接阴影区域的Mask、所述待定损的车辆图像和补偿后的阴影区域图，通过整图修复网络得到完整的消除阴影后的图像；

在步骤3中进行反光区域检测、阴影区域检测之前，还包括：

采用Mask-RCNN方法来对待定损图像进行语义分割，Mask-RCNN添加语义分割分支后对图像的反光区域和阴影区域进行检测；

阴影区域的图的大小和所述待定损的车辆图像相同，但是阴影区域以外的像素全部为0值；

所述阴影去除网络采用UNet结构，包含6个Conv+Relu+CBAM结构和6个DConv+Relu结构，每个降采样层和后面对应分辨率的升采样层之间有跳层连接，其输出中阴影区域的光照已经得到补偿。