【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种阴影模型确定方法、装置、设备及介质。
技术介绍
1、阴影去除是计算机视觉领域中的一个重要问题，因为阴影会导致图像细节的丢失和场景不一致性。传统的阴影去除方法主要依赖于手工设计的先验和图像属性，如梯度、区域和照明。近年来，卷积神经网络(cnn)和transformer模型等深度学习方法在阴影去除领域取得了显著的进展。然而，现有的方法在处理阴影区域以外的非阴影区域时通常涉及大量计算，导致效率低下。
2、近年来的研究中，很多方法使用cnn实现阴影去除，如st-gan、bmnet等。这些方法通过学习数据表示来提高阴影去除的性能，但通常需要处理整个输入图像，导致计算成本较高。最近，一些方法尝试使用transformer模型来聚合全局上下文信息以辅助阴影去除。然而，类似于cnn方法，它们在非阴影区域的计算成本仍然较高。
技术实现思路
1、本专利技术提供了一种阴影模型确定方法、装置、设备及介质，以提高阴影模型对阴影去除的效果。
2、根据本专利技术的第一方面，提供了一种阴影模型确定方法，包括：
3、获取待训练图像三元组集以及预设阴影模型，所述待训练图像三元组集中的每个待训练图像三元组包括阴影图像、阴影掩膜及无阴影图像；
4、针对所述待训练图像三元组集中的所述待训练图像三元组，根据所述阴影图像及所述阴影掩膜，确定所述阴影图像中的遮挡补丁及非遮挡补丁；
5、根据预设阴影模型中的编码器对所述遮挡补丁进行处理，
6、根据所述编码结果、所述非遮挡补丁、所述无阴影图像及所述预设阴影模型中的解码器，确定阴影去除结果，以及所述阴影去除结果对应的损失函数；
7、根据所述损失函数对所述预设阴影模型进行修正，确定最终阴影模型。
8、根据本专利技术的第二方面，提供了一种阴影模型确定装置，包括：
9、模型获取模块，用于获取待训练图像三元组集以及预设阴影模型，所述待训练图像三元组集中的每个待训练图像三元组包括阴影图像、阴影掩膜及无阴影图像；
10、补丁确定模块，用于针对所述待训练图像三元组集中的所述待训练图像三元组，根据所述阴影图像及所述阴影掩膜，确定所述阴影图像中的遮挡补丁及非遮挡补丁；
11、结果确定模块，用于根据预设阴影模型中的编码器对所述遮挡补丁进行处理，得到编码结果；
12、函数确定模块，用于根据所述编码结果、所述非遮挡补丁、所述无阴影图像及所述预设阴影模型中的解码器，确定阴影去除结果，以及所述阴影去除结果对应的损失函数；
13、模型确定模块，用于根据所述损失函数对所述预设阴影模型进行修正，确定最终阴影模型。
14、根据本专利技术的第三方面，提供了一种电子设备，所述电子设备包括：
15、至少一个处理器；以及
16、与所述至少一个处理器通信连接的存储器；其中，
17、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的阴影模型确定方法。
18、根据本专利技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的阴影模型确定方法。
19、本专利技术实施例的技术方案，通过获取待训练图像三元组集以及预设阴影模型，待训练图像三元组集中的每个待训练图像三元组包括阴影图像、阴影掩膜及无阴影图像；针对待训练图像三元组集中的待训练图像三元组，根据阴影图像及阴影掩膜，确定阴影图像中的遮挡补丁及非遮挡补丁；根据预设阴影模型中的编码器对遮挡补丁进行处理，得到编码结果；根据编码结果、非遮挡补丁、无阴影图像及预设阴影模型中的解码器，确定阴影去除结果，以及阴影去除结果对应的损失函数；根据损失函数对预设阴影模型进行修正，确定最终阴影模型。通过对遮挡补丁的定向编码，保证了阴影区域处理的高效性，提高了阴影去除的性能。
20、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种阴影模型确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述阴影图像及所述阴影掩膜，确定所述阴影图像中的遮挡补丁及非遮挡补丁，包括：
3.根据权利要求1所述的方法，其特征在于，所述编码器包括至少两个第一变压器块，所述第一变压器块中包括多头自注意力层、多层感知机层及层归一化。
4.根据权利要求3所述的方法，其特征在于，所述预设阴影模型中的解码器包括一个第二变压器块，所述第二变压器块的嵌入维度比所述第一变压器块的嵌入维度小。
5.根据权利要求4所述的方法，其特征在于，所述根据所述编码结果、所述非遮挡补丁、所述无阴影图像及所述预设阴影模型中的解码器，确定阴影去除结果，以及所述阴影去除结果对应的损失函数，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述阴影去除结果及所述无阴影图像，确定对应的损失函数，包括：
7.根据权利要求1所述的方法，其特征在于，所述待训练图像三元组的构建步骤，包括：
8.一种阴影模型确定装置，其特征在于，包括：
9.一
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的阴影模型确定方法。
...【技术特征摘要】
1.一种阴影模型确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述阴影图像及所述阴影掩膜，确定所述阴影图像中的遮挡补丁及非遮挡补丁，包括：
3.根据权利要求1所述的方法，其特征在于，所述编码器包括至少两个第一变压器块，所述第一变压器块中包括多头自注意力层、多层感知机层及层归一化。
4.根据权利要求3所述的方法，其特征在于，所述预设阴影模型中的解码器包括一个第二变压器块，所述第二变压器块的嵌入维度比所述第一变压器块的嵌入维度小。
5.根据权利要求4所述的方法，其特征在于，所述根据所述编码结果、所述非遮挡补丁、所述无阴影图像...
【专利技术属性】
技术研发人员：胡枭玮，朱禹睿，王天宇，肖杰，傅雪阳，
申请(专利权)人：上海人工智能创新中心，
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。