【技术实现步骤摘要】
一种基于深度学习的单图像去反射方法
本专利技术涉及数字图像复原领域,特别涉及了一种基于深度学习的单图像去反射方法。
技术介绍
随着科学技术的不断发展人们对信息的感知、获取和处理变得越来越重要,然而现实世界的拍摄过程光照造成的反射会导致户外视频系统捕获的图像颜色和对比度严重退化不仅会影响人们的观察理解,而且妨碍图像后续处理的基本信息提取。当人们在玻璃前拍摄物体的照片时,反射是很常见的物理现象。因此,如何降低或去除反射对图像的影响成为计算机视觉领域的研究的基础问题。针对反射问题,Shih等人(Y.Shih,D.Krishnan,F.Durand,andW.T.Freeman,“Reflectionremovalusingghostingcues,”inIEEEConferenceonComputerVisionandPatternRecognition,2015.)对Google上的关于窗户反射的图像进行了物理统计,结果发现大约有一半的图像会伴随有重影现象这是由于玻璃的双重反射在图像上产生的关于反射层场景的二次成像现象导致的。本专利技术主要针对有重影效应的反射图像,使用了Diamant和Schechner提出的重影模型(Y.DiamantandY.Y.Schechner.Overcomingvisualreverberations.InIEEEConferenceonComputerVisionandPatternRecognition(CVPR),pages1–8,2008.2,3,5.)。来自被反射物体的光线 ...
【技术保护点】
1.一种基于深度学习的单图像去反射方法,其特征在于,包括以下步骤:/nS1、首先合成具有带重影的反射图像以及对应重影参数和背景层反射层图像的合成反射图像数据集,通过合成反射图像数据集中反射重影图像和对应重影参数对于进行重影卷积核k参数估计的CNN模型有监督的进行预训练;/nS2、利用具有真实背景层图像T和反射层图像R对应的合成反射图像数据集通过有监督学习对于估计背景层图像T和反射层图像R的基于U-net模型进行预训练;/nS3、将具有在真实世界中对于重影卷积核k、真实背景层图像T和反射层图像R未知的带重影的反射图像的数据集作为真实反射图像数据集;输入带重影的真实反射图像I根据重影区域信息利用传统方法或者深度学习的方法及S1中预训练得到的CNN模型进行重影卷积核参数的估计得到k′;/nS4、将步骤S3中的带重影的真实反射图像I同时输入基于U-net模型输出对应背景层图像T′和反射层图像R′;/nS5、根据步骤S3得到的重影卷积核k′、步骤S4得到的背景层图像T′和反射层图像R′,通过已有带重影的真实反射图像I进行自监督学习,训练网络模型;/nS6、将测试数据集中的带重影的反射图像输入训练 ...
【技术特征摘要】
1.一种基于深度学习的单图像去反射方法,其特征在于,包括以下步骤:
S1、首先合成具有带重影的反射图像以及对应重影参数和背景层反射层图像的合成反射图像数据集,通过合成反射图像数据集中反射重影图像和对应重影参数对于进行重影卷积核k参数估计的CNN模型有监督的进行预训练;
S2、利用具有真实背景层图像T和反射层图像R对应的合成反射图像数据集通过有监督学习对于估计背景层图像T和反射层图像R的基于U-net模型进行预训练;
S3、将具有在真实世界中对于重影卷积核k、真实背景层图像T和反射层图像R未知的带重影的反射图像的数据集作为真实反射图像数据集;输入带重影的真实反射图像I根据重影区域信息利用传统方法或者深度学习的方法及S1中预训练得到的CNN模型进行重影卷积核参数的估计得到k′;
S4、将步骤S3中的带重影的真实反射图像I同时输入基于U-net模型输出对应背景层图像T′和反射层图像R′;
S5、根据步骤S3得到的重影卷积核k′、步骤S4得到的背景层图像T′和反射层图像R′,通过已有带重影的真实反射图像I进行自监督学习,训练网络模型;
S6、将测试数据集中的带重影的反射图像输入训练好的基于U-net模型,输出对应的反射层图像和背景层图像。
2.根据权利要求1所述的一种基于深度学习的单图像去反射方法,其特征在于,步骤S1包括以下步骤:
S1.1、为合成带重影的反射图像的数据集,衰减因子c在[0.5,1]随机采样,空间移位矢量d是一个随机向量满足1<||(d)||2≤20,在现有的真实图像数据集中随机选择两张图像作为反射层和背景层,从而生成若干张具有反射重影图像、对应重影参数和背景层反射层图像的合成数据集;在合成数据集中随机选择N1个大小为r×r的反射图像区域块,记为xi;
S1.2、将合成反射图像区域块xi的对应重影参数及衰减因子c、空间移位矢量d根据公式计算区域块真实的重影卷积核k,具体如下:
k=δ(x)+cδ(x-d);
其中x指像素的坐标,δ(·)表示狄拉克函数;以xi作为输入,重影卷积核k作为标签训练CNN模型。
3.根据权利要求2所述的一种基于深度学习的单图像去反射方法,其特征在于,所述CNN模型包括卷积层conv、批归一化层BN、激活函数ReLU和激活函数SoftMax;
第一层包括64个大小为3×3×c的滤波器的卷积层,其中c表示通道数,彩色图像c=3;第二层至第八层均包括64个大小为3×3×64的滤波器的卷积层和批归一化层,且第二层至第八层均添加激活函数ReLU输出至下一层;第九层包括c个大小为3×3×64的滤波器用于重构输出,且第九层添加激活函数SoftMax作为输出;
所述训练CNN模型为将估计的重影卷积核k′与真实的重影卷积核k之间的均方误差作为损失函数使用SGD反向传播算法训练网络各层参数。
4.根据权利要求2所述的一种基于深度学习的单图像去反射方法,其特征在于,步骤S2中,采用步骤S1中的合成反射图像数据集作为训练样本,通过有监督学习方法训练生产背景层图像T和反射层图像R的基于U-net模型,具体如下:
对于S1.1中随机选择的合成反射图像区域块xi,以xi对应的真实背景层图像T和反射层图像R作为标签训练基于U-net模型;
所述基于U-net模型包括卷积层Conv、批归一化层BN、最大池化层MaxPool、反卷积层Deconv、激活函数ReLU以及跳跃链接SkipConn;其中,最大池化层用于进行下采样,反卷积层用于进行上采样;首先输入大小为W×H×c图像利用三层包括64个大小为3×3×c的滤波器的卷积层和激活函数ReLU进行特征提取,特征输入三层下采样层,下采样层由卷积层和激活函数ReLU和2×2池化核的最大池层构成;将下采样层输出的图像编码输入到三层上采样层,上采样层由卷积层和激活层ReLU和反卷积层构成,并且为保证扩展路径与收缩路径相同大小的特征图更好的进行跳层连接,反卷积操作之后引入2×2卷积核;跳过连接从第1/2个下采样层添加到第3/2个上采样层;将下采样层输出的大小为W×H×64...
【专利技术属性】
技术研发人员:黄艳,秦欣然,全宇晖,许勇,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。