图像矫正系统及方法、色盲图像矫正系统及方法技术方案

本发明专利技术涉及一种图像矫正方法以及图像矫正系统。该方法包括下述步骤：矫正图像数据集合构建步骤，采集符合规定要求的图片，根据所述图片构建矫正图像数据集合；图像矫正模型构建步骤，基于所述矫正图像数据集合，利用深度卷积神经网络构建图像矫正模型；以及图像矫正步骤，将原始图像作为输入数据输入到所述图像矫正模型作为输出输出得到矫正后的矫正图像。本发明专利技术能够用于辅助色盲患者识别图像、观看视频以提升色盲患者的观感体验，由此能够避免色盲患者因无法区分部分颜色而发生损失和风险。

Image correction system and method, color blind image correction system and method

The present invention relates to an image correction method and an image correction system. The method comprises the following steps: step correction set of image data acquisition, to meet the requirements of the picture according to the picture to construct corrected image data set; model construction steps of image correction, the correction of image data set based on the construction of image correction model using convolutional neural network; and image correction steps, as the original image the input data is input to the image correction model as output corrected image after correction. The invention can be used to assist color blind patients to identify images and watch videos to enhance the perception experience of patients with color blindness, thereby avoiding the loss and risk of color blindness due to inability to distinguish partial colors.

【技术实现步骤摘要】
图像矫正系统及方法、色盲图像矫正系统及方法
本专利技术涉及图像处理技术，更具体而言涉及一种基于深度学习技术的图像矫正系统及方法、色盲图像矫正系统及方法。
技术介绍
现有的色盲矫正的方法基本原理是将图像由RGB空间变换为LMS空间，然后在LMS空间中对色盲患者和正常人的几个视觉参数进行估计，后依据估计结果对图像数据进行简单矩阵变换运算，从而达到色盲矫正功能。这种方法在处理效果上容易出现图像明暗异常、细节文理丢失、图像感观不自然甚至破坏的现象。例如，在专利文件1(申请号:CN201110163363.3)中公开了一种基于手机的色盲图像转换系统及其应用方法。在该专利文件中提出的进行色盲矫正的方法是颜色替代补偿法，分为明暗替代法、加色替代法、划线法三种。其中，颜色替代补偿法的核心是在图像LMS空间中对色盲患者和正常人的几个视觉参数进行估计，而后依据估计结果对图像数据进行简单矩阵运算，从而达到色盲矫正功能。但是，在处理效果上，专利文件1的图像数据处理方法容易出现图像明暗异常、细节文理丢失(这也是该案提出了明暗替代法、加色替代法、划线法三种处理方法的原因)等是图像不自然甚至破坏的现象。
技术实现思路
鉴于上述问题，本专利技术旨在矫正图像清晰可辨并且感官效果良好的基于深度学习技术的图像矫正系统及方法、色盲图像矫正系统及方法。本专利技术的图像矫正方法，其特征在于，包括下述步骤：矫正图像数据集合构建步骤，采集符合规定要求的图片，根据所述图片构建矫正图像数据集合；图像矫正模型构建步骤，基于所述矫正图像数据集合，利用深度卷积神经网络构建图像矫正模型；以及图像矫正步骤，将原始图像作为输入数据输入到所述图像矫正模型作为输出数据得到矫正后的矫正图像。可选地，所述矫正图像数据集合构建步骤包括下述子步骤：采集符合规定要求的图片；对采集的图片进行第一次抠图形成第一图像块；对于所述第一图像块经过滤波处理之后再进行第二次抠图，形成第二图像块。可选地，在所述图像矫正模型构建步骤中，利用卷积层以及激活函数层提取图像特征并且进行非线性映射而构建图像矫正模型。可选地，所述图像矫正模型构建步骤包括下述子步骤：将所述第一图像块作为输入数据、将所述第二图像块作为标签数据，并且将所述输入数据和所述标签数据按照规定比例分为训练集和验证集；根据神经元数量随机初始化网络中待训练参数；将作为图像样本的输入数据输入网络，同时将标签数据作为输出，每进行一次前向传播，依据深度网络输出值和标签值计算均方误差MSE；使用反向传播算法，根据随机梯度下降算法沿着损失下降的方向微调网络的参数值；以及更换图像样本迭代重复上述步骤，直到损失下降到规定程度后停止训练而形成图像矫正模型。可选地，计算所述均方误差MSE如下述公式：其中，observedi为像素预测值，predictedi为标签中对应像素值。本专利技术的图像矫正系统，其特征在于，具备：矫正图像数据集合构建模块，用于采集符合规定要求的图片，根据所述图片构建矫正图像数据集合；图像矫正模型构建模块，用于基于所述矫正图像数据集合，利用深度卷积神经网络构建图像矫正模型；以及图像矫正模块，用于将原始图像作为输入数据输入到由所述图像矫正模型构建模块构建的所述图像矫正模型得到矫正后的矫正图像。可选地，所述矫正图像数据集合构建模块具备：采集子模块，用于采集符合规定要求的图片；第一图像块形成模块，用于对采集的图片进行第一次抠图形成第一图像块；以及第二图像块形成模块，用于对于所述第一图像块进行滤波处理后再进行第二次抠图形成第二图像块。可选地，所述第一图像块与所述第二图像块一一对应。本专利技术的色盲图像矫正方法，其特征在于，利用上述任意一项所述的方法实现色盲图像矫正方法。本专利技术的色盲图像矫正系统上述任意一项所述的图像矫正系统。本专利技术的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述方法的步骤。本专利技术的计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。本专利技术的图像矫正方法以及图像矫正系统基于深度学习技术能够实现图像的矫正。在本专利技术中，利用深度卷积神经网络提取图片中的图案特征信息，然后进行非线性特征映射，最终完成矫正图像的重构，在色盲患者看来重构的矫正图像清晰可分辨性强。本专利技术能够用于辅助色盲患者识别图像、观看视频以提升色盲患者的观感体验，由此能够避免色盲患者因无法区分部分颜色而发生损失和风险。附图说明图1是表示本专利技术的图像矫正方法的流程图。图2表示了色盲图像矫正模型网络的具体网络结构参数。图3是表示了色盲图像矫正模型网络具体网络的结构的示意图。图4是表示本专利技术的图像矫正系统的构造示意图。具体实施方式下面介绍的是本专利技术的多个实施例中的一些，旨在提供对本专利技术的基本了解。并不旨在确认本专利技术的关键或决定性的要素或限定所要保护的范围。本专利技术提供一种基于深度学习技术的图像矫正系统及方法，该图像矫正系统及方法能够适用于色盲图像矫正。本专利技术的基于深度学习技术的图像矫正系统及方法可以用于辅助色盲患者识别图像、观看视频以提升色盲患者的观感体验，同时可以避免色盲患者因无法区分部分颜色而发生损失和风险。具体地，本专利技术的基于深度学习技术的图像矫正系统及方法主要利用深度卷积神经网络提取图片中的图案特征信息，然后进行非线性特征映射，最终完成矫正图像的重构，在色盲患者看来利用本专利技术的图像矫正系统重构的矫正图像清晰可分辨。其中，深度卷积神经网络是模式识别领域重要的机器学习技术，可用于提取图像的特征。由于深度卷积神经网络能够学习具有强表达能力的图像的层级式特征，利用深度卷积神经网络能够实现目标检测、人脸识别和语义分割等等。接着，对于本专利技术的图像矫正方法进行说明。图1是表示本专利技术的图像矫正方法的流程图。如图1所示，本专利技术的图像矫正方法包括下述步骤：矫正图像数据集合构建步骤S100:采集包含丰富颜色、光照、环境等信息的自然场景的大量图片(例如数万张)，对采集的图片进行第一次抠图形成第一图像块；对于将第一图像块经过滤波处理之后在进行第二次抠图，形成第二图像块，由此构建矫正图像数据集合；图像矫正模型构建步骤S200：基于所述矫正图像数据集合，利用卷积层和利用激活函数层提取图像特征并且进行非线性映射，由此构建图像矫正模型；以及图像矫正步骤S300：将原始图像作为输入数据输入到由所述建图像矫正模型步骤S200构建的图像矫正模型而得到矫正后的矫正图像。接着，将本专利技术的图像矫正方法应用于色盲图像矫正的情况下的实施方式进行说明。本实施方式的图像矫正方法主要包括下述步骤：(I)构建色盲矫正图像集合；(II)构建色盲图像矫正模型；(III)利用色盲图像矫正模型进行色盲图像矫正。下面，对于各步骤进行具体说明。(I)构建色盲矫正图像集合(1)采集包含丰富颜色、光照、环境等信息的大量自然场景图片，数量不限，例如可以采集数万张。(2)对获取图片进行随机抠图，形成像素尺寸为第一规定尺寸的第一图像块，这里作为示例列举第一图像块为33×33的图像块。(3)将步骤(2)中得到第一图像块通过色盲矫正光学镜片进行滤波处理。(4)将步骤(3)中得到第一图像块进行二次抠图，在中心位截取像素尺寸为第二规定尺寸的第二本文档来自技高网...

【技术保护点】
一种图像矫正方法，其特征在于，包括下述步骤：矫正图像数据集合构建步骤，采集符合规定要求的图片，根据所述图片构建矫正图像数据集合；图像矫正模型构建步骤，基于所述矫正图像数据集合，利用深度卷积神经网络构建图像矫正模型；以及图像矫正步骤，将原始图像作为输入数据输入到所述图像矫正模型作为输出数据得到矫正后的矫正图像。

【技术特征摘要】
1.一种图像矫正方法，其特征在于，包括下述步骤：矫正图像数据集合构建步骤，采集符合规定要求的图片，根据所述图片构建矫正图像数据集合；图像矫正模型构建步骤，基于所述矫正图像数据集合，利用深度卷积神经网络构建图像矫正模型；以及图像矫正步骤，将原始图像作为输入数据输入到所述图像矫正模型作为输出数据得到矫正后的矫正图像。2.如权利要求1所述的图像矫正方法，其特征在于，所述矫正图像数据集合构建步骤包括下述子步骤：采集符合规定要求的图片；对采集的图片进行第一次抠图形成第一图像块；对于所述第一图像块经过滤波处理之后再进行第二次抠图，形成第二图像块。3.如权利要求1所述的图像矫正方法，其特征在于，在所述图像矫正模型构建步骤中，利用卷积层以及激活函数层提取图像特征并且进行非线性映射而构建图像矫正模型。4.如权利要求3所述的图像矫正方法，其特征在于，所述图像矫正模型构建步骤包括下述子步骤：将所述第一图像块作为输入数据、将所述第二图像块作为标签数据，并且将所述输入数据和所述标签数据按照规定比例分为训练集和验证集；根据神经元数量随机初始化网络中待训练参数；将作为图像样本的输入数据输入网络，同时将标签数据作为输出，每进行一次前向传播，依据深度网络输出值和标签值计算均方误差MSE；使用反向传播算法，根据随机梯度下降算法沿着损失下降的方向微调网络的参数值；以及更换图像样本迭代重复上述步骤，直到损失下降到规定程度后停止训练而形成图像矫正模型。5.如权利要求3所述的图像矫正方法，其特征在于，计算所述均方误差MSE如下述公式：

【专利技术属性】
技术研发人员：费志军，王宇，刘想，华锦芝，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海,31