1.一种即插即用的图像去阴影边缘方法，其特征在于，所述方法包括：获取阴影图像，以及对所述阴影图像进行初步恢复后的无阴影图像；基于阴影图像和对应的无阴影图像中相同位置的亮度变化构建亮度变化坐标系，并利用高斯混合模型对所述亮度变化坐标系中的点数据进行建模，将图像去阴影问题转化为对所述亮度变化坐标系中各点数据的位置和隶属区域的最大后验估计问题，并构建对应的问题模型；将所述阴影图像和无阴影图像带入所述问题模型后，采用迭代式算法进行求解，在每一次迭代过程中依次对隶属区域的划分进行更新、对表征各隶属区域的分布参数进行更新、根据更新后的分布参数对所述亮度变化坐标系中各点数据位置进行更新得到分布匹配的参考图像，再对所述参考图像中的边缘区域进行优化更新，得到当前次迭代结果即边缘区域优化后的无阴影图像，并将所述边缘区域优化后的无阴影图像作为下一次迭代的输入；直至满足预设的迭代终止条件，则当前得到的边缘区域优化后的无阴影图像为最终的输出结果，以实现图像去阴影边缘。
2.根据权利要求1所述的即插即用的图像去阴影边缘方法，其特征在于，基于图像去阴影问题的退化模型，根据所述阴影图像和无阴影图像之间相同位置上像素点的映射关系，构建所述亮度变化坐标系；在所述亮度变化坐标系中，横轴表示所述阴影图像的像素值，纵轴表示所述初步恢复后的无阴影图像的像素值；所述亮度变化坐标系中的每一个点数据的坐标为所述阴影图像和无阴影图像中相同位置的像素值。
3.根据权利要求2所述的即插即用的图像去阴影边缘方法，其特征在于，所述隶属区域包括表示图像阴影内部的内部隶属区域、表示图像阴影外部的外部隶属区域以及表示图像阴影边缘区域的边缘隶属区域。
4.根据权利要求3所述的即插即用的图像去阴影边缘方法，其特征在于，所述问题模型表示为：在上式中， 表示所述亮度变化坐标系中点数据的坐标集合， 表示所述亮度变化坐标系中各点数据隶属区域集合的隐变量集合，I s 表示所述阴影图像， 表示数据似然项， 和 分别表示坐标点集合和隐变量集合的数据先验，p(·)表示概率密度。
5.根据权利要求4所述的即插即用的图像去阴影边缘方法，其特征在于，在每一次迭代过程中：将上一次迭代得到的边缘区域优化后的无阴影图像作为输入；在对隶属区域的划分进行更新时，根据所述边缘区域优化后的无阴影图像与所述阴影图像更新所述亮度变化坐标系中的点数据坐标，计算更新后各点数据坐标的中间后验概率，并对隶属区域的划分进行更新；在对表征各隶属区域的分布参数进行更新时，根据所述中间后验概率计算更新后各隶属区域的分布参数；在更新所述亮度变化坐标系中各点数据位置时，采用马尔可夫链蒙特卡洛采样估计边缘隶属区域中点数据的位置，使其满足对应的更新后隶属区域的分布参数，得到分布匹配的参考图像；在对边缘区域进行优化更新时，采用扩散模型和轻量级网络在所述参考图像的引导下估计上一次迭代得到边缘区域优化后的无阴影图像和权重矩阵，通过利用权重矩阵将估计得到的上一次迭代得到边缘区域优化后的无阴影图像和阴影图像进行融合得到当前次迭代结果即边缘区域优化后的无阴影图像。
6.根据权利要求5所述的即插即用的图像去阴影边缘方法，其特征在于，在对隶属区域的划分进行更新和对表征各隶属区域的分布参数进行更新时，采用期望最大化算法。
7.根据权利要求6所述的即插即用的图像去阴影边缘方法，其特征在于，所述扩散模型为预先训练好的模型。
8.一种即插即用的图像去阴影边缘装置，其特征在于，所述装置包括：图像获取模块，用于获取阴影图像，以及对所述阴影图像进行初步恢复后的无阴影图像；问题模型构建模块，用于基于阴影图像和对应的无阴影图像中相同位置的亮度变化构建亮度变化坐标系，并利用高斯混合模型对所述亮度变化坐标系中的点数据进行建模，将图像去阴影问题转化为对所述亮度变化坐标系中各点数据的位置和隶属区域的最大后验估计问题，并构建对应的问题模型；问题模型求解模块，用于将所述阴影图像和无阴影图像带入所述问题模型后，采用迭代式算法进行求解，在每一次迭代过程中依次对隶属区域的划分进行更新、对表征各隶属区域的分布参数进行更新、根据更新后的分布参数对所述亮度变化坐标系中各点数据位置进行更新得到分布匹配的参考图像，以及对所述参考图像中的边缘区域进行优化更新，得到当前次迭代结果即边缘区域优化后的无阴影图像，并将所述边缘区域优化后的无阴影图像作为下一次迭代的输入；迭代终止判别模块，用于直至满足预设的迭代终止条件，则当前得到的边缘区域优化后的无阴影图像为最终的输出结果，以实现图像去阴影边缘。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
