在图像处理方向,图像质量的高低往往决定了图像处理的效果。但是,在实际生产生活中,图像拍摄受到各种硬件、环境等因素的约束和影响,质量往往差强人意。其中,高光的出现会覆盖物体纹理、色彩等信息,是导致图像质量大幅下降的主要原因之一。为此,本文针对图像中高光现象的成因以及有效去除展开了讨论和研究。本文中首先介绍了高光的基本理论,再对高光去除的研究现状及方法进行了分析和总结,并提出了两种基于深度学习的图像去高光模型。论文主要研究内容和成果如下:1、传统的去高光方法基于双色反射模型,对图像的最大漫反射色度值进行预测以去除图像中的高光成分。这些方法的结果会有颜色上的失真,并且需要手动提取图像特征,繁杂且低效。而近年热门的深度学习在图像处理领域有着很好的表现且目前鲜有基于深度学习的去高光方法。为此,本文提出了基于分而治之的多分辨率深度神经网络去高光方法。该方法通过拉普拉斯金字塔提取图像块的高频以及低频信息以获得高光的残差信息,然后通过深度残差子网络分别进行特征提取,预测图像的最大漫反射色度值,最后通过双色反射模型进行高光分量的去除。实验结果表明,该方法能实现较好的去高光效果,图像颜色不易失真。较其他算法,本文方法对简单纹理图像去高光效果更佳。2、提出了一种端到端的基于U型空洞残差网络的高光去除模型。该方法首先利用U型结构在少样本中良好的边缘识别能力,对高光图像进行初步纹理、边缘特征的提取;然后将特征和原始高光图像融合作为空洞残差结构的输入,对图像中的高光分量进行分离,直接获取图像的漫反射分量。结果表明,提出的模型具有较好的去高光效果,颜色保真能力强,时间消耗少,实时性很强。较前一模型以及其他算法,本文方法平均PSNR数值有所提升。