一种基于分类校正的彩色图像光源颜色估计方法技术

本发明专利技术公开了一种基于分类校正的彩色图像光源颜色估计方法，首先在一组已知光源颜色的图像上提取图像的边缘特征，然后通过最小二乘法进行学习，得到边缘特征与光源之间的校正矩阵，再对待处理的测试图像提取边缘特征并与校正矩阵相乘，得到粗略的光源估计；之后通过在特征空间寻找K幅邻近图像的方式找到与待处理测试图像特征相近的一类训练图像，从而重新学习，得到精准的光源估计。本发明专利技术涉及参数少，并且由于提取的特征简单且数量较少，所以还拥有计算简单、速度快等特点；此外，本发明专利技术是基于学习的方法，所以处理效果好，精确度高，非常适合于对光源颜色的估计准确度要求比较高的场合。

【技术实现步骤摘要】

本专利技术属于计算机视觉和图像处理
，具体涉及一种基于分类校正的彩色图像光源颜色估计方法的设计。
技术介绍
自然环境下，同一物体在不同颜色的光的照射下会呈现不同的颜色，比如绿色的树叶在晨光照射下偏黄色，而在傍晚时分却偏蓝色。人的视觉系统可以抵制这种光源颜色变化，从而恒定的感知物体的颜色，也就是视觉系统具有颜色恒常性。然而，受技术条件限制，机器并不具备这一能力，由物理设备，比如照相机拍摄到的图片由于光源颜色的变化会产生严重的色偏。因此，如何根据已有的图像信息去准确估计场景中的光源颜色并将其移除从而得到物体在标准白光照射下的颜色就显得尤为重要。计算性颜色恒常正是致力于解决这一问题，它的主要目的是计算任意一幅图像所包含的未知光源的颜色，然后用这个计算得到的光源颜色对原始输入的图像进行光源颜色校正后在标准的白光下进行显示，得到所谓的标准图像。由于标准图像去除了光源颜色的影响，因而对于后续的计算任务，比如基于颜色的场景分类，图像检索就不存在因色偏而导致的误分类或误检索。计算性颜色恒常方法可以分为两类：基于学习的方法和传统的静态方法。传统的静态方法从图像中提取简单的特征用于光源估计，这类方法由于估计的误差较大，不能很好的满足工程需要。基于此需求，在传统非基于学习的方法的基础上诞生了基于学习的方法，比较典型的基于学习的方法有G.D.Finlayson在2013年提出的方法，参考文献：G.D.Finlayson，“Corrected-momentilluminantestimation”inProc.Comput.Vis.IEEEInt.Conf.，2013，pp.1904–1911，该方法通过特征提取并利用回归的方法找到特征与光源之间的关系。这种方法由于使用了回归的手段，因而估计光源的准确性相对较高，但该方法对所有图像都使用同一个校正矩阵，导致部分图像估计的光源误差很大，因而无法满足对估计光源颜色准确性要求很高的场合，例如智能机器人或自动驾驶等的接收图像的设备前端。因此，实现一种对不同的图像学习不同的校正矩阵的方法就显得尤为重要。
技术实现思路
本专利技术的目的是为了解决现有技术中的图像场景光源颜色估计方法无法满足对估计光源颜色准确性要求很高的场合的问题，提出了一种基于分类校正的彩色图像光源颜色估计方法。本专利技术的技术方案为：一种基于分类校正的彩色图像光源颜色估计方法，包括以下步骤：S1、提取训练图像的边缘特征：将N幅已知光源的彩色图像作为原始训练集T，分别与高斯分布求导后的模板G做卷积运算，得到图像每个像素点对应的边缘值，提取边缘特征，得到N幅训练图像的边缘特征矩阵M；S2、学习校正矩阵：通过最小二乘法，学习由步骤S1计算得到的特征矩阵M与N幅训练图像的标准光源L之间的校正矩阵C；S3、粗略的光源估计：采用步骤S1中的方法提取测试图像的边缘特征，与步骤S2学习得到的校正矩阵C相乘，得到粗略的光源估计结果L1；S4、寻找与测试图像相对应的训练图像：对测试图像与原始训练集T分别去除光源，再采用S1中的方法分别提取边缘特征，形成特征空间；在特征空间中找出与测试图像特征相近的K幅训练图像，将其作为新的训练集TN；S5、精准的光源估计：重复步骤S1-S4，每次将步骤S1中的训练集T替换为步骤S4中得到的新的训练集TN，训练图像数也相应的由N变为K，直到步骤S4中得到的TN与上一次操作中步骤S4得到的TN相同为止，把最后一次操作中步骤S3得到的光源估计结果L1作为最终光源估计结果。进一步地，步骤S1中高斯分布求导后的模板G为高斯梯度算子。进一步地，步骤S1中提取边缘特征的计算公式为：Mxyz=(Σi=1N1RixGiyBizN1)1/(x+y+z)---(1)]]>式中Ri、Gi、Bi分别表示每个像素点在R、G、B三个通道的边缘值，N1表示图像中像素点的个数，Mxyz为不同x,y,z下对应的边缘特征的值，x,y,z是满足x≥0,y≥0,z≥0且x+y+z＝3的所有组合。进一步地，步骤S4中K的取值范围为进一步地，步骤S4具体包括以下分步骤：S41、对原始N幅训练图像去除标准光源L，并采用步骤S1中的方法提取边缘特征；S42、对测试图像去除步骤S3中粗略估计的光源L1，并采用步骤S1中的方法提取边缘特征，与步骤S41中N幅训练图像提取的边缘特征共同形成特征空间；S43、在特征空间中找出与测试图像特征距离最相近的K幅图像，作为测试图像的新训练图像集合TN。进一步地，步骤S43中的特征距离为欧式距离。本专利技术的有益效果是：本专利技术首先在一组已知光源颜色的图像上提取图像的边缘特征，然后通过最小二乘法进行学习，得到边缘特征与光源之间的校正矩阵，再对待处理的测试图像提取边缘特征并与校正矩阵相乘，得到粗略的光源估计；之后通过在特征空间寻找K幅邻近图像的方式找到与待处理测试图像特征相近的一类训练图像，从而重新学习，得到精准的光源估计。由于待处理的测试图像与训练图像在特征空间的距离不同，适当调节对应训练图像数K的值，可以得到更好的适于不同类型训练图像的结果，这里K是唯一的参数。本专利技术涉及参数少(仅有一个参数K)，并且由于提取的特征简单且数量较少，所以还拥有计算简单、速度快等特点；此外，本专利技术是基于学习的方法，所以处理效果好，精确度高，非常适合于对光源颜色的估计准确度要求比较高的场合，例如内置在智能机器人或自动驾驶的接收图像设备的前端等。附图说明图1为本专利技术提供的一种基于分类校正的彩色图像光源颜色估计方法流程图。图2为本专利技术实施例一的待处理的测试图像tools_ph-ulm.gif。图3为本专利技术实施例一的各步骤估计的光源与真实光源之间的误差值示意图。图4为本专利技术实施例一的最终光源估计结果与真实光源对比示意图。图5为本专利技术实施例二的利用步骤S5计算的光源颜色值对原始测试图像进行色调校正后的结果示意图。具体实施方式下面结合附图对本专利技术的实施例作进一步的说明。本专利技术提供了一种基于分类校正的彩色图像光源颜色估计方法，如图1所示，包括以下步骤：S1、提取训练图像的边缘特征：将N幅已知光源的彩色图像作为原始训练集T，分别与高斯分布求导后的模板G做卷积运算，得到图像每个像素点对应的边缘值，提取边缘特征，得到N幅训练图像的边缘特征矩阵M。其中，高斯分布求导后的模板G为高斯梯度算子。提取边缘特征的计算公式为：Mxyz=(Σi=1N1RixGiyBizN1)1/(x+y+z)---(1)]]>式中Ri、Gi、Bi分别表示每个像素点在R、G、B三个通道的边缘值，N1表示图像中像素点的个数，Mxyz为不同x,y,z下对应的边缘特征的值，x,y,z是满足x≥0,y≥0,z≥0且x+y+z＝3的所有组合，总的组合数为19，所以这里可以得到19个边缘特征。S2、学习校正矩阵：通过最小二乘法，学习由步骤S1计算得到的特征矩阵M与N幅训练图像的标准光源L之间的校正矩阵C。S3、粗略的光源估计：采用步骤S1中的方法提取测试图像的边缘特征，与步骤S2学习得到的校正矩阵C相乘，得到粗略的光源估计结果L1。S4、寻找与测试图像相对应的训练图像：对测试图像与原始训练集T分别去除光源，再采用S1中的方法分别提取边缘特征，形成特征空间；在特征空间中找出与测试图本文档来自技高网...

【技术保护点】
一种基于分类校正的彩色图像光源颜色估计方法，其特征在于，包括以下步骤：S1、提取训练图像的边缘特征：将N幅已知光源的彩色图像作为原始训练集T，分别与高斯分布求导后的模板G做卷积运算，得到图像每个像素点对应的边缘值，提取边缘特征，得到N幅训练图像的边缘特征矩阵M；S2、学习校正矩阵：通过最小二乘法，学习由步骤S1计算得到的特征矩阵M与N幅训练图像的标准光源L之间的校正矩阵C；S3、粗略的光源估计：采用步骤S1中的方法提取测试图像的边缘特征，与步骤S2学习得到的校正矩阵C相乘，得到粗略的光源估计结果L1；S4、寻找与测试图像相对应的训练图像：对测试图像与原始训练集T分别去除光源，再采用S1中的方法分别提取边缘特征，形成特征空间；在特征空间中找出与测试图像特征相近的K幅训练图像，将其作为新的训练集TN；S5、精准的光源估计：重复步骤S1‑S4，每次将步骤S1中的训练集T替换为步骤S4中得到的新的训练集TN，训练图像数也相应的由N变为K，直到步骤S4中得到的TN与上一次操作中步骤S4得到的TN相同为止，把最后一次操作中步骤S3得到的光源估计结果L1作为最终光源估计结果。

【技术特征摘要】
1.一种基于分类校正的彩色图像光源颜色估计方法，其特征在于，包括以下步骤：S1、提取训练图像的边缘特征：将N幅已知光源的彩色图像作为原始训练集T，分别与高斯分布求导后的模板G做卷积运算，得到图像每个像素点对应的边缘值，提取边缘特征，得到N幅训练图像的边缘特征矩阵M；S2、学习校正矩阵：通过最小二乘法，学习由步骤S1计算得到的特征矩阵M与N幅训练图像的标准光源L之间的校正矩阵C；S3、粗略的光源估计：采用步骤S1中的方法提取测试图像的边缘特征，与步骤S2学习得到的校正矩阵C相乘，得到粗略的光源估计结果L1；S4、寻找与测试图像相对应的训练图像：对测试图像与原始训练集T分别去除光源，再采用S1中的方法分别提取边缘特征，形成特征空间；在特征空间中找出与测试图像特征相近的K幅训练图像，将其作为新的训练集TN；S5、精准的光源估计：重复步骤S1-S4，每次将步骤S1中的训练集T替换为步骤S4中得到的新的训练集TN，训练图像数也相应的由N变为K，直到步骤S4中得到的TN与上一次操作中步骤S4得到的TN相同为止，把最后一次操作中步骤S3得到的光源估计结果L1作为最终光源估计结果。2.根据权利要求1所述的基于分类校正的彩色图像光源颜色估计方法，其特征在于，所述步骤S1中高斯分布求导后的...

【专利技术属性】
技术研发人员：李永杰，张明，高绍兵，任燕泽，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51