【技术实现步骤摘要】
本专利技术涉及一种应用于视觉图像复原技术的改进，特别是一种基于特征动态交叉感知的反光图像去除方法。
技术介绍
1、随着计算机硬、软件的快速发展，越来越多的社会领域运用视觉技术来提升生产和安全效率，如智能生产和智能交通等。但应用时图像传感器采集图片容易受到拍摄环境和拍照技术的影响，使采集图片容易产生各种各样的退化现象，如图像模糊、存在噪声、颜色退化和存在反光等，这些现象极大影响了图像的进一步理解-目标的检测与识别。反光是图像采集中极易发生的一种常见的退化现象，去除反光成为视觉领域的一个重要的图像复原问题。自动反光伪影去除本身是一个不适定问题，优化时需要借助更多图像统计先验信息，尤其在基于单幅图像去除反光时更需借助这些先验信息，如nikolaos等假设反光是未聚焦且模糊的，利用拉普拉斯数据保真度和l-零梯度稀疏项来优化目标函数，去除图像中的反光。目前现有技术中也存在利用层之间不对称性的重影线索这一先验信息来优化目标函数，去除图像中的反光。这些经典的去反光方法对于真实场景效果仍不理想，很多实际场景的反光现象违反了这些假设。近年来涌现了很多基于学习的方法通过放宽一些假设来解决反光去除问题。如利用生成对抗神经网络来实现反光去除、基于物理模型的方法结合深度学习来重绘反光和混合图像进而实现图像反光去除、利用端到端的全卷积网结合底层与高层视觉信息来实现反光去除，但这些算法在反光去除处容易产生模糊现象。
技术实现思路
1、近来，随着视觉感知和动态卷积神经网络被引入到深度学习方法中，使提取图像深层特征
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于特征动态交叉感知的反光图像去除方法，包括如下步骤，
3、步骤一、构建浅层特征提取模块；
4、所述构建浅层特征提取模块，可由2个卷积激活块(conva)、1个核宽为1的卷积层(conv1x1)和1个批归一化层(bn)构成，其中每个卷积激活块(conva)由1个核宽为3的卷积层(conv3x3)和1个leaky relu激活层组成；从数学角度，该模块可表示为：
5、fsfa＝conv1×1(bn(conva(conva(x)))) (1)
6、其中，conv1x1(.)表示核宽为1的卷积函数，bn(.)表批归一化函数，conva(x)＝lrelu(conv3x3(x)),这里的conv3x3(.)表示核宽为3的卷积层，lrelu(.)表示leaky relu激活函数，x是浅层输入特征，fsfa是浅层输出特征；
7、步骤二、构建特征动态交叉感知模块；
8、所述构建特征动态交叉感知模块(fdca)，包括三个部分：动态卷积感知模块(dca)、特征余弦感知模块(fca)和交叉感知模块，动态卷积感知模块(dca)可通过两个分支组成：一个分支计算不同通道对输出特征贡献率，另一个分支提取表征力更强的视觉特征，通道贡献率分支通过1个全局池化层，2个全连接层和1个softmax函数层实现，其数学表达式可表示为
9、α＝soft max(fc(fc(gap(xin)))) (2)
10、其中xin∈rc×h×w是输入特征,c,h,w分别表示视觉特征的通道数、水平分辨率和垂直分辨率，gap(.)表示全局平均池化函数，fc(.)表示全连接函数，softmax(.)表示softmax函数；另一个分支可有若干个核宽不同的带边补充卷积层(pconv)结合通道贡献率线性组合而成，所采用核宽分别为1，3，5，7；从数学角度线性融合的视觉特征fp可以表示为
11、
12、其中pconv(xin,ks)表示核宽为ks的带边补充卷积函数，表示通道级相乘，n表示所用的核的个数；经过两个分支后，动态卷积感知的视觉输出fdca可以表示为
13、fdca＝convb(fp) (4)
14、convb(.)表示包含1个核宽为1的卷积层、1个激活函数为relu的激活层和1个批归一化层的卷积块；
15、特征余弦感知模块(fca)的网络有效结合了离散余弦变换获取融合后的通道感知系数，提取了表征能力更强的视觉特征；该网络首先将输入特征x1和x2级联，然后通过核为1的卷积层获取融合后的视觉特征，紧接着通过离散余弦感知块获取融合视觉特征的通道贡献系数，最后结合融合特征通道级相乘，获取余弦感知特征ffca，从数学角度可以表示为
16、
17、
18、
19、其中，是两个输入特征经过级联后再通过卷积核为1的卷积层视觉特征，conv1x1(.)表示核宽为1的卷积函数，表示经过离散余弦变换，全连接层以及lrelu激活函数和sigmoid的视觉特征，dct(.)表示离散余弦变换块函数，fc(.)表示全连接函数，lrelu(.)表示leaky relu函数,σ(·)表示sigmoid函数；ffca表示余弦感知特征，表示通道级相乘。
20、特征动态交叉感知模块(fdca)是由动态卷积感知模块(dca)与特征余弦感知模块(fca)交叉组成；首先输入特征x和y通过动态卷积模块(dca)分别进行处理，然后各自输出特征交叉作为特征余弦感知模块(fca)的输入，紧接着特征余弦感知模块(fca)的输出交叉作为下一层特征余弦感知模块(fca)的输入，随后分别经过核宽为3的卷积层，再分别结合各自的短链接形成新的特征，然后将新的特征级联形成更强的视觉特征，最后通过核宽为1的卷积层融合形成新的特征动态交叉感知特征ffdca，其对应的数学表达式可表示为
21、
22、
23、
24、
25、
26、其中和分别表示左右两个特征余弦感知模块的输出特征，和分别表示左右两个特征输出，ffdca表示特征动态交叉感知模块的特征输出，fca(.)表示特征余弦感知函数，dca(.)表示动态卷积感知函数，conv3x3(.)表示核宽为3的卷积函数，conv1x1(.)表示核宽为1的卷积函数，表示元素级相加操作，x和y分别表示特征动态交叉感知的输入特征；
27、步骤三、构建代码重构模块；
28、所述构解码重构模块,该模块首先将两个输入特征xh和x2级联形成一个新的特征，接着通过核宽为1的卷积层(conv1x1)和两个卷积块(convb)后形成解码的视觉特征；其中每个卷积块包含1个核宽为3的卷积层、1个relu激活层和1个批归一化层；该模块利用数学可表示为：
29、fdecode＝convb(convb(conv1×1(concat(x1,x2)))) (7)
30、其中，conv1x1本文档来自技高网...
【技术保护点】
1.一种基于特征动态交叉感知的反光图像去除方法，其特征在于，包括如下步骤，
2.如权利要求1所述的基于特征动态交叉感知的反光图像去除方法，其特征在于，可采用应用广泛的自适应动量梯度下降算法，训练时，学习率设置为0.001～0.0001,动量设置为0.9；在国际通用反光数据集和自己构建的反光数据集中进行训练可获得网络的最优参数。
3.如权利要求1所述的基于特征动态交叉感知的反光图像去除方法，其特征在于，和Fj分别为浅层特征提取模块输出特征，特征动态交叉感知模块输出特征，解码重构模块输出特征和融合模块输出特征。
【技术特征摘要】
1.一种基于特征动态交叉感知的反光图像去除方法，其特征在于，包括如下步骤，
2.如权利要求1所述的基于特征动态交叉感知的反光图像去除方法，其特征在于，可采用应用广泛的自适应动量梯度下降算法，训练时，学习率设置为0.001～0.0001,动量设置为0.9；在...
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。