[发明专利]一种基于改进型unet++网络的图像去高光方法及系统

说明书

本发明公开了一种基于改进型unet++网络的图像去高光方法及系统，方法按如下步骤：步骤(1)，构建去高光网络模型，将高光图输入到去高光网络模型，以获取预测的高光掩码、高光层图以及无高光图；步骤(2)，训练去高光网络模型，获得网络模型参数。本发明将高光图减去镜面分量获得最终的去高光图像，达到去除高光与恢复图像纹理细节的目的，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于改进型unet++网络的图像高光去除方法及系统。

背景技术

随着计算机的出现和普及，人类所能获取的图像信息日益增长，对信息传播速度、处理速度及处理的要求也越来越高。图像是人们获取信息的重要来源，图像中高光的存在会造成图像细节信息的大量丢失，图像质量大幅度下降，因此如何有效的去除高光是本领域亟待解决的技术问题。

物体在强烈的光照下光滑的表面会形成局部或全局的镜面反射，即高光现象。使得成像的物体表面具有饱和像素，破坏原有区域的相关信息。因此当物体表面出现高光时，纹理和色彩信息会被高光遮挡，变得模糊不清甚至全部消失。高光的出现对计算机视觉领域研究造成了很大的影响，主要体现在物体定位、特征分析、物体识别、边缘检测、图像修复等方面。大部分传统的去高光算法是基于朗伯反射假设，也就是物体表面完全漫反射。但在现实生活中，光滑的物体表面接收到光照时，易发生镜面反射，物体上会形成亮点，产生高光区域，导致成像的物体表面的结构信息缺失。

发明内容

针对现有技术存在的上述问题，本发明提供了一种改进型unet++网络的图像去高光方法及系统。

本发明采取如下技术方案：

一种基于改进型unet++网络的图像去高光方法，包括训练阶段，该阶段的具体步骤是：

步骤(1)，构建去高光网络模型，将高光图输入到去高光网络模型，以获取预测的高光掩码、高光层图以及无高光图；

步骤(2)，训练去高光网络模型，获得网络模型参数。

优选的，步骤(1)具体如下：

去高光网络模型是一个端到端的网络模型，在深度学习中引入高光形成模型，利用领域知识对深度学习加以辅助引导；此模型包括两部分：改进型unet++网络、DDCM-Net网络结构；

高光形成模型(“高光形成模型”见文献“A multi-task network for jointspecular highlight detection and removal”，Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition，2021。)公式为：其中，I表示为原反射光强度图像，S表示为高光层图，M表示为高光掩码，D表示无高光图，表示为元素对应相乘。

所述改进型unet++网络结构的深度有5层，其包括卷积网络、改进的ACBlock网络、下采样、上采样以及跳层连接。

所述的卷积网络共有15个子卷积网络，第一、二、三、四、五层分别有5、4、3、2、1个子卷积网络，每个子卷积网络有两个卷积块A，每个卷积块A包括一个卷积层、归一化层和一个激活层；其中，卷积层采用3×3尺寸卷积核，滑动步长为1，零边缘填充尺寸为1；激活层采用ReLU函数。