CN111369464B - 去除图像中的反光的方法及装置、电子设备和存储介质 - Google Patents

去除图像中的反光的方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111369464B
CN111369464B CN202010144325.2A CN202010144325A CN111369464B CN 111369464 B CN111369464 B CN 111369464B CN 202010144325 A CN202010144325 A CN 202010144325A CN 111369464 B CN111369464 B CN 111369464B
Authority
CN
China
Prior art keywords
image
processed
polarization
training
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010144325.2A
Other languages
English (en)
Other versions
CN111369464A (zh
Inventor
雷晨阳
严琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010144325.2A priority Critical patent/CN111369464B/zh
Priority to PCT/CN2020/092546 priority patent/WO2021174687A1/zh
Priority to TW109120319A priority patent/TWI749593B/zh
Publication of CN111369464A publication Critical patent/CN111369464A/zh
Application granted granted Critical
Publication of CN111369464B publication Critical patent/CN111369464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种去除图像中的反光的方法及装置、电子设备和存储介质。所述方法包括：获取待处理图像；获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。

Description

去除图像中的反光的方法及装置、电子设备和存储介质
技术领域
本公开涉及图像技术领域，尤其涉及一种去除图像中的反光的方法及装置、电子设备和存储介质。
背景技术
在实际生活和工作中，利用相机拍摄照片在某些情况下需要透过玻璃拍摄物体。例如透过窗户拍摄外面的静物，拍摄戴眼镜的人物照片，在博物馆拍摄玻璃柜内的展品，交通道路上的监控拍摄违法车辆的照片等。由于玻璃的两侧的光照条件不同，玻璃表面有一定可能产生反光。此类反光不仅影响照片的美观，更可能使得大量真实场景的细节丢失，例如，交通道路上的监控拍摄违法车辆的照片时，车窗反光过强可能导致无法看见驾驶员的人脸。
发明内容
本公开提供了一种去除图像中的反光的技术方案。
根据本公开的一方面，提供了一种去除图像中的反光的方法，包括：
获取待处理图像；
获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；
根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；
根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
在本公开实施例中，通过获取待处理图像，获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像，由此能够准确地去除待处理图像中的反光。
在一种可能的实现方式中，所述获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，包括：
对待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图；
对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息。
在该实现方式中，通过对待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图，并对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息，由此能够利用反光图与透射光图在偏振信息上的差异去除待处理图像中的反光，使神经网络准确地分离待处理图像中的反光图和透射光图。
在一种可能的实现方式中，所述待处理图像对应的偏振信息包括所述待处理图像对应的第一偏振信息图、所述待处理图像对应的第二偏振信息图、所述待处理图像对应的第三偏振信息图和所述待处理图像对应的第四偏振信息图中的至少之一，其中，所述待处理图像对应的第一偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振光强，所述待处理图像对应的第二偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振程度，所述待处理图像对应的第三偏振信息图用于表示所述待处理图像对应的多个偏振图的光的偏振角度，所述待处理图像对应的第四偏振信息图用于表示所述待处理图像对应的多个偏振图去除过曝后的信息。
在该实现方式中，通过利用所述待处理图像对应的多个偏振图的偏振光强、所述待处理图像对应的多个偏振图的偏振程度、所述待处理图像对应的多个偏振图的光的偏振角度和所述待处理图像对应的多个偏振图去除过曝后的信息中的至少之一，有助于更准确地去除待处理图像中的反光图层。
在一种可能的实现方式中，在所述获取待处理图像之前，所述方法还包括：
获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，其中，所述训练图像对应的多个偏振图是经过不同角度的偏振片形成的；
将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图；
将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图；
至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络。
在该实现方式中，通过获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图，将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图，并至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，由此训练得到的神经网络能够快速准确地去除输入图像中的反光。
在一种可能的实现方式中，所述获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，包括：
对训练图像中属于不同偏振片角度的像素点进行分离，得到所述训练图像对应的多个偏振图；
对所述训练图像对应的多个偏振图中相应的像素点进行处理，得到所述训练图像对应的偏振信息。
在该实现方式中，通过对训练图像中属于不同偏振片角度的像素点进行分离，得到所述训练图像对应的多个偏振图，并对所述训练图像对应的多个偏振图中相应的像素点进行处理，得到所述训练图像对应的偏振信息，由此能够利用反光图与透射光图在偏振信息上的差异，使神经网络能够学习到识别反光图与透射光图并将它们分离的能力。
在一种可能的实现方式中，所述训练图像对应的偏振信息包括所述训练图像对应的第一偏振信息图、所述训练图像对应的第二偏振信息图、所述训练图像对应的第三偏振信息图和所述训练图像对应的第四偏振信息图中的至少之一，其中，所述训练图像对应的第一偏振信息图用于表示所述训练图像对应的多个偏振图的偏振光强，所述训练图像对应的第二偏振信息图用于表示所述训练图像对应的多个偏振图的偏振程度，所述训练图像对应的第三偏振信息图用于表示所述训练图像对应的多个偏振图的光的偏振角度，所述训练图像对应的第四偏振信息图用于表示所述训练图像对应的多个偏振图去除过曝后的信息。
在该实现方式中，通过利用所述训练图像对应的多个偏振图的偏振光强、所述训练图像对应的多个偏振图的偏振程度、所述训练图像对应的多个偏振图的光的偏振角度和所述训练图像对应的多个偏振图去除过曝后的信息中的至少之一，对神经网络进行训练，由此能够利用反光图与透射光图在偏振信息上的差异，使神经网络能够学习到识别反光图与透射光图并将它们分离的能力。
在一种可能的实现方式中，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：
根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值；
至少根据所述第一损失函数的值，训练所述第一子网络和所述第二子网络。
在该实现方式中，可以基于透射光预测图和反光预测图在偏振信息上的差异，训练神经网络，使神经网络学习到分离反光图与透射光图的能力。
在一种可能的实现方式中，所述根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值，包括：
对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，得到所述训练图像对应的归一化的透射光预测图和归一化的反光预测图；
将所述归一化的透射光预测图输入第一预设网络，经由所述第一预设网络的第l层输出所述归一化的透射光预测图对应的第l层的特征图，其中，1≤l≤P，P表示所述第一预设网络的总层数；
将所述归一化的反光预测图输入所述第一预设网络，经由所述第一预设网络的第l层输出所述归一化的反光预测图对应的第l层的特征图；
根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值。
在该实现方式中，通过根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值，由此朝着最大化透射光预测图与反光预测图之间的差异的方向训练神经网络，从而训练得到的神经网络能够学习到分离输入图像中的反光图层和透射光图层的能力。
在一种可能的实现方式中，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：
根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图；
根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值；
至少根据所述第二损失函数的值，训练所述第一子网络和所述第二子网络。
通过根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图，并将透射光目标图作为神经网络的监督信息，由此能够使透射光目标图与训练图像中相应图像信息在图像中的位置相同，能够解决相关技术中背景图与混合图中相应图像信息在图像中的位置不对齐的问题，从而能够提供高质量的训练数据集，由此训练得到的神经网络在实际应用时，能够更准确地去除输入图像中的反光，得到更高质量的输出图像。
在一种可能的实现方式中，所述根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值，包括：
根据所述训练图像对应的透射光预测图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光预测图，其中，在所述训练图像对应的第四偏振信息图中，过曝的像素点的像素值为第一预设值，非过曝的像素点的像素值为第二预设值，其中，所述第一预设值小于所述第二预设值；
根据所述透射光目标图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光目标图；
将所述去除过曝的透射光预测图输入第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光预测图对应的第k层的特征图，其中，1≤k≤Q，Q表示所述第二预设网络的总层数；
将所述去除过曝的透射光目标图输入所述第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光目标图对应的第k层的特征图；
根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值。
在该实现方式中，通过根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值，由此朝着最小化透射光预测图与透射光目标图之间的差异的方向训练神经网络，使神经网络经过学习后，预测到的透射光预测图更接近于透射光图的真值。
在一种可能的实现方式中，在所述根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图之前，所述方法还包括：
通过偏振传感器采集训练图像和所述训练图像对应的反光真实图。
根据本公开的一方面，提供了一种去除图像中的反光的装置，包括：
第一获取模块，用于获取待处理图像；
第二获取模块，用于获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；
第一预测模块，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；
第二预测模块，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
在一种可能的实现方式中，所述第二获取模块用于：
对待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图；
对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息。
在一种可能的实现方式中，所述待处理图像对应的偏振信息包括所述待处理图像对应的第一偏振信息图、所述待处理图像对应的第二偏振信息图、所述待处理图像对应的第三偏振信息图和所述待处理图像对应的第四偏振信息图中的至少之一，其中，所述待处理图像对应的第一偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振光强，所述待处理图像对应的第二偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振程度，所述待处理图像对应的第三偏振信息图用于表示所述待处理图像对应的多个偏振图的光的偏振角度，所述待处理图像对应的第四偏振信息图用于表示所述待处理图像对应的多个偏振图去除过曝后的信息。
在一种可能的实现方式中，所述装置还包括：
第三获取模块，用于获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，其中，所述训练图像对应的多个偏振图是经过不同角度的偏振片形成的；
第三预测模块，用于将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图；
第四预测模块，用于将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图；
训练模块，用于至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述第三获取模块用于：
对训练图像中属于不同偏振片角度的像素点进行分离，得到所述训练图像对应的多个偏振图；
对所述训练图像对应的多个偏振图中相应的像素点进行处理，得到所述训练图像对应的偏振信息。
在一种可能的实现方式中，所述训练图像对应的偏振信息包括所述训练图像对应的第一偏振信息图、所述训练图像对应的第二偏振信息图、所述训练图像对应的第三偏振信息图和所述训练图像对应的第四偏振信息图中的至少之一，其中，所述训练图像对应的第一偏振信息图用于表示所述训练图像对应的多个偏振图的偏振光强，所述训练图像对应的第二偏振信息图用于表示所述训练图像对应的多个偏振图的偏振程度，所述训练图像对应的第三偏振信息图用于表示所述训练图像对应的多个偏振图的光的偏振角度，所述训练图像对应的第四偏振信息图用于表示所述训练图像对应的多个偏振图去除过曝后的信息。
在一种可能的实现方式中，所述训练模块用于：
根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值；
至少根据所述第一损失函数的值，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述训练模块用于：
对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，得到所述训练图像对应的归一化的透射光预测图和归一化的反光预测图；
将所述归一化的透射光预测图输入第一预设网络，经由所述第一预设网络的第l层输出所述归一化的透射光预测图对应的第l层的特征图，其中，1≤l≤P，P表示所述第一预设网络的总层数；
将所述归一化的反光预测图输入所述第一预设网络，经由所述第一预设网络的第l层输出所述归一化的反光预测图对应的第l层的特征图；
根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值。
在一种可能的实现方式中，所述训练模块用于：
根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图；
根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值；
至少根据所述第二损失函数的值，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述训练模块用于：
根据所述训练图像对应的透射光预测图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光预测图，其中，在所述训练图像对应的第四偏振信息图中，过曝的像素点的像素值为第一预设值，非过曝的像素点的像素值为第二预设值，其中，所述第一预设值小于所述第二预设值；
根据所述透射光目标图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光目标图；
将所述去除过曝的透射光预测图输入第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光预测图对应的第k层的特征图，其中，1≤k≤Q，Q表示所述第二预设网络的总层数；
将所述去除过曝的透射光目标图输入所述第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光目标图对应的第k层的特征图；
根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值。
在一种可能的实现方式中，所述装置还包括：
采集模块，用于通过偏振传感器采集训练图像和所述训练图像对应的反光真实图。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过获取待处理图像，获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像，由此能够准确地去除待处理图像中的反光。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的去除图像中的反光的方法的流程图。
图2示出本公开实施例提供的神经网络的示意图。
图3示出本公开实施例中对训练图像对应的透射光预测图和训练图像对应的反光预测图归一化前后第一损失函数LPNCC的单调性的示意图。
图4示出了背景图B、透射光图T、反光图R和混合图M的示意图。
图5示出了训练图像和训练图像对应的反光真实图的采集方法的示意图。
图6示出采用本公开实施例提供的去除图像中的反光的方法对带有三种不同类型的反光的输入图像进行处理后得到的输出图像的示意图。
图7示出本公开实施例提供的去除图像中的反光的装置的框图。
图8示出本公开实施例提供的一种电子设备800的框图。
图9示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出本公开实施例提供的去除图像中的反光的方法的流程图。所述去除图像中的反光的方法的执行主体可以是去除图像中的反光的装置。例如，所述去除图像中的反光的方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述去除图像中的反光的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述去除图像中的反光的方法包括步骤S11至步骤S14。
在步骤S11中，获取待处理图像。
在本公开实施例中，所述待处理图像可以是通过偏振传感器采集得到的，所述待处理图像可以是单通道的图像。例如，所述待处理图像可以包括经过4个角度0°、45°、90°和135°的偏振片得到的图像信息。
在步骤S12中，获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的。
例如，所述待处理图像包括4个偏振片角度0°、45°、90°和135°的图像信息，相应地，所述待处理图像对应的偏振图的数量可以为4，所述待处理图像对应的4个偏振图分别对应于0°、45°、90°和135°这4个偏振片角度。
在一种可能的实现方式中，所述待处理图像对应的偏振图可以是灰度图。
在本公开实施例中，所述待处理图像对应的偏振信息可以根据所述待处理图像对应的多个偏振图确定。
在一种可能的实现方式中，所述获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，包括：对待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图；对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息。例如，所述待处理图像包括4个偏振片角度0°、45°、90°和135°的图像信息，则可以分离出所述待处理图像中属于0°的像素点，得到所述待处理图像对应的第一偏振图，分离出所述待处理图像中属于45°的像素点，得到所述待处理图像对应的第二偏振图，分离出所述待处理图像中属于90°的像素点，得到所述待处理图像对应的第三偏振图，分离出所述待处理图像中属于135°的像素点，得到所述待处理图像对应的第四偏振图。
在一种可能的实现方式中，所述待处理图像对应的偏振信息包括所述待处理图像对应的第一偏振信息图、所述待处理图像对应的第二偏振信息图、所述待处理图像对应的第三偏振信息图和所述待处理图像对应的第四偏振信息图中的至少之一，其中，所述待处理图像对应的第一偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振光强，所述待处理图像对应的第二偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振程度，所述待处理图像对应的第三偏振信息图用于表示所述待处理图像对应的多个偏振图的光的偏振角度，所述待处理图像对应的第四偏振信息图用于表示所述待处理图像对应的多个偏振图去除过曝后的信息。
在步骤S13中，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图。
在一种可能的实现方式中，可以将所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述待处理图像对应的反光预测图。在该实现方式中，所述待处理图像对应的反光预测图可以表示所述神经网络预测的所述待处理图像对应的反光图。
在步骤S14中，根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
在一种可能的实现方式中，可以将所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述待处理图像对应的去除反光后的图像。
在一种可能的实现方式中，在所述获取待处理图像之前，所述方法还包括：获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，其中，所述训练图像对应的多个偏振图是经过不同角度的偏振片形成的；将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图；将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图；至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络。
在该实现方式中，所述训练图像可以是单通道的图像。例如，训练图像的高为H，宽为W。作为该实现方式的一个示例，所述训练图像可以包括经过4个角度0°、45°、90°和135°的偏振片得到的图像信息。相应地，所述训练图像对应的偏振图的数量可以为4，所述训练图像对应的4个偏振图分别对应于0°、45°、90°和135°这4个偏振片角度。例如，训练图像对应的4个偏振图可以表示为I1、I2、I3和I4。其中，I1、I2、I3和I4的高可以为
Figure GDA0002589868780000121
宽可以为
Figure GDA0002589868780000122
其中，所述训练图像对应的偏振图可以是灰度图。在该实现方式中，所述训练图像对应的偏振信息可以所述训练图像对应的多个偏振图确定。所述训练图像对应的反光预测图可以表示为
Figure GDA0002589868780000123
所述训练图像对应的透射光预测图可以表示为
Figure GDA0002589868780000124
第一子网络输出的反光预测图
Figure GDA0002589868780000125
作为第二子网络的输入，可以用于得到更高质量的透射光预测图
Figure GDA0002589868780000126
在该实现方式中，所述训练图像对应的反光预测图可以表示所述神经网络预测的所述训练图像对应的反光图。所述训练图像对应的透射光预测图可以表示所述神经网络预测的所述训练图像去除反光后的图像。
作为该实现方式的一个示例，所述第一子网络和所述第二子网络可以采用U-Net的结构。当然，本公开实施例不限于此，本领域技术人员也可以根据实际应用场景需求和/或个人喜好灵活选择第一子网络和第二子网络的类型和结构。
在一种可能的实现方式中，所述获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，包括：对训练图像中属于不同偏振片角度的像素点进行分离，得到所述训练图像对应的多个偏振图；对所述训练图像对应的多个偏振图中相应的像素点进行处理，得到所述训练图像对应的偏振信息。例如，所述训练图像包括经过4个角度0°、45°、90°和135°的偏振片得到的图像信息，则可以分离出所述训练图像中属于0°的像素点，得到所述训练图像对应的第一偏振图I1，分离出所述训练图像中属于45°的像素点，得到所述训练图像对应的第二偏振图I2，分离出所述训练图像中属于90°的像素点，得到所述训练图像对应的第三偏振图I3，分离出所述训练图像中属于135°的像素点，得到所述训练图像对应的第四偏振图I4。
在一种可能的实现方式中，所述训练图像对应的偏振信息包括所述训练图像对应的第一偏振信息图、所述训练图像对应的第二偏振信息图、所述训练图像对应的第三偏振信息图和所述训练图像对应的第四偏振信息图中的至少之一，其中，所述训练图像对应的第一偏振信息图用于表示所述训练图像对应的多个偏振图的偏振光强，所述训练图像对应的第二偏振信息图用于表示所述训练图像对应的多个偏振图的偏振程度，所述训练图像对应的第三偏振信息图用于表示所述训练图像对应的光的偏振角度，所述训练图像对应的第四偏振信息图用于表示所述训练图像对应的多个偏振图去除过曝后的信息。
例如，训练图像对应的第一偏振信息图可以表示为I、训练图像对应的第二偏振信息图可以表示为ρ、训练图像对应的第三偏振信息图可以表示为
Figure GDA0002589868780000136
和训练图像对应的第四偏振信息图可以表示为O。
作为该实现方式的一个示例，可以采用式1得到训练图像对应的第一偏振信息图I：
I(x)＝(I1(x)+I2(x)+I3(x)+I4(x))/2 式1，
其中，x为图中任一像素点，像素点x的坐标为(i,j)，其中，
Figure GDA0002589868780000131
作为该实现方式的一个示例，可以采用式2得到训练图像对应的第二偏振信息图ρ：
Figure GDA0002589868780000132
作为该实现方式的一个示例，可以采用式3得到训练图像对应的第三偏振信息图
Figure GDA0002589868780000133
Figure GDA0002589868780000134
作为该实现方式的一个示例，可以采用式4得到训练图像对应的第四偏振信息图O：
Figure GDA0002589868780000135
例如，δ＝0.98。其中，若max{I1(x),I2(x),I3(x),I4(x)}>δ，则可以表明像素点x过曝；若max{I1(x),I2(x),I3(x),I4(x)}≤δ，则可以表明像素点x非过曝。在训练图像对应的第四偏振信息图O中，若像素点x过曝，则像素点x的像素值为0；若像素点x非过曝，则像素点x的像素值为1。
上文中，所述待处理图像对应的第一偏振信息图、第二偏振信息图、第三偏振信息图和第四偏振信息图的确定方法，与所述训练图像对应的第一偏振信息图、第二偏振信息图、第三偏振信息图和第四偏振信息图的确定方法类似，本公开实施例对此不再赘述。
由于反光图与透射光图在偏振信息上具有较大的差异，因此，通过采用所述训练图像对应的偏振信息训练神经网络，使神经网络能够学习到识别反光图与透射光图并将它们分离的能力。
在一种可能的实现方式中，可以将VGG-19中的超列(Hypercolumn)增加到所述神经网络的输入中，以增强神经网络的效果。例如，在将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络之前，可以采用VGG-19的conv1_2对I1、I2、I3、I4和I进行处理，并对处理结果进行双线性插值的上采样，以使上采样后的I1、I2、I3、I4和I的尺寸与训练图像相同。为了适用于VGG-19，可以先对神经网络的输入图像(训练图像或者待处理图像)进行伽玛校正。
图2示出本公开实施例提供的神经网络的示意图。在图2所示的示例中，训练图像的高为H，宽为W。训练图像经过预处理，可以得到训练图像对应的4个偏振图I1、I2、I3和I4。其中，I1、I2、I3和I4的高为
Figure GDA0002589868780000141
宽为
Figure GDA0002589868780000142
对I1、I2、I3和I4进行处理，可以得到训练图像对应的第一偏振信息图I、训练图像对应的第二偏振信息图ρ、训练图像对应的第三偏振信息图
Figure GDA0002589868780000143
和训练图像对应的第四偏振信息图O。将I1、I2、I3、I4、I、ρ、
Figure GDA0002589868780000144
和O输入第一子网络RNet，可以得到训练图像对应的反光预测图
Figure GDA0002589868780000145
将I1、I2、I3、I4和
Figure GDA0002589868780000146
输入第二子网络TNet，可以得到训练图像对应的透射光预测图
Figure GDA0002589868780000147
在一种可能的实现方式中，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值；至少根据所述第一损失函数的值，训练所述第一子网络和所述第二子网络。
作为该实现方式的一个示例，所述根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值，包括：对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，得到所述训练图像对应的归一化的透射光预测图和归一化的反光预测图；将所述归一化的透射光预测图输入第一预设网络，经由所述第一预设网络的第l层输出所述归一化的透射光预测图对应的第l层的特征图，其中，1≤l≤P，P表示所述第一预设网络的总层数；将所述归一化的反光预测图输入所述第一预设网络，经由所述第一预设网络的第l层输出所述归一化的反光预测图对应的第l层的特征图；根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值。
在该实现方式中，第一预设网络可以是VGG-19或者ResNet-18等，本公开实施例对此不作限定。
例如，训练图像对应的透射光预测图可以表示为
Figure GDA0002589868780000148
训练图像对应的反光预测图可以表示为
Figure GDA0002589868780000149
第一损失函数LPNCC(IA,IB)可以根据式5得到：
Figure GDA00025898687800001410
其中，
Figure GDA00025898687800001411
Figure GDA00025898687800001412
表示IA的归一化结果，
Figure GDA00025898687800001413
表示IB的归一化结果，
Figure GDA00025898687800001414
表示
Figure GDA0002589868780000151
输入第一预设网络之后得到的第l层的特征图，
Figure GDA0002589868780000152
表示
Figure GDA0002589868780000153
输入第一预设网络之后得到的第l层的特征图，n表示用于确定第一损失函数的总层数。例如，可以使用第一预设网络的conv2_2、conv3_2和conv4_2这三层输出的特征图确定第一损失函数，那么，在式5中，n＝3。
图3示出本公开实施例中对训练图像对应的透射光预测图和训练图像对应的反光预测图归一化前后第一损失函数LPNCC的单调性的示意图。其中，
Figure GDA0002589868780000154
Figure GDA0002589868780000155
Figure GDA0002589868780000156
表示训练图像对应的透射光预测图，
Figure GDA0002589868780000157
表示训练图像对应的反光预测图。如图3所示，通过对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，能够使第一损失函数LPNCC随着α的增大单调递减。
在一种可能的实现方式中，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图；根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值；至少根据所述第二损失函数的值，训练所述第一子网络和所述第二子网络。
在该实现方式中，可以将所述训练图像中像素点的像素值与所述训练图像对应的反光真实图中相应像素点的像素值相减，得到所述训练图像对应的透射光目标图。其中，所述训练图像对应的透射光目标图可以表示所述训练图像对应的透射光图的真值(GroundTruth)，即所述训练图像对应的透射光目标图可以表示所述训练图像去除反光后的图像的真值。
图4示出了背景图B、透射光图T、反光图R和混合图M的示意图。其中，背景图B表示不透过玻璃，直接对拍摄对象(即背景)进行拍摄得到的图。混合图M表示透过玻璃对玻璃后的拍摄对象拍摄得到的图。相关技术中，将背景图B作为网络的监督信息。由于透过玻璃拍摄照片会发生折射，因此，背景图B与拍摄得到的照片(带反光的混合图M)中，相应图像信息在图像中的位置不同。而本公开实施例通过根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图，并将透射光目标图作为神经网络的监督信息，由此能够使透射光目标图与训练图像中相应图像信息在图像中的位置相同，能够解决相关技术中背景图与混合图中相应图像信息在图像中的位置不对齐的问题，从而能够提供高质量的训练数据集，由此训练得到的神经网络在实际应用时，能够更准确地去除输入图像中的反光，得到更高质量的输出图像。其中，训练图像为带反光的混合图M，反光真实图为训练图像对应的反光图R的真值，本公开实施例可以根据T＝M-R，得到训练图像对应的透射光目标图T。采用该实现方式提供的方法可以处理多种形式的反射光，从而可以处理真实世界中的复杂光源造成的图像反光问题，泛化能力较强。
作为该实现方式的一个示例，在所述根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图之前，所述方法还包括：通过偏振传感器采集训练图像和所述训练图像对应的反光真实图。
图5示出了训练图像和训练图像对应的反光真实图的采集方法的示意图。例如，可以用一块黑布盖住玻璃的背面来阻挡所有透射光，通过偏振传感器采集反光真实图，再移开黑布，通过偏振传感器采集相应的训练图像。在本公开实施例中，可以采用不同类型的玻璃获得训练图像和训练图像对应的反光真实图，从而获得丰富、多样的训练数据。
本公开实施例通过上述方式采集训练图像和训练图像对应的反光真实图，并将所述训练图像与所述训练图像对应的反光真实图之差作为所述训练图像对应的透射光目标图，由此无需要求玻璃具有特殊的材质、厚度、颜色等，即，本公开实施例所适用的玻璃可以是平整的、弯曲的、薄的、厚的、带颜色的、不带颜色的等，从而能够适用于更广泛的应用场景。
作为该实现方式的另一个示例，还可以通过仿真系统获得训练图像和所述训练图像对应的反光真实图。
在一种可能的实现方式中，所述根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值，包括：根据所述训练图像对应的透射光预测图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光预测图，其中，在所述训练图像对应的第四偏振信息图中，过曝的像素点的像素值为第一预设值，非过曝的像素点的像素值为第二预设值，其中，所述第一预设值小于所述第二预设值；根据所述透射光目标图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光目标图；将所述去除过曝的透射光预测图输入第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光预测图对应的第k层的特征图，其中，1≤k≤Q，Q表示所述第二预设网络的总层数；将所述去除过曝的透射光目标图输入所述第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光目标图对应的第k层的特征图；根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值。
在该实现方式中，第二预设网络可以是VGG-19或者ResNet-18等，本公开实施例对此不作限定。
作为该实现方式的一个示例，第一预设值可以为0，第二预设值可以为1。当然，本公开实施例不限于此。例如，第一预设值可以为0.01，第二预设值可以为1。
例如，第二损失函数可以采用式6来表示：
Figure GDA0002589868780000171
其中，T表示透射光目标图，
Figure GDA0002589868780000172
表示透射光预测图，O表示训练图像对应的第四偏振信息图，βk表示第k层的权重，βk可以基于各层参数的个数初始化，O×T表示去除过曝的透射光目标图，
Figure GDA0002589868780000173
表示去除过曝的透射光预测图，vk(O×T)表示将O×T输入第二预设网络之后得到的第k层的特征图，
Figure GDA0002589868780000174
表示将
Figure GDA0002589868780000175
输入第二预设网络之后得到的第k层的特征图，m表示用于确定第二损失函数的总层数。例如，可以使用第二预设网络的conv1_1、conv1_2、conv2_2、conv3_2、conv4_2和conv5_2这6层输出的特征图确定第二损失函数，那么，在式6中，m＝6。
在一种可能的实现方式中，所述神经网络的损失函数可以等于第一损失函数与第二损失函数之和。
在一种可能的实现方式中，在训练所述神经网络时，可以首先采用Adam的梯度下降优化方法，学习率设置为0.0001，训练200个epoch(期)，再将学习率设置为0.00001，继续训练200个epoch。其中，每个epoch所用到的训练图像的数量可以根据训练图像的总量进行调节。
图6示出采用本公开实施例提供的去除图像中的反光的方法对带有三种不同类型的反光的输入图像进行处理后得到的输出图像的示意图。如图6所示，本公开实施例提供的神经网络能够准确地移除输入图像中的反光图层，得到较高质量的去除反光后的输出图像。
本公开实施例提供的去除图像中的反光的方法不限定反光类型、光源类型，能够处理真实世界中的复杂光源造成的图像反光问题，应用场景较为广泛。另外，本公开实施例提供的神经网络的训练方法能够快速地完成网络的训练。本公开实施例利用深度网络，能够快速且精确地预测得到透射光预测图(即去除反光后的图)。
本公开实施例可以应用于各种应用场景中。例如，在透过窗户拍摄外面的静物，在车内对车窗外的景色进行拍照，在博物馆拍摄玻璃柜内的展品，交通道路上的监控拍摄违法车辆的照片等情况下，可以采用本公开实施例快速去除拍摄的照片中的反光，给用户提供没有反光干扰的照片。又如，当拍摄戴眼镜的人像时，可以采用本公开实施例快速去除拍摄的照片中的反光，使人物的眼睛及眼周区域更加清晰。
本公开实施例可以应用于计算机视觉、智能图像处理、拍照、监控、自动驾驶、机器人视觉等领域。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了去除图像中的反光的装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种去除图像中的反光的方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图7示出本公开实施例提供的去除图像中的反光的装置的框图。如图7所示，所述去除图像中的反光的装置包括：第一获取模块71，用于获取待处理图像；第二获取模块72，用于获取所述待处理图像对应的多个偏振图，以及所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；第一预测模块73，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；第二预测模块74，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
在一种可能的实现方式中，所述第二获取模块72用于：对待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图；对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息。
在一种可能的实现方式中，所述待处理图像对应的偏振信息包括所述待处理图像对应的第一偏振信息图、所述待处理图像对应的第二偏振信息图、所述待处理图像对应的第三偏振信息图和所述待处理图像对应的第四偏振信息图中的至少之一，其中，所述待处理图像对应的第一偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振光强，所述待处理图像对应的第二偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振程度，所述待处理图像对应的第三偏振信息图用于表示所述待处理图像对应的多个偏振图的光的偏振角度，所述待处理图像对应的第四偏振信息图用于表示所述待处理图像对应的多个偏振图去除过曝后的信息。
在一种可能的实现方式中，所述装置还包括：第三获取模块，用于获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，其中，所述训练图像对应的多个偏振图是经过不同角度的偏振片形成的；第三预测模块，用于将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图；第四预测模块，用于将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图；训练模块，用于至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述第三获取模块用于：对训练图像中属于不同偏振片角度的像素点进行分离，得到所述训练图像对应的多个偏振图；对所述训练图像对应的多个偏振图中相应的像素点进行处理，得到所述训练图像对应的偏振信息。
在一种可能的实现方式中，所述训练图像对应的偏振信息包括所述训练图像对应的第一偏振信息图、所述训练图像对应的第二偏振信息图、所述训练图像对应的第三偏振信息图和所述训练图像对应的第四偏振信息图中的至少之一，其中，所述训练图像对应的第一偏振信息图用于表示所述训练图像对应的多个偏振图的偏振光强，所述训练图像对应的第二偏振信息图用于表示所述训练图像对应的多个偏振图的偏振程度，所述训练图像对应的第三偏振信息图用于表示所述训练图像对应的多个偏振图的光的偏振角度，所述训练图像对应的第四偏振信息图用于表示所述训练图像对应的多个偏振图去除过曝后的信息。
在一种可能的实现方式中，所述训练模块用于：根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值；至少根据所述第一损失函数的值，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述训练模块用于：对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，得到所述训练图像对应的归一化的透射光预测图和归一化的反光预测图；将所述归一化的透射光预测图输入第一预设网络，经由所述第一预设网络的第l层输出所述归一化的透射光预测图对应的第l层的特征图，其中，1≤l≤P，P表示所述第一预设网络的总层数；将所述归一化的反光预测图输入所述第一预设网络，经由所述第一预设网络的第l层输出所述归一化的反光预测图对应的第l层的特征图；根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值。
在一种可能的实现方式中，所述训练模块用于：根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图；根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值；至少根据所述第二损失函数的值，训练所述第一子网络和所述第二子网络。
在一种可能的实现方式中，所述训练模块用于：根据所述训练图像对应的透射光预测图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光预测图，其中，在所述训练图像对应的第四偏振信息图中，过曝的像素点的像素值为第一预设值，非过曝的像素点的像素值为第二预设值，其中，所述第一预设值小于所述第二预设值；根据所述透射光目标图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光目标图；将所述去除过曝的透射光预测图输入第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光预测图对应的第k层的特征图，其中，1≤k≤Q，Q表示所述第二预设网络的总层数；将所述去除过曝的透射光目标图输入所述第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光目标图对应的第k层的特征图；根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值。
在一种可能的实现方式中，所述装置还包括：采集模块，用于通过偏振传感器采集训练图像和所述训练图像对应的反光真实图。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的去除图像中的反光的方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的去除图像中的反光的方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows
Figure GDA0002589868780000231
Figure GDA0002589868780000232
Figure GDA0002589868780000233
或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种去除图像中的反光的方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图，并对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；
根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；
根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
2.根据权利要求1所述的方法，其特征在于，所述待处理图像对应的偏振信息包括所述待处理图像对应的第一偏振信息图、所述待处理图像对应的第二偏振信息图、所述待处理图像对应的第三偏振信息图和所述待处理图像对应的第四偏振信息图中的至少之一，其中，所述待处理图像对应的第一偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振光强，所述待处理图像对应的第二偏振信息图用于表示所述待处理图像对应的多个偏振图的偏振程度，所述待处理图像对应的第三偏振信息图用于表示所述待处理图像对应的多个偏振图的光的偏振角度，所述待处理图像对应的第四偏振信息图用于表示所述待处理图像对应的多个偏振图去除过曝后的信息。
3.根据权利要求1所述的方法，其特征在于，在所述获取待处理图像之前，所述方法还包括：
获取训练图像对应的多个偏振图，以及所述训练图像对应的偏振信息，其中，所述训练图像对应的多个偏振图是经过不同角度的偏振片形成的；
将所述训练图像对应的多个偏振图和所述训练图像对应的偏振信息输入神经网络的第一子网络，经由所述第一子网络输出所述训练图像对应的反光预测图；
将所述训练图像对应的多个偏振图和所述训练图像对应的反光预测图输入所述神经网络的第二子网络，经由所述第二子网络输出所述训练图像对应的透射光预测图；
至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络。
4.根据权利要求3所述的方法，其特征在于，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：
根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值；
至少根据所述第一损失函数的值，训练所述第一子网络和所述第二子网络。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图，确定第一损失函数的值，包括：
对所述训练图像对应的透射光预测图和所述训练图像对应的反光预测图分别进行归一化处理，得到所述训练图像对应的归一化的透射光预测图和归一化的反光预测图；
将所述归一化的透射光预测图输入第一预设网络，经由所述第一预设网络的第l层输出所述归一化的透射光预测图对应的第l层的特征图，其中，1≤l≤P，P表示所述第一预设网络的总层数；
将所述归一化的反光预测图输入所述第一预设网络，经由所述第一预设网络的第l层输出所述归一化的反光预测图对应的第l层的特征图；
根据所述归一化的透射光预测图对应的第l层的特征图与所述归一化的反光预测图对应的第l层的特征图之间的归一化互相关值，确定第一损失函数的值。
6.根据权利要求3至5中任意一项所述的方法，其特征在于，所述至少根据所述训练图像对应的透射光预测图，训练所述第一子网络和所述第二子网络，包括：
根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图；
根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值；
至少根据所述第二损失函数的值，训练所述第一子网络和所述第二子网络。
7.根据权利要求6所述的方法，其特征在于，所述根据所述训练图像对应的透射光预测图和所述透射光目标图，确定第二损失函数的值，包括：
根据所述训练图像对应的透射光预测图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光预测图，其中，在所述训练图像对应的第四偏振信息图中，过曝的像素点的像素值为第一预设值，非过曝的像素点的像素值为第二预设值，其中，所述第一预设值小于所述第二预设值；
根据所述透射光目标图与所述训练图像对应的第四偏振信息图中相应像素点的像素值的乘积，得到所述训练图像对应的去除过曝的透射光目标图；
将所述去除过曝的透射光预测图输入第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光预测图对应的第k层的特征图，其中，1≤k≤Q，Q表示所述第二预设网络的总层数；
将所述去除过曝的透射光目标图输入所述第二预设网络，经由所述第二预设网络的第k层输出所述去除过曝的透射光目标图对应的第k层的特征图；
根据所述去除过曝的透射光预测图对应的第k层的特征图与所述去除过曝的透射光目标图对应的第k层的特征图之间的差值，确定第二损失函数的值。
8.根据权利要求6所述的方法，其特征在于，在所述根据所述训练图像与所述训练图像对应的反光真实图之差，得到所述训练图像对应的透射光目标图之前，所述方法还包括：
通过偏振传感器采集训练图像和所述训练图像对应的反光真实图。
9.一种去除图像中的反光的装置，其特征在于，包括：
第一获取模块，用于获取待处理图像；
第二获取模块，用于对所述待处理图像中属于不同偏振片角度的像素点进行分离，得到所述待处理图像对应的多个偏振图，并对所述待处理图像对应的多个偏振图中相应的像素点进行处理，得到所述待处理图像对应的偏振信息，其中，所述待处理图像对应的多个偏振图是经过不同角度的偏振片形成的；
第一预测模块，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的偏振信息，确定所述待处理图像对应的反光预测图；
第二预测模块，用于根据所述待处理图像对应的多个偏振图和所述待处理图像对应的反光预测图，确定所述待处理图像对应的去除反光后的图像。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202010144325.2A 2020-03-04 2020-03-04 去除图像中的反光的方法及装置、电子设备和存储介质 Active CN111369464B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010144325.2A CN111369464B (zh) 2020-03-04 2020-03-04 去除图像中的反光的方法及装置、电子设备和存储介质
PCT/CN2020/092546 WO2021174687A1 (zh) 2020-03-04 2020-05-27 去除图像中的反光的方法及装置、电子设备和存储介质
TW109120319A TWI749593B (zh) 2020-03-04 2020-06-17 去除圖像中的反光的方法、電子設備和電腦可讀儲存媒體

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010144325.2A CN111369464B (zh) 2020-03-04 2020-03-04 去除图像中的反光的方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111369464A CN111369464A (zh) 2020-07-03
CN111369464B true CN111369464B (zh) 2021-11-09

Family

ID=71211696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010144325.2A Active CN111369464B (zh) 2020-03-04 2020-03-04 去除图像中的反光的方法及装置、电子设备和存储介质

Country Status (3)

Country Link
CN (1) CN111369464B (zh)
TW (1) TWI749593B (zh)
WO (1) WO2021174687A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488939B (zh) * 2020-11-27 2024-06-14 深圳市中博科创信息技术有限公司 图像处理方法、终端设备及存储介质
CN112598598B (zh) * 2020-12-25 2023-11-28 南京信息工程大学滨江学院 一种基于两级反射光消除网络的图像反射光去除方法
CN113011303B (zh) * 2021-03-12 2023-04-18 支付宝(杭州)信息技术有限公司 一种基于偏振图像的面部特征确定方法及装置
CN113421191B (zh) * 2021-06-28 2024-08-13 Oppo广东移动通信有限公司 图像处理方法、装置、设备及存储介质
CN115358937B (zh) * 2022-07-18 2023-06-20 荣耀终端有限公司 图像去反光方法、介质及电子设备
CN115294330A (zh) * 2022-08-22 2022-11-04 山东新一代信息产业技术研究院有限公司 一种设备表盘表面薄膜反光去除方法
CN115082477B (zh) * 2022-08-23 2022-10-28 山东鲁芯之光半导体制造有限公司 一种基于去反光效果的半导体晶圆加工质量检测方法
TWI820889B (zh) * 2022-09-01 2023-11-01 英屬維爾京群島商威爾德嘉德有限公司 圖像處理方法及其裝置
WO2024113368A1 (zh) * 2022-12-02 2024-06-06 华为技术有限公司 图像处理方法、装置和存储介质
CN117422646B (zh) * 2023-12-19 2024-05-10 荣耀终端有限公司 去反光模型的训练方法、去反光模型和去反光方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190304118A1 (en) * 2018-03-27 2019-10-03 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for generating image generative model

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7489391B2 (en) * 2004-04-27 2009-02-10 The Trustees Of The University Of Pennsylvania Polarization and reflection based non-contact latent fingerprint imaging and lifting
WO2012011246A1 (ja) * 2010-07-21 2012-01-26 パナソニック株式会社 画像処理装置
JP2019004204A (ja) * 2017-06-12 2019-01-10 住友電工システムソリューション株式会社 画像処理装置、画像出力装置およびコンピュータプログラム
CN108038454B (zh) * 2017-12-15 2020-01-07 北京正通亿和文化艺术交流有限公司 一种全息灯光脸部采集系统
TWI725875B (zh) * 2018-01-16 2021-04-21 美商伊路米納有限公司 結構照明成像系統和使用結構化光來創建高解析度圖像的方法
CN108286966B (zh) * 2018-01-24 2021-11-19 北京航空航天大学 一种自适应多光谱偏振导航传感器及其定向方法
CN109325912B (zh) * 2018-08-27 2023-05-12 曜科智能科技（上海）有限公司 基于偏振光光场的反光分离方法及标定拼合系统
CN108900754A (zh) * 2018-08-27 2018-11-27 广州大学 一种用于消除眼镜镜面反光的摄像装置及其控制方法
CN109993124B (zh) * 2019-04-03 2023-07-14 深圳华付技术股份有限公司 基于视频反光的活体检测方法、装置及计算机设备
CN110827217B (zh) * 2019-10-30 2022-07-12 维沃移动通信有限公司 图像处理方法、电子设备及计算机可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190304118A1 (en) * 2018-03-27 2019-10-03 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for generating image generative model

Also Published As

Publication number Publication date
TWI749593B (zh) 2021-12-11
CN111369464A (zh) 2020-07-03
WO2021174687A1 (zh) 2021-09-10
TW202135005A (zh) 2021-09-16

Similar Documents

Publication Publication Date Title
CN111369464B (zh) 去除图像中的反光的方法及装置、电子设备和存储介质
CN111462268B (zh) 图像重建方法及装置、电子设备和存储介质
CN110060215B (zh) 图像处理方法及装置、电子设备和存储介质
CN111445414B (zh) 图像处理方法及装置、电子设备和存储介质
EP3010226A2 (en) Method and apparatus for obtaining photograph
CN108154465B (zh) 图像处理方法及装置
CN111553864A (zh) 图像修复方法及装置、电子设备和存储介质
CN110619610B (zh) 图像处理方法及装置
CN111192218B (zh) 图像处理方法及装置、电子设备和存储介质
CN111340048A (zh) 图像处理方法及装置、电子设备和存储介质
CN108900903B (zh) 视频处理方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633700A (zh) 视频处理方法及装置、电子设备和存储介质
CN106792255B (zh) 视频播放窗口框体显示方法及装置
CN115359105B (zh) 景深扩展图像生成方法、设备及存储介质
CN112819714A (zh) 目标对象曝光方法、装置、存储介质及设备
CN111583142A (zh) 图像降噪方法及装置、电子设备和存储介质
CN111325786B (zh) 图像处理方法及装置、电子设备和存储介质
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN113506229A (zh) 神经网络训练和图像生成方法及装置
CN111553865B (zh) 图像修复方法及装置、电子设备和存储介质
CN111275641A (zh) 图像处理方法及装置、电子设备和存储介质
CN107451972B (zh) 图像增强方法、装置及计算机可读存储介质
CN112651880B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN113379624A (zh) 图像生成方法、图像生成模型的训练方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023153

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant