CN112991329A - 一种基于gan的图像阴影检测和消除方法 - Google Patents
一种基于gan的图像阴影检测和消除方法 Download PDFInfo
- Publication number
- CN112991329A CN112991329A CN202110411932.5A CN202110411932A CN112991329A CN 112991329 A CN112991329 A CN 112991329A CN 202110411932 A CN202110411932 A CN 202110411932A CN 112991329 A CN112991329 A CN 112991329A
- Authority
- CN
- China
- Prior art keywords
- shadow
- image
- training
- area
- elimination
- 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.)
- Pending
Links
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 26
- 230000008030 elimination Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000005286 illumination Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于GAN的图像阴影检测和消除方法,本发明定义了一种生成对抗网络的网络结构,用于共同完成图像中的阴影检测和消除;使用光照强度作为阴影模型中的强度信息,调整阴影部分的光照强度来完成阴影去除的工作。本发明可以迅速有效的在单张图像中消除阴影部分,消除阴影部分后,整张图片的亮度与非阴影部分可以保持相同,不会导致非阴影部分亮度下降,不影响消除后图片质量。
Description
技术领域
本发明涉及一种图像阴影检测和消除方法,具体地说,是涉及一种基于GAN的图像阴影检测和消除方法。
背景技术
生成对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,由两种神经网络组成,分别是生成器和判别器。生成器用来解决提出的问题,而判别器接收生成器的结果,判断生成器生成的结果是否真实。这两种神经网络被训练成敌对的姿态来完成相互对抗,推动生成器生成更逼真的图像。
图像中的阴影经常会导致在图像分割、图像识别等计算机视觉技术出现各种问题,所以阴影去除技术对提升图像识别、目标跟踪等技术有很大的帮助。这个过程可以分为两步,分别是阴影检测和阴影消除。在阴影检测过程中,需要准确的标记处阴影区域和非阴影区域,而在阴影消除过程中,需要重点关注在检测过程中标记的阴影区域,并重构出没有阴影的图像。在这两个算法中,它们都接收相同的基础数据,产生不同的结果。在现有技术中,这两个流程一般是分开处理的。
发明内容
本发明的目的在于提供一种基于GAN的图像阴影检测和消除方法。本发明定义了一种生成对抗网络的网络结构,用于共同完成图像中的阴影检测和消除;使用光照强度作为阴影模型中的强度信息,调整阴影部分的光照强度来完成阴影去除的工作。
本发明采用的技术方案为:
一种基于GAN的图像阴影检测和消除方法,包括下述步骤:
(1)固定阴影检测生成器G1的网络结构和权重参数不变,输入一张原始的有阴影的图像,输出一张由G1标记的阴影区域图像,阴影区域和非阴影区域用表示如下:
其中阴影区域表示为1,非阴影区域表示为0;
(2)训练阴影检测判别器D1,D1接收由G1生成的阴影区域图像和原始图像,输出阴影区域的真实程度,训练D1的损失函数表示如下:
其中x表示输入的图像,y表示阴影实际检测出来的区域,L表示训练D1的损失值,Ex,y~pdata(x,y)表(x,y)在pdata(x,y)分布中的期望值;
(3)完成判别器D1的训练后,训练生成器G1,训练G1的损失函数如下:
Ldata1(G1)=Ex,y~pdata(x,y)||y-G1(x)||2
(4)完成阴影检测生成器和阴影检测判别器后,固定阴影消除生成器G2的权重,首先训练阴影消除判别器D2,训练D2的损失函数表示如下:
r表示的是用于去除阴影的地面真实图像标记;
(5)随后开始训练阴影消除生成器G2,使用真实的图片与G1生成的阴影标记图像相乘得到的图像,作为G2的输入的一部分,同时输入原始的阴影图片,最终得到消除后的阴影部分;训练G2的损失函数表示如下:
Ldata2(G2|G1)=Ex,r~pdata(x,r)||r-G2(x,G1(x))||2
(6)使用上述损失函数在网络中更新权重:
(7)在完成全部的G1和G2的训练后,输入一张阴影图片到G1中,由G2的输出得到一张消除阴影后的图片。
作为优选,步骤(1)中,阴影区域和非阴影区域用二进制表示。
作为优选,在阴影消除生成器G2消除阴影区域时,使用了一种阴影模型,公式如下:
I(θ,λ)=Li(θ,λ)R(θ,λ)
其中I是在像素点θ的λ波长反映出来的强度,Li和R分别是光照强度和反射强度;非阴影区域的光照强度表示为:
Ilit(θ,λ)=Lid(θ,λ)R(θ,λ)+Lia(θ,λ)R(θ,λ)
其中Lid和Lia和别表示直接照射和环境光的光照强度;阴影区域会有一些物体阻塞来自光源的直接光照强度,阴影区域的光照强度表示为:
Ishadow(θ,λ)=at(θ)La(θ,λ)R(θ,λ)
其中at(θ)表示为环境光照的衰减因子,取值范围在(0,1)之间;通过补偿阴影区域的光照强度至非阴影区域的强度,达到消除阴影的目标。
本发明可以迅速有效的在单张图像中消除阴影部分,消除阴影部分后,整张图片的亮度与非阴影部分可以保持相同,不会导致非阴影部分亮度下降,不影响消除后图片质量。
附图说明
图1是本发明的整体流程示意图;
图2是本发明生成器G2输入生成流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明,但本发明所要保护的范围并不限于此。
参照图1,一种基于GAN的图像阴影检测和消除方法,包括下述步骤:
(1)固定阴影检测生成器G1的网络结构和权重参数不变,输入一张原始的有阴影的图像,输出一张由G1标记的阴影区域图像,阴影区域和非阴影区域用二进制表示:
其中阴影区域表示为1,非阴影区域表示为0;
(2)训练阴影检测判别器D1,D1接收由G1生成的阴影区域图像和原始图像,输出阴影区域的真实程度,训练D1的损失函数表示如下:
其中x表示输入的图像,y表示阴影实际检测出来的区域,L表示训练D1的损失值,Ex,y~pdata(x,y)表(x,y)在pdata(x,y)分布中的期望值。
(3)完成判别器D1的训练后,训练生成器G1,训练G1的损失函数如下:
Ldata1(G1)=Ex,y~pdata(x,y)||y-G1(x)||2
(4)完成阴影检测生成器和阴影检测判别器后,固定阴影消除生成器G2的权重,首先训练阴影消除判别器D2,训练D2的损失函数表示如下:
(5)随后开始训练阴影消除生成器G2,如图2所示,使用真实的图片与G1生成的阴影标记图像相乘得到的图像,作为G2的输入的一部分,同时输入原始的阴影图片,最终得到消除后的阴影部分;训练G2的损失函数表示如下:
Ldata2(G2|G1)=Ex,r~pdata(x,r)||r-G2(x,G1(x))||2
r表示的是用于去除阴影的地面真实图像标记。
(6)使用上述损失函数在网络中更新权重:
(7)在完成全部的G1和G2的训练后,输入一张阴影图片到G1中,由G2的输出得到一张消除阴影后的图片。
作为优选,在消除阴影区域的生成器G2消除阴影区域时,使用了一种阴影模型,公式如下:
I(θ,λ)=Li(θ,λ)R(θ,λ)
其中I是在像素点θ的λ波长反映出来的强度,Li和R分别是光照强度和反射强度;非阴影区域的光照强度表示为:
Ilit(θ,λ)=Lid(θ,λ)R(θ,λ)+Lia(θ,λ)R(θ,λ)
其中Lid和Lia和别表示直接照射和环境光的光照强度;阴影区域会有一些物体阻塞来自光源的直接光照强度,阴影区域的光照强度表示为:
Ishadow(θ,λ)=at(θ)La(θ,λ)R(θ,λ)
其中at(θ)表示为环境光照的衰减因子,取值范围在(0,1)之间;通过补偿阴影区域的光照强度至非阴影区域的强度,达到消除阴影的目标。
应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (3)
1.一种基于GAN的图像阴影检测和消除方法,其特征在于包括下述步骤:
(1)固定阴影检测生成器G1的网络结构和权重参数不变,输入一张原始的有阴影的图像,输出一张由G1标记的阴影区域图像,阴影区域和非阴影区域用表示如下:
其中阴影区域表示为1,非阴影区域表示为0;
(2)训练阴影检测判别器D1,D1接收由G1生成的阴影区域图像和原始图像,输出阴影区域的真实程度,训练D1的损失函数表示如下:
其中x表示输入的图像,y表示阴影实际检测出来的区域,L表示训练D1的损失值,Ex,y~pdata(x,y)表示(x,y)在pdata(x,y)分布中的期望值;
(3)完成判别器D1的训练后,训练生成器G1,训练G1的损失函数如下:
Ldata1(G1)=Ex,y~pdata(x,y)||y-G1(x)||2
(4)完成阴影检测生成器和阴影检测判别器后,固定阴影消除生成器G2的权重,首先训练阴影消除判别器D2,训练D2的损失函数表示如下:
LCGAN2(G2,D2|G1)
=Ex,r~pdata(x,y,r)[logD2(x,y,r)]+Ex~pdata(x)[log(1-D2(x,G1(x),G2(x,G1(x))))]
r表示的是用于去除阴影的地面真实图像标记;
(5)随后开始训练阴影消除生成器G2,使用真实的图片与G1生成的阴影标记图像相乘得到的图像,作为G2的输入的一部分,同时输入原始的阴影图片,最终得到消除后的阴影部分;训练G2的损失函数表示如下:
Ldata2(G2|G1)=Ex,r~pdata(x,r)||r-G2(x,G1(x))||2
(6)使用上述损失函数在网络中更新权重:
(7)在完成全部的G1和G2的训练后,输入一张阴影图片到G1中,由G2的输出得到一张消除阴影后的图片。
2.根据权利要求1所述基于GAN的图像阴影检测和消除方法,其特征在于:步骤(1)中,阴影区域和非阴影区域用二进制表示。
3.根据权利要求1所述基于GAN的图像阴影检测和消除方法,其特征在于:在阴影消除生成器G2消除阴影区域时,使用了一种阴影模型,公式如下:
I(θ,λ)=Li(θ,λ)R(θ,λ)
其中I是在像素点θ的λ波长反映出来的强度,Li和R分别是光照强度和反射强度;非阴影区域的光照强度表示为:
Ilit(θ,λ)=Lid(θ,λ)R(θ,λ)+Lia(θ,λ)R(θ,λ)
其中Lid和Lia和别表示直接照射和环境光的光照强度;
阴影区域的光照强度表示为:
Ishadow(θ,λ)=at(θ)La(θ,λ)R(θ,λ)
其中at(θ)表示为环境光照的衰减因子,取值范围在(0,1)之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411932.5A CN112991329A (zh) | 2021-04-16 | 2021-04-16 | 一种基于gan的图像阴影检测和消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411932.5A CN112991329A (zh) | 2021-04-16 | 2021-04-16 | 一种基于gan的图像阴影检测和消除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991329A true CN112991329A (zh) | 2021-06-18 |
Family
ID=76340819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110411932.5A Pending CN112991329A (zh) | 2021-04-16 | 2021-04-16 | 一种基于gan的图像阴影检测和消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991329A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023066173A1 (zh) * | 2021-10-18 | 2023-04-27 | 虹软科技股份有限公司 | 图像处理方法、装置及存储介质、电子设备 |
CN116704316A (zh) * | 2023-08-03 | 2023-09-05 | 四川金信石信息技术有限公司 | 基于阴影图像重构的变电站渗漏油检测方法、系统及介质 |
-
2021
- 2021-04-16 CN CN202110411932.5A patent/CN112991329A/zh active Pending
Non-Patent Citations (2)
Title |
---|
JIFENG WANG,ET AL: "Stacked Conditional Generative Adversarial Networks for Jointly Learning Shadow Detection and Shadow Removal", 《ARXIV:1712.02478V1》 * |
韦鑫 等: "基于YCbCr的近景图像阴影去除方法研究", 《中国农机化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023066173A1 (zh) * | 2021-10-18 | 2023-04-27 | 虹软科技股份有限公司 | 图像处理方法、装置及存储介质、电子设备 |
CN116704316A (zh) * | 2023-08-03 | 2023-09-05 | 四川金信石信息技术有限公司 | 基于阴影图像重构的变电站渗漏油检测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
CN109214327B (zh) | 一种基于pso的反人脸识别方法 | |
US7536064B2 (en) | Image comparison by metric embeddings | |
Banić et al. | Smart light random memory sprays Retinex: a fast Retinex implementation for high-quality brightness adjustment and color correction | |
CN112991329A (zh) | 一种基于gan的图像阴影检测和消除方法 | |
US20220172331A1 (en) | Image inpainting with geometric and photometric transformations | |
CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
CN112116582A (zh) | 一种库存或陈列场景下的条烟检测识别方法 | |
CN114092793B (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN112102192A (zh) | 一种图像白平衡方法 | |
Cui et al. | A novel underwater image restoration method based on decomposition network and physical imaging model | |
CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
CN114049264A (zh) | 暗光图像增强方法、装置、电子设备及存储介质 | |
CN117094910A (zh) | 基于非线性无激活网络的生成对抗网络图像去模糊方法 | |
US11900564B2 (en) | Storage medium storing program, image processing apparatus, and training method of machine learning model | |
Deng et al. | Robust underwater image enhancement method based on natural light and reflectivity | |
CN112686249B (zh) | 一种基于对抗补丁的Grad-CAM攻击方法 | |
CN115188039A (zh) | 一种基于图像频域信息的深度伪造视频技术溯源方法 | |
CN112116580B (zh) | 用于摄像头支架的检测方法、系统及设备 | |
Zhao et al. | Nonuniform illumination correction for underwater images through a pseudo-siamese network | |
CN112907469B (zh) | 基于Lab域增强、分类及对比度提升的水下图像识别方法 | |
CN117611578B (zh) | 一种图像处理方法及图像处理系统 | |
CN114372537B (zh) | 一种面向图像描述系统的通用对抗补丁生成方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |