色彩恒常性校正方法、装置及图像处理设备制造方法及图纸

本申请实施例提供一种色彩恒常性校正方法、装置及图像处理设备。通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算目标图像的B通道增益值作为初始B通道增益值；通过训练完成的深度残余学习网络计算得到目标图像的残余R通道增益值和残余B通道增益值；根据初始R通道增益值和残余R通道增益值求得到预测R通道增益值，以及根据初始B通道增益值和残余B通道增益值得到预测B通道增益值；按照预测R通道增益值和预测B通道增益值对目标图像进行调整，以对目标图像的色彩恒常性进行校正。如此，采用网络结构较浅的深度学习网络实现了对图像的色彩恒常性的准确校正。

【技术实现步骤摘要】
色彩恒常性校正方法、装置及图像处理设备
本申请涉及图像处理
，具体而言，涉及一种色彩恒常性校正方法、装置及图像处理设备。
技术介绍
在图像信号处理流程中，色彩恒常性的计算是为了保持物体在不同光照条件下对色彩呈现的一致性。在复杂光照、极限或特殊光照条件下，色彩恒常性算法显得尤为重要。在大多数光照条件下，传统算法诸如，灰世界算法、视网膜皮层理论、标准差加权灰世界、标准差及亮度加权灰世界等能够得到让用户接受的校正结果。然而，一旦环境中出现复杂光照、极限或特殊光照条件下，无法得到很好的色彩恒常性校正结果。目前，通常采用卷积神经网络(ConvolutionalNeutralNetwork)模型来对图像的色彩及语义进行特征提取，以实现对图像的色彩恒常性校正。要得到较好的校正结果，通常需要加深网络结构以提高CNN模型的特征提取性能，然而，网络结构的加深会带来诸如梯度消失无法优化求解等问题。
技术实现思路
有鉴于此，本申请的目的在于提供一种色彩恒常性校正方法、装置及图像处理设备，以至少部分地改善上述问题。第一方面，本申请实施例提供一种色彩恒常性校正方法，所述方法包括：通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算所述目标图像的B通道增益值作为初始B通道增益值；通过训练完成的深度残余学习网络计算得到所述目标图像的残余R通道增益值和残余B通道增益值；根据所述初始R通道增益值和所述残余R通道增益值求得到预测R通道增益值，以及根据所述初始B通道增益值和所述残余B通道增益值得到预测B通道增益值；按照所述预测R通道增益值和所述预测B通道增益值对所述目标图像进行调整，以对所述目标图像的色彩恒常性进行校正。可选地，所述深度残余学习网络通过如下步骤进行训练：获取训练样本数据集，其中，所述训练样本数据集包括从目标场景采集的原始图像；为所述训练样本数据集中的每个样本确定对应的标记R通道增益值和标记B通道增益值；针对每个所述样本，采用所述预设算法计算所述样本的初始R通道增益值和初始B通道增益值，通过待训练的深度残余学习网络计算所述样本的残余R通道增益值和残余B通道增益值，根据该初始R通道增益值和该残余R通道增益值得到所述样本的预测R通道增益值，根据该初始B通道增益值和该残余B通道增益值得到所述样本的预测B通道增益值；采用预设损失函数对各样本的预测R通道增益值和标记R通道增益值进行损失计算，以及对预测B通道增益值和标记B通道增益值进行损失计算；根据损失计算的结果对所述深度残余学习网络的参数进行优化，得到训练完成的深度残余学习网络。可选地，为所述训练样本数据集中的每个样本确定对应的标记R通道增益值和标记B通道增益值，包括：针对每个所述样本，调整所述样本的R通道增益值和B通道增益值，使该样本达到指定的色彩效果；将所述样本当前的R通道增益值确定为所述样本的标记R通道增益值，以及将所述样本当前的B通道增益值确定为所述样本的标记B通道增益值。可选地，所述预设算法为经典灰世界算法；通过待训练的深度残余学习网络计算所述样本的残余R通道增益值和残余B通道增益值，包括：获取所述样本的缩略图信息，将所述缩略图信息输入所述待训练的深度残余学习网络，使所述待训练的深度残余学习网络输出所述样本的残余R通道增益值和残余B通道增益值；其中，所述缩略图信息包括所述样本的探测表DetectionTable或直方图Histgram。可选地，所述预设损失函数为：其中，N表示样本数量，表示第i个样本的预测值，表示所述第i个样本的的标记值。可选地，根据损失计算的结果对所述深度残余学习网络的参数进行优化，包括：将所述损失计算的结果输入Adam优化器，并根据所述Adam优化器的输出优化所述深度残余学习网络的参数。第二方面，本公开提供一种色彩恒常性校正装置，所述装置包括：第一计算模块，用于通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算所述目标图像的B通道增益值作为初始B通道增益值；第二计算模块，用于通过训练完成的深度残余学习网络计算得到所述目标图像的残余R通道增益值和残余B通道增益值；预测模块，用于根据所述初始R通道增益值和所述残余R通道增益值求得到预测R通道增益值，以及根据所述初始B通道增益值和所述残余B通道增益值得到预测B通道增益值；校正模块，用于按照所述预测R通道增益值和所述预测B通道增益值对所述目标图像进行调整，以对所述目标图像的色彩恒常性进行校正。可选地，所述装置还包括：样本获取模块，用于获取训练样本数据集，其中，所述训练样本数据集包括从目标场景采集的原始图像；标记值确定模块，用于为所述训练样本数据集中的每个样本确定对应的标记R通道增益值和标记B通道增益值；训练模块，用于：针对每个所述样本，计算所述样本的灰世界R通道增益值和灰世界B通道增益值，通过待训练的深度残余学习网络计算所述样本的残余R通道增益值和残余B通道增益值，根据该灰世界R通道增益值和该残余R通道增益值得到所述样本的预测R通道增益值，根据该灰世界B通道增益值和该残余B通道增益值得到所述样本的预测B通道增益值；采用预设损失函数对各样本的预测R通道增益值和标记R通道增益值进行损失计算，以及对预测B通道增益值和标记B通道增益值进行损失计算；根据损失计算的结果对所述深度残余学习网络的参数进行优化，得到训练完成的深度残余学习网络。可选地，所述标记值确定模块包括：调整子模块，用于针对每个所述样本，调整所述样本的R通道增益值和B通道增益值，使该样本达到指定的色彩效果；确定子模块，用于将所述样本当前的R通道增益值确定为所述样本的标记R通道增益值，以及将所述样本当前的B通道增益值确定为所述样本的标记B通道增益值。第三方面，本公开提供一种图像处理设备，包括：处理器及机器可读存储介质，所述机器可读存储介质上存储有机器可执行指令，所述机器可执行指令被执行时促使所述处理器实现本申请实施例第一方面提供的方法。相对于现有技术而言，本申请实施例具有以下有益效果：本申请实施例提供一种色彩恒常性校正方法、装置及图像处理设备。通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算目标图像的B通道增益值作为初始B通道增益值；通过训练完成的深度残余学习网络计算得到目标图像的残余R通道增益值和残余B通道增益值；根据初始R通道增益值和残余R通道增益值求得到预测R通道增益值，以及根据初始B通道增益值和残余B通道增益值得到预测B通道增益值；按照预测R通道增益值和预测B通道增益值对目标图像进行调整，以对目标图像的色彩恒常性进行校正。如此，采用网络结构较浅的深度学习网络实现了对图像的色彩恒常性的准确校正。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的一种图像处理设备的方框示意图；图2为本申请实施例提供的一种色彩恒常性校正方法的流程示意图；图3为本申请实施例提供的一种深度残余学习网络的结构示意图；图4为本申请实施例提供的色彩恒常性校正方法的又一流程示意图；图5为本申请实施例提本文档来自技高网...

【技术保护点】
1.一种色彩恒常性校正方法，其特征在于，所述方法包括：通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算所述目标图像的B通道增益值作为初始B通道增益值；通过训练完成的深度残余学习网络计算得到所述目标图像的残余R通道增益值和残余B通道增益值；根据所述初始R通道增益值和所述残余R通道增益值求得到预测R通道增益值，以及根据所述初始B通道增益值和所述残余B通道增益值得到预测B通道增益值；按照所述预测R通道增益值和所述预测B通道增益值对所述目标图像进行调整，以对所述目标图像的色彩恒常性进行校正。

【技术特征摘要】
1.一种色彩恒常性校正方法，其特征在于，所述方法包括：通过预设算法计算目标图像的R通道增益值作为初始R通道增益值，计算所述目标图像的B通道增益值作为初始B通道增益值；通过训练完成的深度残余学习网络计算得到所述目标图像的残余R通道增益值和残余B通道增益值；根据所述初始R通道增益值和所述残余R通道增益值求得到预测R通道增益值，以及根据所述初始B通道增益值和所述残余B通道增益值得到预测B通道增益值；按照所述预测R通道增益值和所述预测B通道增益值对所述目标图像进行调整，以对所述目标图像的色彩恒常性进行校正。2.根据权利要求1所述的方法，其特征在于，所述深度残余学习网络通过如下步骤进行训练：获取训练样本数据集，其中，所述训练样本数据集包括从目标场景采集的原始图像；为所述训练样本数据集中的每个样本确定对应的标记R通道增益值和标记B通道增益值；针对每个所述样本，采用所述预设算法计算所述样本的初始R通道增益值和初始B通道增益值，通过待训练的深度残余学习网络计算所述样本的残余R通道增益值和残余B通道增益值，根据该初始R通道增益值和该残余R通道增益值得到所述样本的预测R通道增益值，根据该初始B通道增益值和该残余B通道增益值得到所述样本的预测B通道增益值；采用预设损失函数对各样本的预测R通道增益值和标记R通道增益值进行损失计算，以及对预测B通道增益值和标记B通道增益值进行损失计算；根据损失计算的结果对所述深度残余学习网络的参数进行优化，得到训练完成的深度残余学习网络。3.根据权利要求2所述的方法，其特征在于，为所述训练样本数据集中的每个样本确定对应的标记R通道增益值和标记B通道增益值，包括：针对每个所述样本，调整所述样本的R通道增益值和B通道增益值，使该样本达到指定的色彩效果；将所述样本当前的R通道增益值确定为所述样本的标记R通道增益值，以及将所述样本当前的B通道增益值确定为所述样本的标记B通道增益值。4.根据权利要求2或3所述的方法，其特征在于，所述预设算法为经典灰世界算法；通过待训练的深度残余学习网络计算所述样本的残余R通道增益值和残余B通道增益值，包括：获取所述样本的缩略图信息，将所述缩略图信息输入所述待训练的深度残余学习网络，使所述待训练的深度残余学习网络输出所述样本的残余R通道增益值和残余B通道增益值；其中，所述缩略图信息包括所述样本的探测表DetectionTable或直方图Histgram。5.根据权利要求2或3所述的方法，其特征在于，所述预设损失函数为：其中，N表示样本数量，表示第...

【专利技术属性】
技术研发人员：刘键涛，周凡，张长定，李骈臻，张伟，
申请(专利权)人：深圳美图创新科技有限公司，
类型：发明
国别省市：广东,44