[发明专利]一种基于串行结构网络的本征图像分解方法

说明书

本发明涉及一种基于串行结构网络的本征图像分解方法。该方法由专门提取反射图像的网络和光照图像的修正网络串行组成，首先对输入的原始图像构造三级图像金字塔；其次将三级图像金字塔输入到图像金字塔Mini U‑net网络中专门提取反射图像；再次，通过本征图像分解模型获得被除的光照图像；最后将被除的光照图像送入光照图像修正网络获得最终的平滑、高质量的光照图像。本发明的网络结构清晰、简单，解决了传统的方法在同时分解反射图像和光照图像造成的二义性及精准度不够的问题，该方法在现在的数据库中测试效果精准度更低，可视效果更佳。

技术领域

本发明属于本征图像分解技术领域，特别是涉及一种基于串行结构网络的本征图像分解方法。

背景技术

图像的分析与理解是图像处理最根本的任务之一。图像成像的过程受到如目标物体本身特性、拍摄环境以及采集设备等条件的共同影响，使得图像处理过程需要充分考虑诸多因素的干扰，例如阴影、色彩不连续、目标姿态变换等，这些变化因素对图像处理算法带来了巨大的挑战，使得现有的图像分析算法在复杂环境下性能受到较大的影响。本征图像分解是将一幅图像分解为反射图像和光照图像，其中反射图像包含物体的反射特性(颜色、纹理等信息)，光照图像是物体的形状与环境光照共同作用的结果。计算机视觉和计算机图形学中的其他研究和应用都离不开本征图像分解，例如，三维模型材质建模和编辑、图像重光照、图像分割等等。本征图像分解的反射图像与光照图像，通常为这些研究和应用的后续算法提供图像理解参考信息。本征图像分解由一个输入获得两个输出，在不增加约束或额外输入的情况下，该问题是一个约束不足的病态问题。因此，精准的分解出反射图像和光照图像是一件极其困难的事情，由于单张图像缺乏足够的信息，图像中包含复杂场景或光照时，分解的结果会因为约束条件不足导致反射图像和光照图像出现严重的二义性。

传统的本征图像分解方法中，在Retinex理论的基础上，通过增加约束条件、额外的输入信息或用户辅助信息来解决分解结果的二义性和精准度不够。但此类方法的使用限制条件较多，而且针对不同场景或类型的图像需要采取不同的方法，可推广性较差。

现有基于深度学习的本征图像分解方法是并行结构网络，其网络的特点是由一个共享参数的编码器网络和两个解码器网络组成。根据Retinex理论可知，图像中与反射图像和光照图像的特征大部分是互斥的，共享参数的编码器网络在提取特征时，需要同时考虑两个图像的互斥特征，在解码器网络重构图像是会造成图像不准确，即反射图像中有光照图像的特征，光照图像中不能完全分离反射图像的特征。

发明内容

要解决的技术问题

为了解决现有技术中本征图像分解过程中存在的二义性及精准度不够的问题，本发明提出一种基于串行结构网络的本征图像分解方法。

技术方案

一种基于串行结构网络的本征图像分解方法，其特征在于步骤如下：

步骤1：输入原始图像构建三级的图像金字塔

首先构建原始图像的三级图像金字塔，为图像金字塔Mini U-net网络结构提供输入；输入原始图像为I，则构建的三级图像金字塔为：

I₁＝I

其中，I₁，I₂，I₃分别为三级图像金字塔的第一、二、三级图像，是图像下采样函数，倍率为

步骤2：提取反射图像

在获取输入图像的三级图像金字塔后，输入到图像金字塔Mini U-net网络中，网络的输出是估计的反射图像；所述的图像金字塔Mini U-net网络中的残差块是由两个卷积层和ELU的激活函数组成；其提取过程表示为：