一种单色图像的阴影检测方法技术

本发明专利技术公开的单色图像的阴影检测方法，涉及图像处理技术领域，通过对输入的图像，提取其具有多级远程依赖性的上下文信息特征，通过双重注意力机制模块，提取最高层级的全局上下文特征，通过残差密集融合模块，融合提取到的全局上下文特征，构建改进的全局上下文模块，有效结合各层级的特征，得到各个层级输出的特征图并根据各个层级输出的特征图，预测单色图像的阴影，解决了在复杂场景中不能准确地检测出图像场景中阴影的问题。

【技术实现步骤摘要】
一种单色图像的阴影检测方法
本专利技术属于图像处理领域，涉及一种单色图像的阴影检测方法，可用于计算机视觉中图像的预处理过程。
技术介绍
阴影检测旨在利用模型或算法检测和分割出图像中的阴影区域。作为图像的预处理步骤，阴影检测在目标检测、语义分割、视频跟踪等视觉任务中起着至关重要的作用。现有的阴影检测方法可以分为两大类：一类是基于传统的阴影检测方法，另一类是基于深度学习的阴影检测方法。基于传统的阴影检测算法主要是通过人工提取的颜色、纹理、亮度、方向等特征完成图像阴影的检测，过度的依赖于人工选取的特征，对场景适应性不强，不具有鲁棒性，在复杂场景下的数据集表现不加。随着深度学习技术的广泛应用，基于深度学习的阴影检测研究取得了突破性进展，相较于传统的阴影检测算法，检测性能显著提高，有相对较强的鲁棒性。大多数的阴影检测方法如“QuL,TianJ,HeS,etal.DeshadowNet:AMulti-contextEmbeddingDeepNetworkforShadowRemoval[C].IEEEConferenceonComputer本文档来自技高网...

【技术保护点】
1.一种单色图像的阴影检测方法，其特征在于，包括如下步骤：/n(1)对输入的单色图像，提取其具有多层级特征的全局上下文信息；/n(2)利用双重注意力模块，提取最高层级的上下文信息；/n(3)利用残差密集融合模块，对最高层级的上下文信息进行融合；/n(4)利用改进的全局上下文模块，结合步骤(1)得到的全局上下文信息；/n(5)将步骤(4)得到的各个层级的全局上下文信息作为其下一层级的输入并将各个层级的全局上下文信息作为其相应层级的输出，得到多个特征图；/n(6)将步骤(5)得到的多个特征图输入训练过的神经网络模型，得到单色图像的阴影检测结果。/n

【技术特征摘要】
1.一种单色图像的阴影检测方法，其特征在于，包括如下步骤：
(1)对输入的单色图像，提取其具有多层级特征的全局上下文信息；
(2)利用双重注意力模块，提取最高层级的上下文信息；
(3)利用残差密集融合模块，对最高层级的上下文信息进行融合；
(4)利用改进的全局上下文模块，结合步骤(1)得到的全局上下文信息；
(5)将步骤(4)得到的各个层级的全局上下文信息作为其下一层级的输入并将各个层级的全局上下文信息作为其相应层级的输出，得到多个特征图；
(6)将步骤(5)得到的多个特征图输入训练过的神经网络模型，得到单色图像的阴影检测结果。


2.如权利要求1所述的单色图像的阴影检测方法，其特征在于，步骤(1)中提取的具有多层级特征的全局上下文信息，使用相同比率的全局上下文模块加到基础网络的每一个层级上以改进为新的基础网络，得到5个不同层级的特征F0、F1、F2、F3及F4，其中，F0、F1、F2、F3及F4的通道数分别为64、256、512、1024、2048，全局上下文模块利用相同的比率进行通道降维。


3.如权利要求1所述的单色图像的阴影检测方法，其特征在于，步骤(2)中的双重注意力模块分别包括空间注意力模块和位置注意力模块，将步骤(1)得到的5个层级特征的最高层特征输入到双重注意力模块中，得到高层级语义特征


4.如权利要求1所述的单色图像的阴影检测方法，其特征在于，步骤(3)中残差密集融合模块是针对同一特征级别下的特征进行的密集融合，其特征在于：
残差密集融合模块包括3个洞卷积操作及1个卷积操作1个卷积跳连接操作


5.如权利要求4所述的单色图像的阴影检测方法，其特征在于：
3个洞卷积操作为一个卷积核为3×3、步长为1、洞率为3、参数为的洞卷积操作一个卷积核为3×3、步长为1、洞率为6、参数为的洞...

【专利技术属性】
技术研发人员：张强，强晓鹏，李磊，任君，齐航，张鼎文，梁杰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61