摘要
阴影是一种物理现象，表示的是因为光线被不透明物体阻挡而产生的黑暗范围。阴影在生产生活方面产生了许多不利影响，例如，在交通运输、地形检测、安全防卫等领域进行图像采集时，阴影会严重干扰所采集的图像，使图像出现信息缺失、色彩改变、亮度不足等问题。因此，消除图像中的阴影，对提高图像识别、图像分割的准确性具有重要意义。针对上述问题，本文围绕单幅图像的阴影去除方法展开研究，具体工作包括： 1．针对传统深度学习图像阴影去除方法训练受限于配对有标数据问题，提出一种基于梯度约束的循环生成对抗网络的阴影去除方法。首先，构造新的非成对数据集用来训练模器和判别器来构造；最后，将生成器的损失函数通过WGAN梯度补偿(WGANGradientPenalty)[30]来优化，最终达到去除阴影的目的。与现有深度学习去除阴影方法相比，本方法不需要运用成对的数据集来训练，为数据集的制备提供了新的思路。实验表明，本方法在去除单幅图像阴影方面，均方根误差值为8.03，优于Guo等人[10]和Gong等人[8]的方法。 2．针对基于传统循环生成对抗网络去除图像阴影方法易在消除被阴影遮挡的部分时产生不自然的痕迹[27]，提出了基于光谱归一化循环生成对抗网络的阴影去除方法。该网络由三部分组成：第一部分，通过真实的阴影图片集学习来生成非阴影图片；第二部分，让输入的阴影图片生成荫罩；第三部分，通过真实的非阴影图片集学习来生成阴影图片。然后，将生成器的损失函数通过光谱归一化(Spectralnonnalization)[31]来优化；最后，利用新的非成对数据集来训练网络模型，使之对单幅图像进行阴影去除。实验表明本文方法的均方根误差值为7.86，优于传统的循环生成对抗网络方法，并且解决了以往基于传统循环生成对抗网络的阴影去除方法在对图片背景材质信息的保存方面不足的问题，在保存纹理信息上具有良好效果。 3．根据上述研究内容，设计并实现了基于循环生成对抗网络的单幅图像阴影去除系统。该系统集成了本文提出的阴影去除方法。
NETL