申请/专利权人：中国科学技术大学

申请日：2022-03-29

公开（公告）日：2024-04-02

公开（公告）号：CN114742724B

主分类号：G06T5/94

分类号：G06T5/94;G06T5/60;G06T15/50;G06N3/0464;G06N3/084;G06N3/09;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明公开了一种基于模型驱动的图像阴影去除方法，其步骤包括：1、构建一个新的自适应变换的阴影光照模型；2、根据阴影光照模型来构建无阴影图像的变分模型；3、构建高效的模型驱动的迭代算法来求解变分模型，从而获取重建的无阴影图像。本发明能充分结合传统模型驱动方案的可解释性和数据驱动方案的高效性的优势，构建基于阴影图像光照模型驱动的去除图像阴影的算法，并对于算法中部分步骤使用卷积神经网络代替，从而能实现运行高效、去除效果好、可解释性强的阴影去除。

主权项：1.一种基于模型驱动的图像阴影去除方法，其特征是按如下步骤进行：步骤1、获取一张待处理的阴影图像及其对应的阴影掩膜图像并进行预处理，得到预处理后的阴影图像和预处理后的阴影掩膜图像其中，C表示图像的通道数，H和W分别表示图像的高度及宽度；步骤2、利用式1构建自适应变换的阴影光照模型，用于描述所述阴影图像与待求解的无阴影图像之间的变换关系： 式1中，A是自适应变换矩阵；||1-M×A||2＝0是一个正则化条件；步骤3、根据所述阴影光照模型，利用式2构建求解无阴影图像的最小化变分模型： 式2中，DIs,Ins,A为数据保真项，gA表示引入的惩罚项；是变分模型中与阴影图片相关的先验项；β和λ是两个超参数；步骤4、求解所述变分模型中的两个待求解变量，包括：无阴影图像Ins和自适应变换矩阵A；步骤4.1、定义当前迭代次数为k，最大迭代次数为K；构建一个网络模型并获取迭代初始化值；初始化k＝0；步骤4.2、将所述预处理后的阴影图像和预处理后阴影掩膜图像输入初始化后的网络模型Ninit·进行处理，从而获得第k次迭代的无阴影图像和自适应变换矩阵Ak；步骤4.2、利用式3对第k次迭代的无阴影图像和自适应变换矩阵Ak进行更新，从而获得第k+1次迭代的无阴影图像和自适应变换矩阵Ak+1： 式3中，ηk是梯度下降法中第k次更新的步长；是数据保真项对变量Ak进行求导的操作；NA·表示神经网络，用于拟合先验项对于变量Ak的求导操作，表示惩罚项gAk对变量Ak进行求导的操作；步骤4.3、将k+1赋值给k后，判断kK是否成立，若成立，则将第K次的迭代的无阴影图像作为最终的无阴影图像输出；否则，返回步骤4.2顺序执行；步骤4.4、利用式4建立目标损失函数L： 式4中，λd、λreg分别表示目标损失函数L中的超参数；步骤4.5、按照步骤4的过程对一批数量为batch_size的阴影图片集进行处理，并利用Adam优化器进行优化的同时，利用式7进行有监督训练，直到训练次数达到所设定的阈值为止，从而得到全局最优网络用于实现对任一图像的阴影去除。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种基于模型驱动的图像阴影去除方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD