1.一种基于自定义模糊逻辑与生成对抗网络GAN的图像高光处理方法：其特征在于，通过将模糊逻辑与GAN相结合，使用处理过的人脸数据集和 水果数据集进行训练，得到拟合后的模型用于对图像的高光区域进行高光弱化以及纹理再生处理；其步骤主要包括：使用模糊逻辑对图像高光区域进行划分，对划分好高光区域的图片进行预处理，使用生成器网络对图像进行区域填充，使用判别器网络对图像进行判断，最后当两者达到辩证统一时，图像处理完成；

(1)所述的对划分好的区域进行预处理是指对模糊逻辑判定的高光区域生成二值掩码，并通过传统图像算法对图片大小进行处理，统一GAN网络输入图像的大小；

所述的使用生成器网络对图像进行区域填充是指将预处理后的人脸或者水果图像输入到深度卷积神经网络中，进行前向卷积运算和池化操作；在生成器网络中，本方法引入一个亮度的参数l，该参数通过模糊逻辑计算获得，传入生成器网络中的图片，经过模糊逻辑获得当前图片x的亮度参数l，图片经过生成网络处理后得到图片x′，该图片再次经过模糊逻辑获得一个处理后的图片亮度l′，并在损失函数中添加该参数；

(2)所述判别器网络对图像进行判断是指网络模型中的全局判别器和局部判别器共同对生成图形进行不同的判断；局部判别器主要识别缺失部分的结果是否正确，局部判别器的输入是原始丢失图像部分或者是被遮挡的部分，以及生成器的生成部分，局部判别器约束着图像的细节信息和局部一致性；全局判别器需要判断整个图像的真实性，全局判别器的输入也分为两类：原始图像和由生成器生成的整个图像，在全局判别器和局部判别器处理完后，在判别器网络中通过一个连接层将两者的输出连接到一起，形成一个2048维度的矢量，再经过一个全连接层处理后得到一个连续的值；最后使用sigmoid函数作为转移函数，使该值的范围在[0,1]来表示图像是真实的概率；

(3)所述两者达到辩证统一是指，判别器难以区分生成器生成的图像，判别器的判断正确率约为0.5。

2.根据权利要求1所述的一种基于自定义模糊逻辑与生成对抗网络GAN的图像高光处理方法，其特征在于，通过使用处理后的人脸图像数据集以及水果图像数据集对深度学习目标检测算法进行训练得到拟合后的模型，其训练步骤包括：(1)对数据集进行预处理，将图片大小修改为256×256×3，并在图片上随机划分待修复区域，其大小限定在128像素之内；

(2)初始化生成器和判别器的网络参数；

(3)分别导入CelebA数据集和水果数据集预处理后的数据集传入生成对抗网络中；

(4)从训练集中抽取n个样本以及生成器产生的n个样本，固定生成器，训练判别器，使得判别器尽可能区分真假；

(5)循环更新判别器，并在每k次判别器更新后更新一次生成器，直到判别器难以区分图像真假。