【技术实现步骤摘要】
一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法
[0001]本专利技术属于图像处理
，具体涉及一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法。
技术介绍
[0002]阴影是由于光线被物体完全或部分遮挡而形成的暗色区域。阴影根据成因不同可以分为两大类：一类是物体自身没有被光直接照射到的区域，称为自影；另一类称为投影，是物体向光源方向投影的暗区。阴影在自然界是普遍存在的，图像中的阴影不仅会影响人类的视觉感受，也会影响许多计算机视觉(如目标检测，目标跟踪等)任务的表现，因此阴影去除具有重要的意义。
[0003]早期关于阴影去除的许多方法都是由光照和颜色的物理模型驱动的，近年来随着深度学习的研究和发展，基于深度学习的阴影去除任务已经取得了显著成效。现有的基于深度学习方法主要分为有监督的阴影去除和无监督的阴影去除，其区别是有监督的阴影去除方法需要配对的阴影图像和无阴影图像数据集。但由于图像采集方式的限制，会造成GT图像不可避免的颜色偏移。而现有的阴影去除网络采用的是L1损失，GT图像的颜色偏移...
【技术保护点】
【技术特征摘要】
1.一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法，其特征在于，包括：S1：获取待处理的RGB颜色空间下的阴影图像及其对应的阴影掩模图像I
M
，将RGB颜色空间下的阴影图像由RGB颜色空间转换为Lab颜色空间，得到Lab颜色空间下的阴影图像并进行预处理，得到图像增强后的并进行预处理，得到图像增强后的以及I
MT
；S2：提取图像增强后的阴影图像颜色空间里的明度通道和颜色通道S3：将明度通道和图像增强后的阴影掩膜I
MT
送入明度对比网络θ，得到明度差异特征F
lumin
；S4：将颜色通道和图像增强后的阴影掩膜I
MT
送入颜色差异网络δ，得到颜色差异特征F
color
；S5：构建阴影去除生成对抗网络并进行网络的训练，得到最优的阴影去除生成对抗网络；所述阴影去除生成对抗网络包括：一个生成器G1和一个判别器D1，所述生成器G1由明度特征引导的编码器En1、颜色特征引导的编码器En2和一个解码器De1组成；S6：将明度差异特征F
lumin
和图像增强后的阴影图像输入最优的阴影去除生成对抗网络的编码器En1，生成特征F1，将颜色差异特征F
color
和图像增强后的阴影图像输入最优的阴影去除生成对抗网络的编码器En2，生成特征F2；S7：将特征F1和特征F2一起输入最优的阴影去除生成对抗网络的解码器De1，重建RGB颜色空间下的无阴影图像S8：将重建后的无阴影图像输入最优的阴影去除生成对抗网络的判别器D1，判断重建后的无阴影图像的阴影去除效果。2.根据权利要求1所述的一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法，其特征在于，对图像进行预处理，包括：将和缩放到286
×
286，将缩放后的图像归一化处理，将286，将缩放后的图像归一化处理，将以及I
M
随机裁剪为256
×
256的块，随机水平翻转和垂直翻转，得到图像增强后的以及I
MT
。3.根据权利要求1所述的一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法，其特征在于，提取图像增强后阴影图像的Lab颜色通道里的明度通道和颜色通道包括：将的第1和第2、3通道分离，取出第1通道即为明度通道将的第1和第2、3通道分离，取出2、3通道即为颜色通道4.根据权利要求1所述的一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法，其特征在于，将明度通道和图像增强后的阴影掩膜I
MT
输入明度对比网络θ，得到明度
差异特征F
lumin
，包括：将明度通道经过两个3
×
3的卷积得到浅层特征f2，将图像增强后的阴影掩膜I
MT
进行阴影内外区域注意力反转，得到反转后的阴影掩膜将f2分别与图像增强后的阴影掩膜I
MT
和反转后的阴影掩膜做拼接，获得阴影内外区域的明度注意力将分别做卷积核为1
×
1，3
×
3，5
×
5的卷积，获得不同的感受野的特征，将同一感受野的特征相互拼接，并送入最后一层卷积核为1
×
1的卷积中，得到最终的明度差异特征F
lumin
。5.根据权利要求1所述的一种基于Lab明度和颜色特征并行引导的RGB图像阴影去除方法，其特征在于，将颜色...
【专利技术属性】
技术研发人员：黄颖，李豪，钱鹰，雷秀杰，房少杰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。