自定義模糊邏輯與GAN在圖像高光處理中的研究

郭繼峰，李 星，龐志奇，沈家友，于 鳴

(東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，哈爾濱150040)

1 引 言

在圖像形成過程中，由于物體受到光照或者由于物體表面曲率過大，會(huì)在物體表面形成光斑，出現(xiàn)光斑的部分就是高光溢出的部分.高光溢出對(duì)于圖像處理的影響主要表現(xiàn)在降低圖像識(shí)別準(zhǔn)確率、目標(biāo)檢測(cè)以及場(chǎng)景分析的精確度.

影響圖像質(zhì)量的主要因素有：光照不均勻、圖像分辨率等.許野平等[1]人根據(jù)數(shù)字圖像繪制亮度曲線，然后對(duì)高光溢出部分做非線性變換，壓縮最大亮度值規(guī)定范圍從而得到修復(fù)效果.高如新等[2]人通過雙色反射模型變換得到圖片的鏡面反射和漫反射分量，再通過改進(jìn)雙邊濾波器，然后對(duì)圖像進(jìn)行處理，去除圖像的鏡面反射，從而達(dá)到去除高光的效果.何嘉林等[3]人通過圖片融合的方法去除圖片高光，根據(jù)不同角度拍攝的圖像亮度不同，通過對(duì)多張圖片進(jìn)行高光區(qū)域檢測(cè)、圖像融合、圖像補(bǔ)色來消除高光區(qū)域[4].王祎墦等[5]人改進(jìn)了圖像的高光修復(fù)技術(shù)，使得對(duì)于存在飽和現(xiàn)象的高光區(qū)域的單一圖像也能有較好的修復(fù)效果.這些方法對(duì)圖像高光溢出的整體修復(fù)效果取得了良好的成效，但是對(duì)于圖片的紋理修復(fù)效果并不理想，且獲得的圖片質(zhì)量不高.

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，出現(xiàn)了一些使用卷積神經(jīng)網(wǎng)絡(luò)來對(duì)圖像進(jìn)行修復(fù)的方法.2014年，生成對(duì)抗網(wǎng)絡(luò)GAN(Generative Adversarial Networks)面世，該網(wǎng)絡(luò)由Goodfellow[6]等人根據(jù)博弈論中的零和博弈理論提出，引起了研究者們的極大關(guān)注，并對(duì)該網(wǎng)絡(luò)模型做出改進(jìn)，誕生了眾多版本，其中影響較大的有CGAN(Conditional Generative Adversarial Nets)、DCGAN(Deep Convolution Generative Adversarial Networks)、Wasserstein GAN(WGAN)[7].其生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用領(lǐng)域也在不斷拓展，正是當(dāng)前圖像處理技術(shù)中的研究熱點(diǎn).

結(jié)合傳統(tǒng)圖像處理方法與生成對(duì)抗網(wǎng)絡(luò)，本文提出了一種基于模糊邏輯與生成對(duì)抗網(wǎng)絡(luò)相結(jié)合的圖像高光處理技術(shù)，一方面利用模糊邏輯來模仿人腦的思維模式來對(duì)圖像高光區(qū)域進(jìn)行識(shí)別、判斷，從而較好的實(shí)現(xiàn)對(duì)圖像高光區(qū)域的劃分；另一方面，引入生成對(duì)抗網(wǎng)絡(luò)來修復(fù)圖像，可以進(jìn)一步提高在圖像紋理修復(fù)方面的能力.

2 方法引入

2.1 模糊邏輯

2.1.1 模糊邏輯判斷

圖片高光區(qū)域部分通常是漸變式的，采用過去的方法——確定超過某一值的像素點(diǎn)劃分為高光區(qū)域，很容易形成截?cái)嗍椒纸缇€，而且對(duì)高光區(qū)域的劃分效果不理想.為了解決這些問題，我們引入模糊控制的方法來對(duì)圖像的高光進(jìn)行閾值分割處理.

隸屬度函數(shù)是模糊數(shù)學(xué)中的一個(gè)重要概念，模糊邏輯通過隸屬度函數(shù)來確定集合所屬范圍[8，9].本文方法選取S型隸屬度函數(shù)來進(jìn)行處理.其表達(dá)式如式(1)所示.

(1)

由于本實(shí)驗(yàn)中對(duì)圖片進(jìn)行通道分離處理，因此在該式中，x表示連續(xù)通道中的亮度值，a，b，c是函數(shù)S的參數(shù)，a、c是亮度通道的取值范圍，b表示劃分為亮度區(qū)域的渡越點(diǎn)[10]，通常取中點(diǎn).使用該函數(shù)作為隸屬度函數(shù)的優(yōu)點(diǎn)在于能較好的區(qū)分出高光位置，不會(huì)導(dǎo)致大面積非高光區(qū)域被劃分到高光范圍內(nèi).準(zhǔn)確的劃分范圍對(duì)后期圖像修復(fù)的效果往往具有正向作用.

2.1.2 高光區(qū)域劃分

本文通過模糊邏輯來對(duì)圖片的高光區(qū)域進(jìn)行分析，借助模糊邏輯模仿人腦不確定性的優(yōu)點(diǎn)來精確定位高光區(qū)域范圍.

在數(shù)字圖像中，物體的顏色R、G和B分量都與照射到物體上的光相關(guān)聯(lián)，使用RGB模型來對(duì)圖像進(jìn)行高光區(qū)域劃分是較為困難的，因此本文中選用了HSV(Hue，Saturation，Value)模型來對(duì)圖像進(jìn)行處理.HSV是一種直觀的顏色模型，它將顏色與強(qiáng)度分隔開的程度較其他模型更多，這對(duì)于圖像高光區(qū)域的劃分有很大的優(yōu)勢(shì)[11].

圖像的高光區(qū)域劃分完畢后，將本環(huán)節(jié)生成的高光區(qū)域劃分以及二值掩碼傳入生成對(duì)抗網(wǎng)絡(luò)模型中，在卷積神經(jīng)網(wǎng)絡(luò)中對(duì)圖像進(jìn)行后續(xù)處理.

首先將圖片格式轉(zhuǎn)換為HSV模型，將圖片的三通道進(jìn)行分離，對(duì)分離出來的亮度通道(V通道)進(jìn)行模糊邏輯處理，圖像傳入模糊邏輯程序中后，使用上文中的S型隸屬度函數(shù)對(duì)圖像進(jìn)行全局處理，從中選取屬于高光部分的區(qū)域進(jìn)行高光定位，取邊界處位置進(jìn)行框選，并生成二值掩碼.至此高光區(qū)域的劃分就結(jié)束，其流程圖如圖1所示.

圖1 高光區(qū)域劃分流程圖

2.2 生成對(duì)抗網(wǎng)絡(luò)引入

劃分高光區(qū)域后需要對(duì)高光溢出部分修復(fù)，常規(guī)方法是從高光溢出區(qū)域周圍獲取像素點(diǎn)的顏色來對(duì)溢出部分進(jìn)行填充，但是這種方法生成的顏色通常不夠自然，而且填充區(qū)域較為死板、不真實(shí)，用這種方法修復(fù)的區(qū)域通常沒有原圖像的紋理.本文使用基于深度卷積的生成對(duì)抗網(wǎng)絡(luò)(GAN)來對(duì)圖像高光區(qū)域進(jìn)行修復(fù)，并在此網(wǎng)絡(luò)的基礎(chǔ)模型上做了一些改動(dòng).GAN的目標(biāo)函數(shù)表示見式(2)：

(2)

其中G表示生成器，D表示判別器，x表示來自于真實(shí)數(shù)據(jù)Pdata(x)中的部分采樣，[·]表示期望值計(jì)算，Z表示經(jīng)過模糊處理的數(shù)據(jù)，也就是輸入到生成器網(wǎng)絡(luò)中的數(shù)據(jù)，PZ(Z)表示原始的數(shù)據(jù)分布.生成對(duì)抗網(wǎng)絡(luò)的框架主要有由一個(gè)生成器和一個(gè)判別器組成.兩者互相對(duì)抗訓(xùn)練，判別器返回判斷結(jié)果給生成器，生成器根據(jù)返回結(jié)果不斷調(diào)整生成圖像，最終當(dāng)判別器難以區(qū)分生成器產(chǎn)生的數(shù)據(jù)時(shí)，該網(wǎng)絡(luò)實(shí)現(xiàn)生成以假亂真的圖像的目標(biāo).

2.2.1 生成器網(wǎng)絡(luò)

本文的主要目的是通過該生成網(wǎng)絡(luò)修復(fù)圖像由于高光溢出導(dǎo)致的圖像局部失真或缺失的問題，修復(fù)后的圖像應(yīng)盡量滿足與真實(shí)圖片在同一區(qū)域的相似度，并滿足圖像整體的完整性[12].本文生成器網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示.

圖2 生成器網(wǎng)絡(luò)結(jié)構(gòu)模型

標(biāo)準(zhǔn)的卷積網(wǎng)絡(luò)使用到的像素較少，難以完成大面積的圖像修復(fù)[13]，而擴(kuò)張卷積能夠擴(kuò)大感受野區(qū)域[14]，這對(duì)圖像紋理以及圖像的整體恢復(fù)發(fā)揮著重要的作用.

本文中對(duì)局部區(qū)域的恢復(fù)使用擴(kuò)張卷積，改卷積方式可以通過使用更大的輸入面積來計(jì)算每個(gè)輸出像素，因此即使掩碼部分圖像有所缺失也能對(duì)圖片進(jìn)行良好的修復(fù).選定區(qū)域的輸入是具有二進(jìn)制通道的圖像，該通道標(biāo)志著圖像需要完成的掩碼，而對(duì)于選定區(qū)域以外的其他部分，如果不希望它發(fā)生任何變化，則可以將選定區(qū)域以外的其他部分的輸出像素改為輸入RGB值.

對(duì)于一個(gè)大小是h×m卷積層，假設(shè)它的下一個(gè)卷積層大小是h′×m′，那么對(duì)于當(dāng)前卷積層的擴(kuò)張卷積計(jì)算公式可以表示為式(3)：

(3)

其中kw和kh分別表示卷積核的寬高，η是擴(kuò)張系數(shù)，xu，v和yu，v分別表示圖層的輸入和輸出分量，σ(·)表示一個(gè)非線性傳遞函數(shù)，b是卷積層的偏置向量，W是內(nèi)核矩陣，當(dāng)η=1時(shí)該方程表示標(biāo)準(zhǔn)的卷積操作.

為了控制生成區(qū)域的光照強(qiáng)度，本實(shí)驗(yàn)在網(wǎng)絡(luò)中引入一個(gè)亮度的參數(shù)l，該參數(shù)通過模糊邏輯計(jì)算獲得.傳入生成網(wǎng)絡(luò)中的圖片經(jīng)過模糊邏輯獲得當(dāng)前圖片x的亮度參數(shù)l，圖片經(jīng)過生成網(wǎng)絡(luò)處理后得到圖片x′，該圖片再次經(jīng)過模糊邏輯獲得一個(gè)處理后的圖片亮度l′，在本文中定義生成器部分的基本損失函數(shù)見式(4)：

LossG1=logDG(x)+log(1-DG(G(MB，l′)))+αlog(-logDl(l′，l))

(4)

其中DG表示生成器網(wǎng)絡(luò)的判別器，MB表示二值掩碼，Dl是一個(gè)x和x′的亮度判斷器，α是超參數(shù)，用來控制亮度的權(quán)重，本實(shí)驗(yàn)中取值為1.

為了使生成網(wǎng)絡(luò)的效果趨于穩(wěn)定，降低過擬合產(chǎn)生的可能性，本文還在均方誤差(MSE)的基礎(chǔ)上添加了L2正則項(xiàng)作為損失函數(shù)，并添加了二值掩碼來代表需要生成的區(qū)域位置，其表達(dá)函數(shù)如式(5)所示：

(5)

其中MB表示二值掩碼，⊙表示圖像矩陣逐元素相乘，λ表示正則項(xiàng)系數(shù)，n表訓(xùn)練集中的樣本數(shù)量，w表示生成器網(wǎng)絡(luò)中的所有權(quán)重參數(shù).

綜上所述，生成器的損失函數(shù)可以表示為式(6)：

LossG=LossG1+LossG2

(6)

2.2.2 判別器網(wǎng)絡(luò)

本文判別器網(wǎng)絡(luò)采用全局判別器和局部判別器網(wǎng)絡(luò)兩者相結(jié)合，兩者協(xié)同工作來區(qū)分圖像是來自真實(shí)數(shù)據(jù)分布還是由生成器生成.局部判別器也在其他一些論文中使用過，并且取得了良好的效果[15，16].

局部判別器主要識(shí)別缺失部分的結(jié)果是否正確，局部判別器的輸入是原始丟失圖像部分或者是被遮擋的部分，以及生成器的生成部分，局部判別器約束著圖像的細(xì)節(jié)信息和局部一致性.而全局判別器需要判斷整個(gè)圖像的真實(shí)性，全局判別器的輸入也分為兩類：原始圖像和由生成器生成的整個(gè)圖像.判別器網(wǎng)絡(luò)結(jié)構(gòu)模型如圖3所示.

圖3 判別器網(wǎng)絡(luò)模型結(jié)構(gòu)

在判別器網(wǎng)絡(luò)的體系結(jié)構(gòu)中，全連接層都是標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)層.全局判別器和局部判別器處理完后，在判別器網(wǎng)絡(luò)中通過一個(gè)連接層將兩者的輸出連接到一起，形成一個(gè)2048維度的矢量，再經(jīng)過一個(gè)全連接層處理后得到一個(gè)連續(xù)的值.最后使用sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)，使該值的范圍在[0，1]來表示圖像是真實(shí)圖像的概率.

判別器在評(píng)分過程中需要對(duì)真實(shí)圖片x做出盡可能高的評(píng)分，對(duì)生成圖像G(·)盡可能降低評(píng)分.因此將對(duì)判別器的損失函數(shù)進(jìn)行優(yōu)化見式(7)、式(8)：

Lossglo=-logDglo(X，MB)+log(1-Dglo(G(X′，MG)，MG)

(7)

Lossloc=-logDloc(x，MB)+log(1-Dloc(G(x′，MG)，MG)

(8)

其中MB表示二值掩碼，MG表示輸入的圖像，x′表示圖像的缺失區(qū)域，Lossglo表示全局判別器的損失，Lossloc表示局部判別器的損失.

局部損失函數(shù)的主要作用是判斷生成區(qū)域相對(duì)于原圖像的區(qū)域相似度，使得生成區(qū)域的真實(shí)性更加接近原始圖像，由于生成器部分亮度參數(shù)的存在導(dǎo)致生成的局部區(qū)域與原圖像必然存在差異，因此需要全局判別器的來進(jìn)行圖像的整體判斷.全局判別器需要判斷包含掩碼所在區(qū)域的全局圖像的真實(shí)性，保障局部區(qū)域與全圖的融洽性，進(jìn)一步降低由于局部亮度差異而引起的誤差.

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)運(yùn)行在Ubuntu18.04 LTS操作系統(tǒng)，處理器為Intel?Xeno(R)CPU E5-2407，顯卡為GeForce GTX TITAN X，運(yùn)行內(nèi)存16GB.實(shí)驗(yàn)使用pytorch 0.4.0框架，用python實(shí)現(xiàn).

3.2 實(shí)驗(yàn)具體內(nèi)容

在本文的實(shí)驗(yàn)中，關(guān)于實(shí)驗(yàn)中的部分?jǐn)?shù)據(jù)搜集于Kaggle，數(shù)據(jù)包含人臉和一些水果的圖片，其中人臉部分?jǐn)?shù)據(jù)來自于CelebA數(shù)據(jù)集.訓(xùn)練使用的學(xué)習(xí)率是0.0002，上下文內(nèi)容損失的權(quán)重λ是0.0001.

在訓(xùn)練開始之前為了保證實(shí)驗(yàn)的穩(wěn)定性，需要對(duì)數(shù)據(jù)集圖像進(jìn)行統(tǒng)一預(yù)處理.本實(shí)驗(yàn)中通過預(yù)處理將實(shí)驗(yàn)圖片處理為256×256×3的規(guī)格.此外為了使對(duì)圖片的修復(fù)更加具有普遍性，在訓(xùn)練過程中，還需要對(duì)圖像進(jìn)行隨機(jī)處理.即對(duì)于輸入的圖像，需要在圖片主體部分隨機(jī)生成一個(gè)需要修復(fù)的區(qū)域，并將該區(qū)域的大小限定在128像素之內(nèi).

3.3 實(shí)驗(yàn)結(jié)果分析

圖4是根據(jù)本文算法獲得的實(shí)驗(yàn)結(jié)果，對(duì)比最終的輸出結(jié)果與原始圖片，高光區(qū)域亮度有明顯下降.

圖4 部分實(shí)驗(yàn)結(jié)果

為了進(jìn)一步評(píng)估圖片的修復(fù)效果，本文引入峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和結(jié)構(gòu)相似性指標(biāo)(structural similarity index，SSIM index)來評(píng)估圖像修復(fù)質(zhì)量，并對(duì)比了不同算法修復(fù)圖像的耗時(shí)，來評(píng)估算法的工作效率.

峰值信噪比是一個(gè)表示信號(hào)最大可能功率和影響，是表示進(jìn)度的破壞性噪聲功率的比值的工程術(shù)語(yǔ)[17].結(jié)構(gòu)相似性指標(biāo)是一種用來衡量?jī)蓮垟?shù)位影像相似程度的真值表[18].本實(shí)驗(yàn)中使用峰值信噪比PSNR和結(jié)構(gòu)相似性指標(biāo) SSIM兩種數(shù)據(jù)作為圖像修復(fù)的質(zhì)量檢測(cè)的指標(biāo).

PSNR一般使用均方誤差(MSE)來進(jìn)行定義.對(duì)于大小為m×n的兩張單色圖像I和k，如果I和k的噪聲相似，那么可以將I和k的均方誤差定義為式(9)：

(9)

峰值信噪比定義為式(10)：

(10)

其中MAXI表示像素點(diǎn)的顏色最大值，它由采樣點(diǎn)的編碼方式計(jì)算得來，當(dāng)采樣點(diǎn)使用N位線性脈沖編碼調(diào)制表示時(shí)，MAXI的值為2N-1，，生活中的圖像采樣點(diǎn)通常用8位表示，MAXI的值為255.

結(jié)構(gòu)相似性指標(biāo)的范圍在-1到1，該指標(biāo)數(shù)值越大，則說明兩張圖片的相似度越高.對(duì)于給定的兩個(gè)圖片信號(hào)x和y，其結(jié)構(gòu)相似性定義為式(11)：

SSIM(x，y)=[l(x，y)]α[c(x，y)]β[s(x，y)]γ

(11)

文獻(xiàn)[5]中作者的主要目的是針對(duì)具有高光飽和現(xiàn)象的圖片進(jìn)行處理，其實(shí)現(xiàn)方法基本符合傳統(tǒng)圖像處理中先劃分高光區(qū)域，再根據(jù)高光區(qū)域的鄰域和邊緣信息來修復(fù)高光部分的步驟.文獻(xiàn)[19]根據(jù)WGAN網(wǎng)絡(luò)來對(duì)圖像進(jìn)行修復(fù)，其主要面向?qū)ο笫侨四樞迯?fù).文獻(xiàn)[20]的算法中僅僅使用了局部判別器而沒有使用全局判別器，對(duì)于圖像的修復(fù)效果并不穩(wěn)定，容易出現(xiàn)模糊扭曲等現(xiàn)象，在紋理方面的修復(fù)效果較為微小.文獻(xiàn)[21]的算法能在一定程度上修復(fù)圖像的紋理，但是在某些場(chǎng)景下會(huì)出現(xiàn)不連續(xù)以及偽影的情況，修復(fù)效果不夠穩(wěn)定且圖片質(zhì)量不佳.本表格的數(shù)據(jù)通過使用以上4種修復(fù)方法得到的修復(fù)結(jié)果，再通過Scikit-image中的metrics庫(kù)計(jì)算獲得，其質(zhì)量評(píng)價(jià)指標(biāo)數(shù)據(jù)如表1所示.

表1 質(zhì)量評(píng)價(jià)指標(biāo)數(shù)據(jù)

分析表中的數(shù)據(jù)可以發(fā)現(xiàn)，相比于傳統(tǒng)圖像處理方法，使用生成對(duì)抗網(wǎng)絡(luò)的方法都得到了顯著的提高，特別是在結(jié)構(gòu)相似性方面的提升尤為顯著.本實(shí)驗(yàn)方法與其他生成對(duì)抗網(wǎng)絡(luò)相比較，在PSNR方面平均提高了約23.41%，在SSIM方面提高了約19.49%，可以推斷出本實(shí)驗(yàn)方法修復(fù)后的圖像在視覺感受上明顯優(yōu)于其他3種方法.

除對(duì)PSNR和SSIM兩個(gè)指標(biāo)進(jìn)行統(tǒng)計(jì)分析，表2中統(tǒng)計(jì)了文獻(xiàn)[19]、文獻(xiàn)[20]、文獻(xiàn)[21]和本文算法在運(yùn)行時(shí)處理單張圖片所需要的平均時(shí)間.

表2 各算法消耗時(shí)間

分析表1和表2中的數(shù)據(jù)發(fā)現(xiàn)，文獻(xiàn)[5]和文獻(xiàn)[21]的處理時(shí)間相對(duì)較少，但是這兩種算法的圖像修復(fù)效果都不及本文的算法，運(yùn)行時(shí)間較文獻(xiàn)[21]減少了51.23%，并且本文算法的圖片修復(fù)效果更加優(yōu)秀.在圖5的圖像修復(fù)效果對(duì)比中恰好證實(shí)了本文算法的修復(fù)效果優(yōu)于其他3種文獻(xiàn).

圖5中的折線圖表示，在不同大小的掩碼下，本文算法的質(zhì)量評(píng)估指標(biāo)PSNR和SSIM的變化過程.隨著掩碼的增大，圖像的修復(fù)質(zhì)量有所下降，主要是因?yàn)椋S著圖片上的掩碼區(qū)域擴(kuò)大，圖片上可供學(xué)習(xí)的區(qū)域越小，神經(jīng)網(wǎng)絡(luò)難以收集足夠數(shù)據(jù)對(duì)進(jìn)行良好的修復(fù).當(dāng)圖片的掩碼區(qū)域達(dá)到90(約占全圖35%)時(shí)，圖像PSNR值約為33，SSIM值約為0.953，對(duì)比其他文獻(xiàn)，本文在PSNR方面提高約8%，SSIM提高約15%.可以推斷出，本文在較大缺失區(qū)域的修復(fù)能力優(yōu)于其他算法.

圖5 PSNR和SSIM折線圖

根據(jù)圖6中不同算法的修復(fù)效果對(duì)比發(fā)現(xiàn)，在圖片的紋理修復(fù)方面，本文有著極大的優(yōu)越性，文獻(xiàn)[19]和文獻(xiàn)[20]對(duì)圖片的修復(fù)能力較差，僅僅能恢復(fù)出少量的紋理，而且恢復(fù)的區(qū)域與原圖像的契合度不高、過度不自然；文獻(xiàn)[21]的紋理修復(fù)效果稍好一些，但是同樣存在過度不自然的情況，本文算法在紋理方面的修復(fù)效果較前3種算法取得了極大的進(jìn)步.

圖6 圖像修復(fù)結(jié)果對(duì)比

綜合各種指標(biāo)，經(jīng)過大量的實(shí)驗(yàn)觀察，本文在圖像高光區(qū)域的修復(fù)效果良好，較傳統(tǒng)的圖像處理方法，本文的方法修復(fù)效果更加優(yōu)秀，圖片質(zhì)量更高，不僅能有效降低高光區(qū)域的亮度，還能對(duì)部分圖像紋理缺失的情況做出修復(fù).此外在圖像修復(fù)部分，與其他采用GAN的修復(fù)方法相比較，本文算法在運(yùn)行時(shí)間上略微得到了提高，在圖像質(zhì)量方面，本文的修復(fù)質(zhì)量更高，修復(fù)后的圖像紋理更加清晰合理.

4 結(jié) 論

針對(duì)圖像由于高光溢出導(dǎo)致的圖像部分區(qū)域與紋理的缺失，提出了一種基于生成式對(duì)抗網(wǎng)絡(luò)的圖像高光修復(fù)方法.通過實(shí)驗(yàn)對(duì)比分析，本文方法較傳統(tǒng)圖像處理各方面都得到了極大的提高，尤其是圖像質(zhì)量方面，提高了約93%；對(duì)比神經(jīng)網(wǎng)絡(luò)的圖像修復(fù)技術(shù)，本文修復(fù)效率提高了18.04%，修復(fù)質(zhì)量提高了22.96%，綜合以上信息可知，本文方法對(duì)圖像高光修復(fù)做出了有效的改進(jìn).

但是這項(xiàng)研究任然帶有一些局限性.首先本研究中提出的算法主要用于圖像高光修復(fù)，對(duì)圖像的高光區(qū)域有比較好的修復(fù)效果，但是由于本文沒有對(duì)人臉關(guān)鍵標(biāo)識(shí)性區(qū)域修復(fù)做出針對(duì)性訓(xùn)練，對(duì)于人臉關(guān)鍵位置的修復(fù)效果不夠理想，在以后的研究中將對(duì)這一部分做出改進(jìn)，提高本文算法在其他方面的圖像修復(fù)效果；另外，本研究中的水果數(shù)據(jù)集只包含了常見水果，未來希望能夠獲取更多其他類型的水果數(shù)據(jù)，提高本實(shí)驗(yàn)的兼容能力.