一种阴影去除方法、装置、设备及存储介质与流程

本发明涉及图像处理，尤其涉及一种阴影去除方法、装置、设备及存储介质。

背景技术：

1、随着网络带宽的增长以及多媒体应用的兴起，图像作为一种多媒体信息，被越来越多的应用于内容的表达和信息的承载。

2、然而，在获取图像时，由于各种条件的影响，所获取的图像存在质量下降的现象。图像的阴影(比如光照阴影)就是其中一种，图像的阴影会使图像本应反映的信息量缺损或受到干扰，降低图像的解译精度，影响图像的各种定量分析与应用。因此，如何去除图像的阴影，是一个亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种阴影去除方法、装置、设备及存储介质，用以去除图像的阴影，其技术方案如下：

2、一种阴影去除方法，包括：

3、获取待去除阴影的图像；

4、基于预先训练得到的阴影去除模型，去除所述图像的阴影；

5、其中，所述阴影去除模型采用训练图像序列训练得到，所述训练图像序列的首个图像为无阴影图像，其它图像为通过将一纯阴影图像按若干不同比例分别融合到所述无阴影图像上获得的有阴影图像，从所述训练图像序列的第2个图像开始，各图像的阴影依次加重；

6、训练时，所述阴影去除模型以所述训练图像序列的最后一个图像为输入，逐步去除输入图像中的阴影；所述阴影去除模型的训练目标包括：使每一步去除的阴影趋近于对应的目标阴影，每一步对应的目标阴影基于所述训练图像序列确定。

7、可选的，所述训练图像序列的获取过程包括：

8、获取一无阴影图像和一纯阴影图像；

9、将获取的纯阴影图像按若干不同比例分别融合到获取的无阴影图像上，得到若干有阴影图像；

10、从所述若干有阴影图像中选择出指定数量的可用有阴影图像，并将所述指定数量的可用有阴影图像组成阴影由轻到重的可用有阴影图像序列；

11、将获取的无阴影图像和所述可用有阴影图像序列组成所述训练图像序列。

12、可选的，所述待去除阴影的图像为文本图像，所述训练图像序列中的各图像为文本图像；

13、确定一有阴影图像是否为可用有阴影图像，包括：

14、对该有阴影图像进行文本识别，以得到该有阴影图像中各文本行分别对应的置信度；

15、计算该有阴影图像中各文本行分别对应的置信度的均值，得到该有阴影图像对应的置信度均值；

16、若该有阴影图像对应的置信度均值位于预先确定的置信度范围内，则确定该有阴影图像为可用有阴影图像，否则，确定该有阴影图像为不可用有阴影图像。

17、可选的，获取一纯阴影图像，包括：

18、获取有阴影图像；

19、通过对获取的有阴影图像在时域去除细节信息获得纯阴影图像；

20、或者，通过对获取的有阴影图像在频域去除高频分量获得纯阴影图像；

21、或者，通过对获取的有阴影图像在时域去除细节信息获得纯阴影图像，并通过对获取的有阴影图像在频域去除高频分量获得纯阴影图像，将获得的两个纯阴影图像融合，融合后图像作为最终的纯阴影图像。

22、可选的，所述通过对获取的有阴影图像在时域去除细节信息获得纯阴影图像，包括：

23、对获取的有阴影图像进行高斯模糊处理，得到纯阴影图像；

24、所述通过对获取的有阴影图像在频域去除高频分量获得纯阴影图像，包括：

25、对获取的有阴影图像进行傅里叶变换，得到频谱图；

26、对所述频谱图进行高频滤波，得到高频滤波后的频谱图；

27、对所述高频滤波后的频谱图进行傅里叶逆变换，得到纯阴影图像。

28、可选的，确定所述置信度范围的过程包括：

29、获取多个无阴影图像；

30、分别对所述多个无阴影图像进行文本识别，以得到所述多个无阴影图像中各文本行分别对应的置信度；

31、对所述多个无阴影图像中各文本行分别对应的置信度求均值和方差；

32、根据求得的均值和方差确定所述置信度范围。

33、可选的，所述阴影去除模型采用训练得到的对抗生成模型中的生成器；

34、所述对抗生成模型的训练目标包括：使作为阴影去除模型的生成器每一步去除的阴影趋近于对应的目标阴影，以及，使所述对抗生成模型中的判别器无法判别所述生成器最终输出的无阴影图像是真实的无阴影图像还是生成的无阴影图像。

35、可选的，所述对抗生成模型的训练过程，包括：

36、利用所述对抗生成模型的生成器，按从后往前的顺序，逐步预测所述训练图像序列中最后一个图像之前的各图像，其中，第一个预测步以所述训练图像序列的最后一个图像为预测依据，其它预测步均以前一个预测步的预测图像为预测依据；

37、根据每个预测步预测的图像以及每个预测步预测所依据的图像，确定每个预测步去除的阴影，并利用所述对抗生成网络的判别器，预测最后一个预测步预测的图像为真实无阴影图像和生成的无阴影图像的概率；

38、根据每个预测步去除的阴影和每个预测步对应的目标阴影，确定每个预测步对应的图像预测损失，并根据所述判别器预测的概率，确定类别预测损失；

39、根据各预测步分别对应的图像预测损失，以及所述类别预测损失，对所述对抗生成模型进行参数更新。

40、可选的，所述根据各预测步分别对应的图像预测损失，以及所述类别预测损失，对所述对抗生成模型进行参数更新，包括：

41、将各预测步分别对应的图像预测损失融合，得到图像预测总损失；

42、将所述图像预测总损失与所述类别预测损失融合，得到所述对抗生成网络的预测总损失；

43、根据所述对抗生成网络的预测总损失，对所述对抗生成模型进行参数更新。

44、一种阴影去除装置，包括：图像获取模块和阴影去除模块；

45、所述图像获取模块，用于获取待去除阴影的图像；

46、所述阴影去除模块，用于基于预先训练得到的阴影去除模型，去除所述图像的阴影；

47、其中，所述阴影去除模型采用训练图像序列训练得到，所述训练图像序列的首个图像为无阴影图像，其它图像为通过将一纯阴影图像按若干不同比例分别融合到所述无阴影图像上获得的有阴影图像，从所述训练图像序列的第2个图像开始，各图像的阴影依次加重；

48、训练时，所述阴影去除模型以所述训练图像序列的最后一个图像为输入，逐步去除输入图像中的阴影；所述阴影去除模型的训练目标包括：使每一步去除的阴影趋近于对应的目标阴影，每一步对应的目标阴影基于所述训练图像序列确定。

49、一种图像处理设备，包括：存储器和处理器；

50、所述存储器，用于存储程序；

51、所述处理器，用于执行所述程序，实现上述任一项所述的阴影去除方法的各个步骤。

52、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的阴影去除方法的各个步骤。

53、本发明提供的阴影去除方法、装置、设备及存储介质，首先获取待去除阴影的图像，然后基于预先训练得到的阴影去除模型，去除图像的阴影，由于阴影去除模型采用训练图像序列训练得到，在训练时，以训练图像序列的最后一个图像为输入，逐步去除输入图像中的阴影，以使每一步去除的阴影趋近于对应的目标阴影为训练目标，因此，最终训练得到的阴影去除模型具备逐步去阴影的能力，进而，基于训练得到的阴影去除模型能够逐步去除待去除阴影的图像的阴影，由于本发明采用逐步去阴影的方式对图像进行去阴影，因此，具有较高的去阴影精度，能够获得较好的去阴影效果。