一种图像色彩校正方法、系统、设备及介质技术方案

本申请公开了一种图像色彩校正方法、系统、设备及介质，包括：对采集的图像数据分成色彩失真图像及其对应的高质量色彩图像集；将彩色失真图像输入到生成模型中得到校正后的图像；固定生成模型的参数，将校正后的图像以及高质量色彩图像输入到判别模型中，对图像进行判断，并优化判别模型的参数，直到判别模型能够区分两组图像；将校正后的图像以及高质量色彩图像代入损失函数，计算损失，并对生成模型的参数进行优化，将校正后的图像以及高质量色彩图像输入到训练好的判别模型中，对图像进行区分，直到判别模型区分不出两组图像。本申请生成对抗网络的方法对彩色图像进行校正，其得到的模型具有校正快速，高精度且抗噪性强。

An image color correction method, system, equipment and medium

【技术实现步骤摘要】
一种图像色彩校正方法、系统、设备及介质
本申请涉及颜色校正
，尤其涉及一种图像色彩校正方法、系统、设备及介质。
技术介绍
色彩是计算机视觉领域重要的参数之一，随着世界计算机技术的发展，各图像应用领域对色彩的要求随之越来越高。由于图像传感器的光谱敏感特性不能最佳地模拟人眼视觉系统对色彩的感知能力，并且由于受光源的光谱分布不均，采集图像的色彩与物体的真实色彩有一定偏差，因此，需要对色彩进行校正，使得尽可能的还原真实色彩。现有的色彩校正的方案包括基于光谱响应的方法与基于目标色的方法。基于光谱响应的色彩校正原理是用专用仪器测出图像传感器的光谱响应，找到需校正图像传感器的光谱响应和CIE颜色匹配函数间的关系。基于目标色的方法原理是用包含一定量颜色样本的色彩标准值和测量值建立校正模型，得出两者间的函数关系，简单实用。其典型算法包括：三维查表法，多项式法，带约束项最小二乘法及模式搜索法等。通常，查表法更为准确，缺点是其需要大量色彩的标准三刺激值，且建表速度缓慢，精度不高。多项式法则基于两者间的函数关系，通过最小二乘法求出校正系数，但仅适用于极小的色域空间，且容易放大噪声。即使对最小二乘法加入约束项，虽能保证白色的精确度提升，却使其它颜色校正后误差进一步放大。对多项式法及最小二乘法，构造校正模型时，经证明，使用1-范数比2-范数求解的校正系数较准确。但由于1-范数不可微，求全局最优解可使用模式搜索法可抑制噪声放大。而模式搜索法可能陷入局部最优问题、初始值影响过大问题等，甚至校正前后图像亮度差异过大。r>
技术实现思路
本申请实施例提供了一种图像色彩校正方法、系统、设备及介质，使得对图像颜色的校正能够快速、高精度且抗噪性强。有鉴于此，本申请第一方面提供了一种图像色彩校正方法，所述方法包括：101、对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集；102、将彩色失真图像输入到构建的生成模型中，得到校正后的图像；103、训练判别模型：固定生成模型的参数，将所述校正后的图像以及所述高质量色彩图像输入到判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行判断，根据判断结果优化判别模型的参数，重复步骤103，直到判别模型区分出所述校正后的图像以及所述高质量色彩图像，即判别模型训练完成；104、训练生成模型：将所述校正后的图像以及所述高质量色彩图像代入损失函数，计算所述校正后的图像以及所述高质量色彩图像之间的损失，根据所述损失对所述生成模型的参数进行优化，将所述校正后的图像以及所述高质量色彩图像输入到训练好的所述判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行区分，重复步骤104直到所述判别模型区分不出所述校正后的图像以及所述高质量色彩图像，即生成模型训练完成。优选地，所述对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集之后还包括：对所述色彩失真图像集以及所述高质量色彩图像集进行预处理；所述预处理包括：将所述色彩失真图像集以及所述高质量色彩图像集分成训练集以及测试集；随机裁剪所述训练集中的训练图像，得到多个图像块，对所述图像块进行上下、左右翻转，得到多种训练图像。优选地，所述损失函数具体为：式中，所述E表示距离的期望；z表示样本数；Pg表示由生成器产生的样本分布；D表示表示真实输入与标签融合后输入到判别器中得到是否为真实数据的概率；表示满足1-Lipschitz限制的函数。优选地，所述生成模型的激活函数与所述判别模型的激活函数相同，具体为：式中，bx，y为归一化后的特征向量，ax，y为原始特征向量，N为特征图的数量；e是为了避免除数为0时所使用的微小正数。优选地，所述将所述校正后的图像以及所述校正后的图像对应的高质量彩色图像输入到损失函数中之前还包括，对所述校正后的图像与所述高质量色彩图像进行区域采样，所述区域采样具体为：在所述校正后的图像与所述高质量色彩图像采样的连线上随机差值采样：式中，α表示0-1之间的随机数，xr表示生成样本区域；xg表示真实样本区域。本申请第二方面提供一种图像色彩校正系统，所述系统包括：数据获取模块，所述数据获取模块用于对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集；图像校正模块，所述图像校正模块用于将彩色失真图像输入到构建的生成模型中，得到校正后的图像；判别模型训练模块，所述判别模型训练模块用于固定生成模型的参数，将所述校正后的图像以及所述高质量色彩图像输入到判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行判断，根据判断结果优化判别模型的参数，重复判别模型训练模块中的操作，直到判别模型区分出所述校正后的图像以及所述高质量色彩图像；生成模型训练模块，所述生成模型训练模块用于将所述校正后的图像以及所述高质量色彩图像代入损失函数，计算所述校正后的图像以及所述高质量色彩图像之间的损失，根据所述损失对所述生成模型的参数进行优化，将所述校正后的图像以及所述高质量色彩图像代入损失函数输入到训练好的所述判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行区分，重复生成模型训练模块中的操作，直到所述判别模型区分不出所述校正后的图像以及所述高质量色彩图像。优选地，还包括：预处理模块，所述预处理模块用于对所述色彩失真图像集以及所述高质量色彩图像集进行预处理，所述预处理包括将所述色彩失真图像集以及所述高质量色彩图像集分成训练集以及测试集；随机裁剪所述训练集中的训练图像，得到多个图像块，对所述图像块进行上下、左右翻转，得到多种训练图像。优选地，还包括：采样模块，所述采样模块用于对所述校正后的图像与所述高质量色彩图像进行区域采样，所述区域采样具体为：在所述校正后的图像与所述高质量色彩图像采样的连线上随机差值采样：式中，α表示0-1之间的随机数，xr表示生成样本区域；xg表示真实样本区域。本申请第三方面提供一种图像色彩校正设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的图像色彩校正方法的步骤。本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的方法。从以上技术方案可以看出，本申请具有以下优点：本申请中，提供了一种图像色彩校正方法，包括对采集的图像数据分成色彩失真图像及其对应的高质量色彩图像集；将彩色失真图像输入到生成模型中得到校正后的图像；固定生成模型的参数，将校正后的图像以及高质量色彩图像输入到判别模型中，对图像进行判断，并优化判别模型的参数，直到本文档来自技高网...

【技术保护点】
1.一种图像色彩校正方法，其特征在于，包括：/n101、对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集；/n102、将彩色失真图像输入到构建的生成模型中，得到校正后的图像；/n103、训练判别模型：固定生成模型的参数，将所述校正后的图像以及所述高质量色彩图像输入到判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行判断，根据判断结果优化判别模型的参数，重复步骤103，直到判别模型区分出所述校正后的图像以及所述高质量色彩图像，即判别模型训练完成；/n104、训练生成模型：将所述校正后的图像以及所述高质量色彩图像代入损失函数，计算所述校正后的图像以及所述高质量色彩图像之间的损失，根据所述损失对所述生成模型的参数进行优化，将所述校正后的图像以及所述高质量色彩图像输入到训练好的所述判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行区分，重复步骤104直到所述判别模型区分不出所述校正后的图像以及所述高质量色彩图像，即生成模型训练完成。/n

【技术特征摘要】
1.一种图像色彩校正方法，其特征在于，包括：
101、对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集；
102、将彩色失真图像输入到构建的生成模型中，得到校正后的图像；
103、训练判别模型：固定生成模型的参数，将所述校正后的图像以及所述高质量色彩图像输入到判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行判断，根据判断结果优化判别模型的参数，重复步骤103，直到判别模型区分出所述校正后的图像以及所述高质量色彩图像，即判别模型训练完成；
104、训练生成模型：将所述校正后的图像以及所述高质量色彩图像代入损失函数，计算所述校正后的图像以及所述高质量色彩图像之间的损失，根据所述损失对所述生成模型的参数进行优化，将所述校正后的图像以及所述高质量色彩图像输入到训练好的所述判别模型中，使得所述判别模型对所述校正后的图像以及所述高质量色彩图像进行区分，重复步骤104直到所述判别模型区分不出所述校正后的图像以及所述高质量色彩图像，即生成模型训练完成。


2.根据权利要求1所述的图像色彩校正方法，其特征在于，所述对采集的图像数据分成两个数据集，包括色彩失真图像集以及所述色彩失真图像集对应的高质量色彩图像集之后还包括：
对所述色彩失真图像集以及所述高质量色彩图像集进行预处理；
所述预处理包括：将所述色彩失真图像集以及所述高质量色彩图像集分成训练集以及测试集；随机裁剪所述训练集中的训练图像，得到多个图像块，对所述图像块进行上下、左右翻转，得到多种训练图像。


3.根据权利要求1所述的图像色彩校正方法，其特征在于，所述损失函数具体为：



式中，所述E表示距离的期望；z表示样本数；Pg表示由生成器产生的样本分布；D表示真实输入与标签融合后输入到判别器中得到是否为真实数据的概率；表示满足1-Lipschitz限制的函数。


4.根据权利要求1所述的图像色彩校正方法，其特征在于，归一化函数具体为：



式中，bx，y为归一化后的特征向量，ax，y为原始特征向量，N为特征图的数量；e是为了避免除数为0时所使用的微小正数。


5.根据权利要求1所述的图像色彩校正方法，其特征在于，还包括：所述将所述校正后的图像以及所述校正后的图像对应的高质量彩色图像输入到损失函数中之前还包括，对所述校正后的图像与所述高质量色彩图像进行区域采样，所述区域采样具体为：
在所述校正后的图像与所述高质量色彩图像采样的连线上随机差值采样：



...

【专利技术属性】
技术研发人员：郑晨，何昭水，吕俊，黄德添，白玉磊，谭北海，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44