图像是人们获取信息的重要来源,图像质量决定了人们获取什么样的信息。在实际活动中,图像的拍摄会受到环境、设备等因素干扰,导致图像质量大幅度降低,而光照是环境中存在的对图像成像影响较大的因素。在光照条件下,光滑的表面易发生镜面反射,导致图像出现高光。高光会覆盖物体纹理、颜色等信息,使图像质量下降。为此,本文针对图像去高光展开了讨论与研究。本文首先介绍高光形成的基本原理,对图像去高光的研究现状做了分析与总结,然后对深度学习发展与模型进行了相关阐述,并提出了两种深度学习在图像去高光中的应用研究。论文主要研究内容与成果如下:1、提出了一种基于改进pix2pix的去高光模型。为了提高网络特征提取的能力,在生成器中引入改进的ACBlock网络结构,利用残差网络提取特征,在对抗损失函数中引入位置感知损失和均方误差损失,以提升图像恢复效果。以端到端的方式训练和实现了对无高光图的预测。SHIQ数据集上的实验结果表明,该方法能较好的去除高光效果。平均PSNR为20.139d B,平均SSIM为0.769。但是存在预测图像的PSNR与SSIM值不高且部分图像颜色受损问题。2、为了解决第一种方法存在的问题,提出了一种基于改进U-net++网络的去高光模型。该方法首先利用改进的U-net++网络可以融合不同层次特征并保留边缘细节信息的能力,对图像进行初步的特征提取获得特征图,然后利用DDCM-Net融合图像中局部和全局上下文信息,依次获取预测的高光掩码、高光层图以及无高光图。SHIQ数据集上的实验结果表明,该方法具有较好的去高光效果,较好地保留了色彩、纹理等信息。较前一模型及其他算法有较好的去高光效果,平均PSNR为33.68d B,平均SSIM为0.985。