] 給出一個(gè)標(biāo)準(zhǔn)的監(jiān)督訓(xùn)練輸入輸出對(duì)數(shù)據(jù)集（例如，特征向量和對(duì)應(yīng)的標(biāo)簽向 量），使用隨機(jī)森林創(chuàng)造一個(gè)決策樹(shù)這能夠使用標(biāo)簽向量預(yù)測(cè)新的但沒(méi)被發(fā)現(xiàn)的特征向量 (提供其類(lèi)似于訓(xùn)練樣本的統(tǒng)計(jì)數(shù)據(jù)）。每一個(gè)分離的決策樹(shù)都是不完善的，通常只在訓(xùn)練 數(shù)據(jù)的一個(gè)隨機(jī)子集中訓(xùn)練(這一過(guò)程叫做Bagging)并且不能保證得到一個(gè)全局優(yōu)化的推 理結(jié)果，這是由于下面描述的訓(xùn)練過(guò)程的特性。然而，將每一棵樹(shù)(例如一個(gè)森林)的回應(yīng)平 均化，這通常會(huì)得到一個(gè)精確的預(yù)測(cè)。
[0025]給出一個(gè)"Bagged"訓(xùn)練數(shù)據(jù)集（即一個(gè)所有可用的特征和標(biāo)簽對(duì)的子集），一個(gè)決 策樹(shù)是如下被訓(xùn)練的。首先定義一個(gè)污點(diǎn)值或者熵值，用于衡量所得的標(biāo)簽，這個(gè)值當(dāng)一個(gè) 節(jié)點(diǎn)上的標(biāo)簽是同質(zhì)時(shí)處于較低值，當(dāng)一個(gè)節(jié)點(diǎn)上的標(biāo)簽彼此不同時(shí)處于較高值。然后，通 過(guò)將可用數(shù)據(jù)按照特征向量的標(biāo)準(zhǔn)生成一個(gè)二叉樹(shù)，生成的方式是能夠?qū)l(fā)分離的集合的 熵值最小化。或者，這可以構(gòu)成最大化信息獲取，即原始熵值和子熵值的總和。生成過(guò)程開(kāi) 始于根節(jié)點(diǎn)，將所有數(shù)據(jù)提供給給定樹(shù)。它按照特征標(biāo)準(zhǔn)測(cè)試一個(gè)隨機(jī)分支的樹(shù)并選擇一 個(gè)能夠產(chǎn)生最大信息獲取的（一個(gè)樣例分支可以測(cè)試是否特征向量的第七項(xiàng)是大于0.3 的）。然后，它創(chuàng)建兩個(gè)子節(jié)點(diǎn)，左子節(jié)點(diǎn)、右子節(jié)點(diǎn)，并且將分支數(shù)據(jù)壓入這兩個(gè)子節(jié)點(diǎn)。同 樣的處理過(guò)程在每一個(gè)節(jié)點(diǎn)都被重復(fù)一遍直到一個(gè)停止標(biāo)準(zhǔn)被達(dá)到(通常是預(yù)定的樹(shù)深度 或者一定數(shù)量的樣本）。
[0026] 結(jié)束訓(xùn)練后，森林可以被用于預(yù)測(cè)標(biāo)簽新的特征向量。有問(wèn)題的特征向量被"壓" 下，每一顆樹(shù)視個(gè)體的特征值和節(jié)點(diǎn)閾值而定。在達(dá)到葉節(jié)點(diǎn)后，所有達(dá)到這一節(jié)點(diǎn)訓(xùn)練樣 本的平均標(biāo)簽值被作為這棵樹(shù)的答案。最后，所有樹(shù)的答案的平均值被用來(lái)得到一個(gè)更為 魯棒的預(yù)測(cè)。
[0027] 具體而言，步驟(1)中，采用改進(jìn)的隨機(jī)森林進(jìn)行訓(xùn)練時(shí)，包括：
[0028] 步驟(1-1)、定義一個(gè)衡量標(biāo)簽向量的熵值；
[0029] 步驟(1-2)、通過(guò)將分支熵值最小化生成一個(gè)二叉樹(shù)；
[0030] 步驟(1-3)、按照特征維度測(cè)試二叉樹(shù)隨機(jī)數(shù)量的分支；
[0031] 步驟(1-4)、從其中選擇一個(gè)信息獲取量最大的分支；
[0032] 步驟(1-5)、隨后創(chuàng)建兩個(gè)分支節(jié)點(diǎn)并將分支數(shù)據(jù)壓入；
[0033] 步驟（1-6)、重復(fù)步驟(2-3)至步驟(2-5)直到達(dá)到預(yù)定的樹(shù)的深度。步驟（1-2)中， 所述分支熵值為：
[0034] Hn= log(det( Σ Sn) )^r2 ；
[0035] 其中Sn為所有樣本。步驟(1-4)中，所述信息獲取量為：
[0036] Gn = Hn-Ice{l,r}( |Sc|/|Sn| )Hc；
[0037] 其中S。為當(dāng)前節(jié)點(diǎn)的樣本分布;
[0038] H。為當(dāng)前節(jié)點(diǎn)的熵值;
[0039] 1，r為當(dāng)前節(jié)點(diǎn)的最小、最大值。
[0040] 本發(fā)明在創(chuàng)建樹(shù)時(shí)，在建立每一個(gè)分支節(jié)點(diǎn)時(shí)都希望最大化的。本發(fā)明通過(guò)樣本 落入每個(gè)子節(jié)點(diǎn)（1和r)的比率來(lái)衡量信息獲取以此來(lái)鼓勵(lì)更正確的平衡樹(shù)。
[0041] 設(shè)置最小樣本數(shù)在節(jié)點(diǎn)K = 2D時(shí)并且使樹(shù)必要時(shí)生長(zhǎng)地足夠深直到?jīng)]有足夠的樣 本去分支。原則上Κ的值可以與D(計(jì)算D維協(xié)方差矩陣需要的樣本數(shù))一樣低。然而，樣本通 常不是線性獨(dú)立的，導(dǎo)致退化。當(dāng)一個(gè)葉節(jié)點(diǎn)被達(dá)到后，并不是建立其所有標(biāo)簽的一個(gè)典型 參數(shù)化分布，本發(fā)明將訓(xùn)練樣本指數(shù)存入這個(gè)節(jié)點(diǎn)以進(jìn)行下一個(gè)推理步驟。
[0042]在推理過(guò)程中，本發(fā)明對(duì)原有的RRF算法做了以下改進(jìn)：
[0043]使用兩個(gè)代表標(biāo)簽:低維的用來(lái)評(píng)估節(jié)點(diǎn)熵值和建立森林，高維的用來(lái)在測(cè)試階 段檢索標(biāo)簽。這些由計(jì)算限制驅(qū)動(dòng)，通過(guò)無(wú)參數(shù)化標(biāo)簽得以實(shí)現(xiàn)。
[0044] 將標(biāo)簽無(wú)參數(shù)化以避免過(guò)度平滑。本發(fā)明從數(shù)據(jù)中得到了一個(gè)樣本分布，包括希 望保存的極端情況，而并不是在標(biāo)簽空間中的平均答案。
[0045] 步驟(2)中，首先使用Barnes的圖像修復(fù)方法，將用戶(hù)指定的陰影區(qū)域完全用從剩 余圖像中的可行的像素組合代替。然后，本發(fā)明在修補(bǔ)區(qū)域應(yīng)用高斯模糊，得到初步的結(jié)果 圖片。
[0046]步驟(5)中，正則化是處理圖像的關(guān)鍵步驟。找出一個(gè)更為具體的遮罩片組合并不 是不重要的這是由于本發(fā)明標(biāo)簽的特性以及每個(gè)節(jié)點(diǎn)可能有不同數(shù)量的可用標(biāo)簽建議。將 每個(gè)本地的所有候選面片平均化會(huì)是比較理想的，因?yàn)槿魏尾徽５年幱拜喞紩?huì)被丟 失。另一方面，過(guò)度苛求選擇最匹配的面片然后企圖將他們之間的邊平滑化可能會(huì)a)對(duì)一 些小的可能會(huì)不相容的面片來(lái)說(shuō)這極其困難，b)介紹一個(gè)在平滑區(qū)域隱含的，無(wú)數(shù)據(jù)驅(qū)動(dòng) 的陰影模型。相反，在每一個(gè)位置，本發(fā)明通過(guò)用TRW-S消息傳體算法來(lái)正則化整個(gè)圖像最 佳的面片以選擇最佳的面片。
[0047] TRW-S消息傳體算法采用的能量方程為：
[0049] L為正則化圖像中的點(diǎn)集；
[0050] N為在4-聯(lián)通近鄰中的相鄰點(diǎn)集；
[0051 ] ΠΗ為網(wǎng)格面片;
[0052] mj為與πη相鄰的網(wǎng)格面片;
[0053]生為兩個(gè)網(wǎng)格面片之間的二元距離代價(jià)；
[0054] 2為從網(wǎng)格面片到對(duì)應(yīng)猜測(cè)區(qū)域的一元距離代價(jià)；
[0055] 1為二元代價(jià)的加權(quán)系數(shù)。
[0056] i發(fā)明沒(méi)有假設(shè)本影存在的特殊模型，也沒(méi)有用統(tǒng)一的模式去處理整塊陰影，而 是給用戶(hù)完全的控制權(quán)任其選擇哪塊區(qū)域需要修改。此外，本發(fā)明并沒(méi)有追求物理準(zhǔn)確性， 本發(fā)明的實(shí)際目的是生成一個(gè)主觀觀測(cè)時(shí)看上去可信的Ιιι，因此生成的結(jié)果較其他方法更 為自然。本發(fā)明所提出的技術(shù)可以應(yīng)用于多種需要去除軟性陰影的場(chǎng)景中，能夠顯著改善 用戶(hù)交互并優(yōu)化生成的結(jié)果。
【附圖說(shuō)明】
[0057]圖1為用戶(hù)使用界面劃出需要處理的陰影遮罩的示意圖。
[0058]圖2-1為輸入圖像和用戶(hù)指定的陰影遮罩的示意圖。
[0059] 圖2-2為從輸入圖像中抽取紅色通道的示意圖。
[0060] 圖2-3為將輸入圖像分割成16 X 16的網(wǎng)格面片的示意圖。
[0061] 圖2-4為對(duì)每一個(gè)網(wǎng)格面片計(jì)算其對(duì)應(yīng)的特征向量，使用已訓(xùn)練的隨機(jī)森林得到 幾個(gè)可能的結(jié)果的示意圖。
[0062] 圖3-1由左至右分別為輸入圖像Is、面片ai附近的特寫(xiě)、陰影遮罩圖像Im的示意圖。 [0063]圖3-2由左至右分別為匹配特征面片 &1、匹配真實(shí)圖像面片πη的示意圖。
[0064]圖3-3為回歸隨機(jī)森林學(xué)習(xí)得到一個(gè)映射函數(shù)8(?·(&1))->ΠΗ的示意圖。
[0065]圖4-1為正則化圖像以選擇每個(gè)面片的理想位置的示意圖。
[0066] 圖4-2為獲取紅色通道遮罩的示意圖。
[0067] 圖4-3為最后優(yōu)化以獲取剩余的顏色通道的示意圖。
【具體實(shí)施方式】
[0068] 下面結(jié)合【附圖說(shuō)明】和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。本實(shí)施例基于數(shù)據(jù)對(duì)圖 片進(jìn)行軟性陰影去除，包括如下步驟：
[0069] (1)采用多個(gè)陰影圖片構(gòu)成訓(xùn)練集，對(duì)訓(xùn)練集的每幅陰影圖片子樣本化，以提取多 個(gè)訓(xùn)練對(duì)(例如500000對(duì)），然后對(duì)整個(gè)訓(xùn)練集進(jìn)行偏壓采樣，針對(duì)偏壓采樣得到的陰影圖 片提取列特征向量。
[0070] 列特征向量包括：
[0071] 用戶(hù)選擇區(qū)域中距邊緣的正則化距離，其值位于[0.0,1.0]內(nèi)；
[0072]陰影圖片基于初始猜想的預(yù)測(cè)遮罩；
[0073]陰影圖片的垂直和水平梯度；
[0074] 陰影圖片的像素亮度值，其值在[0.0，1.0]的范圍內(nèi)。
[0075] 其中面片亮度值是正則化的，因?yàn)槠錄](méi)有直接與遮罩相關(guān)(給出一個(gè)陰影亮度面 片，是不可能確定他是在明亮背景上的陰影或者是在暗背景下的明亮陰影）。所以本發(fā)明給 出推理算法處理那些可能支持結(jié)論的特征(例如暗指陰影的斜率），但是沒(méi)有在絕對(duì)亮度上 沒(méi)有混亂差異。盡管根據(jù)梯度這些信息理論上是多余的，但它在不損害其性能的前提下給 隨機(jī)森林提供了更多的選擇用以區(qū)別。
[0076] 利用列特征向量采用改進(jìn)的隨機(jī)森林進(jìn)行訓(xùn)練得到回歸因子：
[0077] (1-1)、定義一個(gè)衡量標(biāo)簽向量的熵值；
[00