1.一种基于卷积神经网络的图像阴影去除方法，其特征是，首先采集图像阴影去除数据集并对其进行预处理，再运用浅层神经网络以及深层神经网络两层网络结构进行训练学习，然后通过训练好的网络结构输入带有阴影图像的原图像从而实现全自动的阴影去除，最终得到高质量的无阴影图像；

其中，所述的基于卷积神经网络的图像阴影去除方法，主要包含以下几个步骤：

步骤1）采集真实场景下的阴影图像和无阴影图像，构成图像阴影去除数据集，具体地，在不同光照强度下，使用三脚架对相机进行固定，并使用蓝牙遥控器拍摄不同场景下的不同投射对象产生的阴影图像和无阴影图像对，对图像阴影去除数据集进行采集；

步骤2）对图像阴影去除数据集进行预处理；

步骤3）构造端到端的卷积神经网络结构；

步骤4）随机选取数据集中的阴影图像构成网络训练所需的训练集；

步骤5）利用训练集采用多样化的方式训练端到端的卷积神经网络，具体地，采用分阶段、分层次等多样化的训练方式进行网络的训练，所述分阶段的训练即单独训练浅层网络和深层神经网络，当二者均达到一定精度时级联训练两个网络，所述分层次训练即根据阴影比例因子的大小，设置不同层次的阴影情况的原始图像分别进行训练，先训练硬阴影的图像数据集，再训练软阴影的图像数据集，将二者结合组成数据集进行训练，并将不同像素大小的图像分为多个层次进行训练，实现快速收敛并防止过度拟合；同时将预测损失与构图损失的线性融合作为网络的总损失函数；

步骤6）利用真实图像和随机选取数据集中的阴影图像构成测试集；

步骤7）利用测试集使用训练完成的端到端的卷积神经网络进行阴影去除，得到高质量的无阴影图像。

2.如权利要求1所述的一种基于卷积神经网络的图像阴影去除方法，其特征是，所述步骤2），对图像阴影去除数据集进行预处理：采用裁剪和旋转等方式扩充数据集，并对采集的图像阴影数据集按照软硬阴影以及场景特征进行分类整理，构成图像对，同时将不同尺寸、不同像素的图像整理成指定像素的图像。

3.如权利要求1所述的一种基于卷积神经网络的图像阴影去除方法，其特征是，所述步骤3），构造端到端的卷积神经网络结构，包括浅层神经网络和深层神经网络两层网络结构：浅层神经网络包括16个卷积层，5个最大池化层和1个预测层；深层神经网络两层包含5个卷积层，2个池化层和1个预测层；网络的每个卷积层之后应用dropout，使用的激活函数为ReLU。

4.如权利要求1所述的一种基于卷积神经网络的图像阴影去除方法，其特征是，利用卷积神经网络的特点，针对图像阴影去除缺乏全自动的端到端的阴影去除方法，对阴影图像中存在的阴影区域进行去除，有效的消除了阴影对于图像的影响；同时考虑多上下文场景、处理局部信息和边缘信息等，网络包含浅层和深层两层神经网络结构，从而获得了高质量的无阴影图像。