非朗伯体对光线除了漫反射外还有镜面反射,表面容易产生掩盖物体固有纹理和颜色信息的高光区域,导致在基于图像的三维重建等应用中无法高精度的还原物体的三维空间信息,因此如何有效地分析并利用非朗伯体表面信息具有重要的研究意义。现今非朗伯体的高光去除算法引起的图像颜色失真和纹理丢失的现象影响了三维重建输入数据的质量;传统的未标定光度立体视觉假设物体表面遵循漫反射定律,然而现实中大多数材质的物体表面都带有一定比例的高光,使得基于传统未标定光度立体视觉的非朗伯体表面法向估计误差较大。本文以非朗伯体为研究对象,针对高光去除中的纹理丢失和颜色失真现象提出了聚类算法的改进,以改善纹理丢失和颜色失真的现象;并且提出了基于生成对抗网络的未标定光度立体方法来提高法向重建精度。(1)高光去除聚类算法的改进。首先,根据双色反射模型,原图像减去最小强度值单通道图像得到初始化的无高光图像。然后,根据初始无高光图像计算每个像素点的最小和最大漫反射色度值。最后,在最小最大漫反射色度空间使用x-means聚类算法进行高光相关像素点的分类,估计每个类的稳健强度比值用于分离高光像素点的镜面反射分量,达到去除图像高光的效果。实验结果表明,与其他算法相比数据分析上峰值信噪比值平均提升了2%至4%,结构相似性值平均提升了 1.4%至4.5%。(2)基于生成对抗网络的未标定光度立体算法。现有的光度立体算法通常假设光源条件已知或者简化反射率模型,但是这会限制光度立体算法在具有复杂反射属性材质上的实际应用。提出的基于生成对抗网络的未标定光度立体算法直接学习非朗伯体像素点和法向的映射关系,避免了复杂的光源信息标定步骤,同时也不需要准确估计反射率函数的表达形式,训练好的生成模型只需要输入任意数量的非朗伯体的光度图像即可估计出法向信息。实验结果表明,提出的算法在公开数据集上与其他未标定的光度立体方法相比较平均角度误差降低到14.98,均方误差降低到9.65,法向重建精度得到提高。