公开(公告)号：CN111709886B

公开(公告)日：2023-04-18

申请号：CN202010461626.8

申请日：2020-05-27

Applicant: 杭州电子科技大学

Inventor： 罗凌杰 ,  陈华华 ,  余帅东

IPC: G06T5/00 ,  G06N3/0464 ,  G06F3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于U型空洞残差网络的图像去高光方法。现有在高光方法需要多幅多角度的图像，限制了其应用，并且处理流程复杂，步骤繁琐，实时性较弱。本发明方法包括训练阶段和测试阶段。首先构建去高光网络模型，模型由U型结构、空洞残差结构组成。U型结构使用压缩部分提取图像深层信息，使用扩展部分重构得到图像的边缘、纹理特征，空洞残差结构利用原图以及U型结构提取到的特征对无高光图像进行预测。模型训练完成后，直接将测试图像缩放为固定大小并由模型预测无高光图像。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。

公开(公告)号：CN111179196B

公开(公告)日：2023-04-18

申请号：CN201911385343.3

申请日：2019-12-28

Applicant: 杭州电子科技大学

Inventor： 陈华华 ,  罗凌杰 ,  郭春生 ,  应娜 ,  叶学义

IPC: G06T5/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于分而治之的多分辨率深度网络图像去高光方法。本发明方法包括训练方法和测试方法。首先构建去高光网络模型，模型由金字塔结构、嵌套残差网络、融合结构组成。金字塔结构使用拉普拉斯金字塔对图像块进行分级，在不同层次上处理高光，嵌套残差网络中采用卷积网络以及残差网络提取不同级别图像块的特征，融合结构结合嵌套残差网络的输出对无高光图像进行预测。模型训练完成后，直接将测试图像分块并由模型预测无高光图像，最后对预测结果进行拼接即可得到无高光整图。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。

公开(公告)号：CN111709886A

公开(公告)日：2020-09-25

申请号：CN202010461626.8

申请日：2020-05-27

Applicant: 杭州电子科技大学

Inventor： 罗凌杰 ,  陈华华 ,  余帅东

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于U型空洞残差网络的图像去高光方法。现有在高光方法需要多幅多角度的图像，限制了其应用，并且处理流程复杂，步骤繁琐，实时性较弱。本发明方法包括训练阶段和测试阶段。首先构建去高光网络模型，模型由U型结构、空洞残差结构组成。U型结构使用压缩部分提取图像深层信息，使用扩展部分重构得到图像的边缘、纹理特征，空洞残差结构利用原图以及U型结构提取到的特征对无高光图像进行预测。模型训练完成后，直接将测试图像缩放为固定大小并由模型预测无高光图像。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。

公开(公告)号：CN111179196A

公开(公告)日：2020-05-19

申请号：CN201911385343.3

申请日：2019-12-28

Applicant: 杭州电子科技大学

Inventor： 陈华华 ,  罗凌杰 ,  郭春生 ,  应娜 ,  叶学义

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于分而治之的多分辨率深度网络图像去高光方法。本发明方法包括训练方法和测试方法。首先构建去高光网络模型，模型由金字塔结构、嵌套残差网络、融合结构组成。金字塔结构使用拉普拉斯金字塔对图像块进行分级，在不同层次上处理高光，嵌套残差网络中采用卷积网络以及残差网络提取不同级别图像块的特征，融合结构结合嵌套残差网络的输出对无高光图像进行预测。模型训练完成后，直接将测试图像分块并由模型预测无高光图像，最后对预测结果进行拼接即可得到无高光整图。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。