基于残差神经网络的图像阴影去除方法

发布时间：2021-07-28 08:30

　　图像阴影的去除是一个极具挑战性的任务,它需要研究者在检测图像中阴影的同时充分理解周边场景的语义。大部分去阴影的方法首先定位阴影区域,然后利用重建算法去除本影和半影。然而,想要精准的检测出阴影区域是一个非常困难的任务。基于物理因素的阴影去除方法,在适应于高质量图像的同时会忽略周边场景的语义信息。基于统计学的阴影去除方法需要人工标注阴影特征,阴影去除的效果很大程度上取决于人工标注阴影区域的精确度。基于深度学习的方法在去阴影等图像处理领域取得了具有竞争力的结果。很多学者基于深度学习方法去除图像中的阴影,并取得了高质量的结果,本文基于深度残差网络训练模型去除单幅图像中的阴影。本文基于深度神经网络,结合基于物理因素的阴影去除方法实现单幅图像去阴影。本文基于残差网络训练模型,残差网络能够有效避免由于网络层数过深出现的梯度弥散和梯度爆炸现象。本文训练的网络模型具有较好的泛化能力,受外界环境的干扰较小。在背景结构复杂,纹理丰富以及非固定光源的情况下依然能取得高质量的去阴影效果。本文提出的方法在公开的数据集以及实验数据集上都可以取得高质量的结果,因此,本文训练的网络能够准确检测出阴影区域并实现去除。 

【文章来源】：山东工商学院山东省

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

CIE色度空间中的普朗克轨迹(来源于文献[33])

素有着很大联系，当然也存在一些特殊情况，有些磁波的反射受入射角度的影响可以忽略，就是说从的，我们将这种物体表面称为理想漫反射。器统中，视网膜是重要的组成成分，它上面有三种基感光细胞)，包括蓝视锥细胞、绿视锥细胞和红视锥细着不同的响应曲线，大体上可以认为分别对加叨波长，在这个波长范围内的光也被称为可见光，人类看细胞对可见光的响应值组合而成的。照像机的组成征而提出的，制作有着人类感光细胞相同功能的传，都有三种不同感光函数的滤波器，我们称之为 R同波长的光线的响应曲线如图二所示。所有的颜色都合而表示出来，这三种色彩就被称为三基色。

与外面部分相比，较少的环境光到达阴影的内部区域。确定阴影强度通常比例因子的估计。在均匀阴影的情况下，比例因子是单个未知的， 然而，阴影的情况下，比例因子在空间上是变化的，并且必须确定每像素估计。本影和半影影区域可以划分为本影和半影区域。图 2.3 说明了阴影本影和半影的形成。影是阴影表面的一部分，是直接光源被遮挡物体完全遮挡而产生；阴影的源仅部分遮挡的表面的一部分。当从本影过渡到表面的非阴影区域时，阴常在半影区域中平滑地变化。当光源不是点光源或由于遮挡物体引起的光就会产生半影[34]。根据定义，无论阴影强度在本影中是否均匀，阴影强度域中都会有变化。半影的宽度以及跨越半影的照明变化率在给定的阴影区的阴影区域之间变化。在某些情况下，半影宽度非常小并且难以在数字图到，在这种情况下，半影被称为硬阴影边缘。然而，在许多自然图像中，较宽，这就需要在阴影去除过程中进行特殊处理。


本文编号：3307579