[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111161175A - 一种用于去除图像反射分量的方法及系统 - Google Patents

一种用于去除图像反射分量的方法及系统 Download PDF

Info

Publication number
CN111161175A
CN111161175A CN201911344650.7A CN201911344650A CN111161175A CN 111161175 A CN111161175 A CN 111161175A CN 201911344650 A CN201911344650 A CN 201911344650A CN 111161175 A CN111161175 A CN 111161175A
Authority
CN
China
Prior art keywords
image
processing model
network
image processing
decoding network
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
Application number
CN201911344650.7A
Other languages
English (en)
Inventor
林斌
张梦玥
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.)
Suzhou Jiang'ao Optoelectronics Technology Co ltd
Original Assignee
Suzhou Jiang'ao Optoelectronics 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 Suzhou Jiang'ao Optoelectronics Technology Co ltd filed Critical Suzhou Jiang'ao Optoelectronics Technology Co ltd
Priority to CN201911344650.7A priority Critical patent/CN111161175A/zh
Publication of CN111161175A publication Critical patent/CN111161175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种用于去除图像反射分量的方法及系统，所述方法包括获取预设的图像处理模型；将待处理图像输入至所述预设的图像处理模型，所述图像处理模型中的第一解码网络、第二解码网络和第三解码网络接收由编码网络处理过的数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。本发明使用alpha掩模作为桥梁，在训练图像处理模型的阶段，使得最终需要得到的传输层和反射层更好地结合。

Description

一种用于去除图像反射分量的方法及系统
技术领域
本发明属于图像处理技术领域，具体涉及一种用于去除图像反射分量的方法及系统。
背景技术
单幅图像去反射是计算机视觉领域中一个非常有意义的课题。当透过玻璃对玻璃之后的景物进行成像，所成的像中往往会包含有玻璃的反射影像。而如何从这样单张包含反射影像的混合图像中分解得到两张图像(玻璃后的传输图像以及玻璃前的反射图像)，缺少图像先验信息，实际上可以得到无穷多组解，因此是一个ill-posed的问题。目前现有技术提出了多种不同的图像先验来约束解的范围，使其尽可能接近理想的结果。但是这些先验知识大多是基于低层的像素细节的，这使得它们无法适用于更复杂的、更一般化的场景。
发明内容
针对上述问题，本发明提出一种用于去除图像反射分量的方法及系统，利用来自实际应用场景的数据对图像处理模型进行训练，提高了应用场景上的普适性。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种用于去除图像反射分量的方法，包括：
获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；
将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。
作为本发明的进一步改进，所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量。
作为本发明的进一步改进，所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
作为本发明的进一步改进，所述图像处理模型通过以下步骤构建：
设定损失函数；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
作为本发明的进一步改进，所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：
将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；
将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
第二方面，本发明提供了一种用于去除图像反射分量的系统，所述：
获取单元，用于获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；
处理单元，用于将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。
作为本发明的进一步改进，所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量；所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
作为本发明的进一步改进，所述图像处理模型通过以下步骤构建：
设定损失函数；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
作为本发明的进一步改进，所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：
将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；
将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
与现有技术相比，本发明的有益效果：
(1)相比传统方法，本发明中采用的是来自实际应用场景的数据对图像处理模型进行训练，提高了算法在应用场景上的普适性。
(2)相比利用低级图像信息的传统方法，本发明应用了更高级的图像信息，恢复结果效果的更好。
(3)本发明使用alpha掩模作为桥梁，在训练图像处理模型的阶段，使得最终需要得到的传输层和反射层更好地结合。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例的用于去除图像反射分量方法的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种用于去除图像反射分量的方法，如图1所示，包括以下步骤：
(1)获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；所述第一解码网络、第二解码网络和第三解码网络的作用是将上一步中编码网络提取出来的一连串向量，分别经过一连串的反卷积操作之后激活，推断得到每个像素点的RGB值，从而恢复成需要生成的传输层图像、与原图通道数相同的alpha混合掩模图像、预测的反射层图像；
(2)将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像，即以alpha混合掩模图像作为桥梁，将生成的传输层图像和反射层图像，根据对应像素点上RGB值，以alpha混合掩模图像中该点的值作为混合的alpha参数，进行alpha混合得到混合图像的RGB值，以此规则遍历像素点混合，得到预测的混合图像。
在本发明实施例的一种具体实施方式中，所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量。
在本发明实施例的一种具体实施方式中，所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
在本发明实施例的一种具体实施方式中，所述图像处理模型通过以下步骤构建：
设定损失函数，用于衡量预测传输层、反射层、混合图像与以上三者分别对应的真实图像之间的像素差之和；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像，即图1中的真实的混合图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
作为本发明的进一步改进，所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：
将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；
将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
实施例2
基于与实施例1相同的发明构思，本发明实施例中提供了一种用于去除图像反射分量的系统，所述：
获取单元，用于获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；
处理单元，用于将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。
在本发明实施例的一种具体实施方式中，所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量；所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
在本发明实施例的一种具体实施方式中，所述图像处理模型通过以下步骤构建：
设定损失函数；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
在本发明实施例的一种具体实施方式中，所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：
将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；
将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
综上所述：
本发明使用alpha掩模作为桥梁，训练编码器、第一解码器、第二解码器和第三解码器，三个解码器分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像，将生成的传输层和反射层根据alpha掩模来进行混合后，生成混合图像，与原混合图像进行对比，计算损失函数，更新网络权值。由于引入的alpha掩模比起简单的高斯混合，能更好地模拟真实情况下的混合图像的形成过程，因此以此为桥梁的神经网络所生成的传输层能更好地贴近真实传输层。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (9)

1.一种用于去除图像反射分量的方法，其特征在于，包括：
获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；
将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。
2.根据权利要求1所述的一种用于去除图像反射分量的方法，其特征在于：所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量。
3.根据权利要求2所述的一种用于去除图像反射分量的方法，其特征在于：所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
4.根据权利要求1所述的一种用于去除图像反射分量的方法，其特征在于：所述图像处理模型通过以下步骤构建：
设定损失函数；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
5.根据权利要求4所述的一种用于去除图像反射分量的方法，其特征在于：所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：
将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；
将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
6.一种用于去除图像反射分量的系统，其特征在于，所述：
获取单元，用于获取预设的图像处理模型；所述图像处理模型包括编码网络，以及分别与所述编码网络相连的第一解码网络、第二解码网络和第三解码网络；
处理单元，用于将待处理图像输入至所述预设的图像处理模型，所述编码网络对所述待处理图像进行预处理后生成向量数据；所述第一解码网络、第二解码网络和第三解码网络接收所述编码网络输出的向量数据后，分别生成预测的传输层图像、与原图通道数相同的alpha混合掩模图像和预测的反射层图像，以所述alpha混合掩模图像为桥梁，将所述预测的传输层图像和反射层图像根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，得到去除反射分量的图像。
7.根据权利要求6所述的一种用于去除图像反射分量的系统，其特征在于：所述编码网络包括多个串联的卷积层，以及与所述卷积层输出端相连的批归一化层和激活层，所述编码网络将接收到的输入图像中的设定信息转换为一连串向量；所述第一解码网络、第二解码网络和第三解码网络均包括多个串联的反卷积层，以及与所述反卷积层输出端相连的批归一化层和激活层。
8.根据权利要求6所述的一种用于去除图像反射分量的系统，其特征在于：所述图像处理模型通过以下步骤构建：
设定损失函数；
建立初始图像处理模型，所述初始图像处理模型中包括编码网络、第一解码网络、第二解码网络和第三解码网络；
获取实用场景的数据集，所述实用场景的数据集中包含传输层、反射层、混合图像三者的三元组图像；
将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型。
9.根据权利要求8所述的一种用于去除图像反射分量的系统，其特征在于：所述将所述实用场景的数据集输入至初始图像处理模型，以所述设定损失函数为约束，对所述初始图像处理模型的参数进行训练，获得最终的图像处理模型，具体为：将所述实用场景的数据集输入至初始图像处理模型；
所述编码网络基于接收到的实用场景的数据，生成一连串向量；
所述第一解码网络、第二解码网络和第三解码网络接收编码网络输出的一连串向量，分别生成预测的传输层图像、与原图通道数相同的alpha掩模图像、预测的反射层图像；将所述预测的传输层和反射层根据alpha混合掩模图像中对应像素点上的alpha参数为混合参数进行alpha混合，生成混合图像，与原图像进行对比，计算出损失函数，将计算出的损失函数与预设的损失函数对比，并基于设定的更新规则，更新图像处理模型的网络权值；
不断执行上述过程，得到最终的图像处理模型。
CN201911344650.7A 2019-12-24 2019-12-24 一种用于去除图像反射分量的方法及系统 Pending CN111161175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911344650.7A CN111161175A (zh) 2019-12-24 2019-12-24 一种用于去除图像反射分量的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911344650.7A CN111161175A (zh) 2019-12-24 2019-12-24 一种用于去除图像反射分量的方法及系统

Publications (1)

Publication Number Publication Date
CN111161175A true CN111161175A (zh) 2020-05-15

Family

ID=70557865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911344650.7A Pending CN111161175A (zh) 2019-12-24 2019-12-24 一种用于去除图像反射分量的方法及系统

Country Status (1)

Country Link
CN (1) CN111161175A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802076A (zh) * 2021-03-23 2021-05-14 苏州科达科技股份有限公司 反射图像生成模型及反射去除模型的训练方法
CN112861997A (zh) * 2021-03-15 2021-05-28 北京小米移动软件有限公司 信息的处理方法、装置、存储介质和电子设备
CN114529461A (zh) * 2022-01-11 2022-05-24 华南理工大学 深度学习单图像去反射方法、装置、电子设备和存储介质
WO2022222080A1 (zh) * 2021-04-21 2022-10-27 浙江大学 一种基于位置感知的单图像反射层移除方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345487A (zh) * 2018-10-25 2019-02-15 厦门美图之家科技有限公司 一种图像增强方法及计算设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345487A (zh) * 2018-10-25 2019-02-15 厦门美图之家科技有限公司 一种图像增强方法及计算设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861997A (zh) * 2021-03-15 2021-05-28 北京小米移动软件有限公司 信息的处理方法、装置、存储介质和电子设备
CN112802076A (zh) * 2021-03-23 2021-05-14 苏州科达科技股份有限公司 反射图像生成模型及反射去除模型的训练方法
WO2022222080A1 (zh) * 2021-04-21 2022-10-27 浙江大学 一种基于位置感知的单图像反射层移除方法
CN114529461A (zh) * 2022-01-11 2022-05-24 华南理工大学 深度学习单图像去反射方法、装置、电子设备和存储介质
CN114529461B (zh) * 2022-01-11 2024-08-06 华南理工大学 深度学习单图像去反射方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN113658051B (zh) 一种基于循环生成对抗网络的图像去雾方法及系统
CN111161175A (zh) 一种用于去除图像反射分量的方法及系统
CN111507914B (zh) 人脸修复模型的训练方法、修复方法、装置、设备和介质
CN110633748B (zh) 一种鲁棒的自动人脸融合方法
CN111127331B (zh) 基于像素级全局噪声估计编解码网络的图像去噪方法
CA3137297C (en) Adaptive convolutions in neural networks
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
CN116701692B (zh) 一种图像生成方法、装置、设备及介质
CN115049556A (zh) 一种基于StyleGAN的人脸图像修复方法
CN112233012A (zh) 一种人脸生成系统及方法
CN112949553A (zh) 基于自注意力级联生成对抗网络的人脸图像修复方法
CN113160286A (zh) 一种基于卷积神经网络的近红外和可见光图像融合方法
CN114299573A (zh) 视频处理方法、装置、电子设备及存储介质
CN112669431B (zh) 图像处理方法、装置、设备、存储介质以及程序产品
Arora et al. Augmentation of Images through DCGANs
CN114943655B (zh) 基于循环深度卷积生成对抗网络结构的图像修复系统
CN112084855A (zh) 一种基于改进ransac方法对视频流的外点剔除方法
CN116342800B (zh) 一种多模态位姿优化的语义三维重建方法及系统
CN117408910A (zh) 三维模型补全网络的训练方法、三维模型补全方法及装置
CN104320659A (zh) 背景建模方法、装置及设备
CN114638845A (zh) 一种基于双阈值的量子图像分割方法、装置及存储介质
CN113869141A (zh) 特征提取方法和装置、编码器、通信系统
CN114004974A (zh) 对弱光环境下拍摄的图像的优化方法及装置
CN112541438A (zh) 文本识别方法及装置
CN113487622B (zh) 头颈部器官影像分割方法、装置、电子设备和存储介质

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

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication