·1086· 智能系统学报 第16卷 可知，CDD残差块的引用，虽具有更大的感受野， 表3逐步改进实验效果 但因破坏了信息的连续性，造成客观衡量指标的 Table 3 Gradual improve ment of the experimental effect 降低，为了兼顾感受野与信息的连续性，即主观 编号空洞卷积CDD块注意力SSIM PSNR RMSE 视觉感受与客观衡量指标，在运用CDD残差块的 0.910 22.70 18.67 同时引入注重连续性的注意力机制(LSTM为核 2 0.91123.2817.48 心模块)，解决了特征提取过程增加感受野与关注 信息连续性的问题，提升阴影区域特征提取的精 3 0.90922.69 18.70 确性。因此，综合使用CDD残差块与注意力机制 0.91624.4215.32 时，客观衡量指标有明显的提升。 表3指标为SRD训练集上，20000次训练后， 随机选取一幅图像(MG4699)进行测试的结果， 逐步改进实验视觉效果如图9所示。 (a)带阴影图片1(b)实验结果图1(c)真实无阴影图1 (a)带阴影的 b)编码加空洞（©）加多重注意力 原图片 卷积 (d)带阴影图片2(e)实验结果图2(D真实无阴影图2 (d)特征为空洞 (e)本文算法 (①真实无阴影图 卷积 图9逐步改进实验视觉效果图 (g)带阴影图片3()实验结果图3（①真实无阴影图3 Fig.9 Gradual improve ment of the visual effect of the ex- periment 通过图9这组实验可以看出：在判别网络中 嵌入多重注意力，可以提高阴影去除的效果。空 洞残差块使特征提取阶段具有更大的感受野，但 同时也破坏了信息的连续性。由表3可知，在加 G)带阴影图片4(k)实验结果图4①真实无阴影图4 入空洞残差块后，客观测量指标有所下降。但从 图9的图像的视觉效果来看，图像的主观视觉效 果比较好。因此，把两者结合进行实验，发现实 验无论在视觉效果，还是在图像测试指标上，都 比其他效果要好。 (m)带阴影图片5()实验结果图5(o)真实无阴影图5 为了证明该算法的有效性，用该算法与参考 文献[5,14,21]进行对比。文献[5]为依靠图像自 身特性进行的阴影去除的方法，按文献[5]的思 路与参数进行对比实验。文献[14]与文献[21]， 均在ISTD(训练集1330对，测试集540对)与 SRD(训练集2680对，测试集408对)数据集上进 (P)带阴影图片6(q)实验结果图6（①真实无阴影图6 行训练与测试，参数配置参考各自原文献。对比 图8不同数据集实验效果 实验的方法，均与本文算法在同实验条件下进行， Fig.8 Experimental renderings of different data sets 视觉效果如图10、11所示。图像在ISTD数据集可知，CDD 残差块的引用，虽具有更大的感受野， 但因破坏了信息的连续性，造成客观衡量指标的 降低，为了兼顾感受野与信息的连续性，即主观 视觉感受与客观衡量指标，在运用 CDD 残差块的 同时引入注重连续性的注意力机制 (LSTM 为核 心模块)，解决了特征提取过程增加感受野与关注 信息连续性的问题，提升阴影区域特征提取的精 确性。因此，综合使用 CDD 残差块与注意力机制 时，客观衡量指标有明显的提升。 (a) 带阴影图片 1 (b) 实验结果图 1 (c) 真实无阴影图 1 (d) 带阴影图片 2 (e) 实验结果图 2 (f) 真实无阴影图 2 (g) 带阴影图片 3 (h) 实验结果图 3 (i) 真实无阴影图 3 (j) 带阴影图片 4 (k) 实验结果图 4 (l) 真实无阴影图 4 (m) 带阴影图片 5 (n) 实验结果图 5 (o) 真实无阴影图 5 (p) 带阴影图片 6 (q) 实验结果图 6 (r) 真实无阴影图 6 图 8 不同数据集实验效果 Fig. 8 Experimental renderings of different data sets 表 3 逐步改进实验效果 Table 3 Gradual improve ment of the experimental effect 编号 空洞卷积 CDD块 注意力 SSIM PSNR RMSE 1 √ 0.910 22.70 18.67 2 √ √ 0.911 23.28 17.48 3 √ √ 0.909 22.69 18.70 4 √ √ √ 0.916 24.42 15.32 表 3 指标为 SRD 训练集上，20 000 次训练后， 随机选取一幅图像 (MG_4699) 进行测试的结果， 逐步改进实验视觉效果如图 9 所示。 (a) 带阴影的 原图片 (b) 编码加空洞 卷积 (c) 加多重注意力 (d) 特征为空洞 卷积 (e) 本文算法 (f) 真实无阴影图 图 9 逐步改进实验视觉效果图 Fig. 9 Gradual improve ment of the visual effect of the ex￾periment 通过图 9 这组实验可以看出：在判别网络中 嵌入多重注意力，可以提高阴影去除的效果。空 洞残差块使特征提取阶段具有更大的感受野，但 同时也破坏了信息的连续性。由表 3 可知，在加 入空洞残差块后，客观测量指标有所下降。但从 图 9 的图像的视觉效果来看，图像的主观视觉效 果比较好。因此，把两者结合进行实验，发现实 验无论在视觉效果，还是在图像测试指标上，都 比其他效果要好。 为了证明该算法的有效性，用该算法与参考 文献 [5, 14, 21] 进行对比。文献 [5] 为依靠图像自 身特性进行的阴影去除的方法，按文献 [5] 的思 路与参数进行对比实验。文献 [14] 与文献 [21]， 均在 ISTD(训练集 1 330 对，测试集 540 对) 与 SRD(训练集 2 680 对，测试集 408 对) 数据集上进 行训练与测试，参数配置参考各自原文献。对比 实验的方法，均与本文算法在同实验条件下进行， 视觉效果如图 10、11 所示。图像在 ISTD 数据集 ·1086· 智 能 系 统 学 报 第 16 卷