一种图像颜色恒常性处理方法、系统、设备和存储介质技术方案

技术编号:25124365 阅读:65 留言:0更新日期:2020-08-05 02:53
本申请公开了一种图像颜色恒常性处理方法、系统、设备和存储介质,方法包括:获取样本,样本为有光偏图像,有光偏图像是指色彩受有色光照的色彩影响的图像;根据样本采用神经网络进行第一次模型训练,得到第一光照预测模型;获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型;采用第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像。本申请利用了孪生网络的参数共享特性学习提取场景中不随光照变化而变化的特征,对数据集的依赖性低,不容易过拟合,能以较少的训练数据实现较准确的图像颜色恒常性处理,可广泛应用于图像处理领域。

【技术实现步骤摘要】
一种图像颜色恒常性处理方法、系统、设备和存储介质
本专利技术涉及图像处理领域,尤其是一种图像颜色恒常性处理方法、系统、设备和存储介质。
技术介绍
图像中的颜色是由物体表面的固有属性以及光源的颜色决定的,除此之外,由于一些成像设备(相机等)的光传感器的差异,也会造成同一场景使用不同品牌的设备获取的图片具有色彩差异性这一问题。对于一个具有鲁棒性的色彩处理的系统,这些光源及成像设备的影响应该被过滤掉。这种解能力被称为颜色恒常性。用于实现颜色恒常性的算法,主要可分为两大类:基于统计学的算法和基于学习的算法。前者主要思路是对自然场景图片的统计特性进行假设,并根据假设的偏差估计光源的颜色;后者则利用大量训练数据训练模型来估计光源的颜色,进而用光源估计值来矫正原图。近年来的大多数颜色恒常性方法都是基于学习的,因为与基于统计的方法相比,这种方法通常可以获得更高的准确性。这些方法中有不少采用了从输入图像中提取的手工特征进行训练的模型,而最新的研究则使用了深度卷积神经网络来学习特征。然而,基于深度学习的方法的主要难点在于缺乏用真实光源标签标注的大规模数据集,颜色恒常性可用的最大数据集比其他计算机视觉任务(如视觉类识别,分类等)可用的数据集小了三个数量级。故目前基于深度学习的颜色恒常性方法,可能会因用于模型训练的数据不足而出现过拟合的问题,影响了处理结果的准确性。
技术实现思路
本申请实施例提供一种图像颜色恒常性处理方法、系统、设备和存储介质,能以较少的训练数据实现较准确的图像颜色恒常性处理。根据本申请实施例的第一方面,一种图像颜色恒常性处理方法,包括以下步骤:获取样本,所述样本为有光偏图像,所述有光偏图像是指色彩受有色光照的色彩影响的图像;根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型;获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型;采用所述第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像。进一步,所述获取样本,包括:获取自然光图像;对所述自然光图像进行色彩增强,得到有光偏图像作为样本。进一步,所述根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型,包括:对所述样本进行预处理,得到预处理后的图像,所述预处理包括尺寸裁剪、数据增强、色彩增强、归一化或灰度化处理的至少之一;将所述预处理后的图像输入神经网络进行第一次模型训练,得到第一光照预测模型。进一步,所述获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型,包括:获取同一场景内不同光照下的两幅图像作为图像对,所述图像对的色彩和光照标签均不同;以所述第一光照预测模型的参数作为孪生网络的初始网络参数,将所述图像对输入所述孪生网络进行第二次模型训练,得到第二光照预测模型。进一步,所述第二次模型训练采用的目标函数通过以下步骤获取:分别获取所述孪生网络中两个子网络的角度误差函数,从而得到第一角度误差函数和第二角度误差函数;获取第三角度误差函数,所述第三角度误差函数根据两个所述子网络的预测光照值之比以及所述图像对标签光照比得到;根据所述第一角度误差函数、所述第二角度误差函数和所述第三角度误差函数,得到所述目标函数。进一步,所述神经网络为U-net神经网络或V-net神经网络。进一步,所述采用所述第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像,包括:采用所述第二光照预测模型对输入的图像进行光照预测,得到光照预测值;采用所述光照预测值对所述输入的图像进行矫正,得到矫正后的图像。根据本申请实施例的第二方面,一种图像颜色恒常性处理系统,包括:样本获取模块,用于获取样本,所述样本为有光偏图像,所述有光偏图像是指色彩受有色光照的色彩影响的图像;第一训练模块,用于根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型;第二训练模块,用于获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型;预测与矫正模块,用于采用所述第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像。根据本申请实施例的第三方面,一种设备,包括:至少一个处理器;至少一个存储器,用于存储至少一个程序;当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如第一方面所述的方法。根据本申请实施例的第四方面,一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的方法。本申请实施例提供的技术方案先采用神经网络进行第一次模型训练,再根据第一次模型训练得到的第一光照预测模型采用孪生网络进行第二次模型训练,得到第二光照预测模型,最后采用第二光照预测模型进行光照预测与矫正,利用了孪生网络的参数共享特性学习提取场景中不随光照变化而变化的特征,对数据集的依赖性低,不容易过拟合,能以较少的训练数据实现较准确的图像颜色恒常性处理。附图说明为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。图1是本申请实施例提供的一种图像颜色恒常性处理方法流程图;图2是本申请实施例图像颜色恒常性处理方法的一个应用实施例流程图;图3是本申请实施例的U-net网络架构图;图4是本申请实施例的孪生网络架构图;图5本申请实施例提供的一种图像颜色恒常性处理系统结构框图;图6本申请实施例提供的一种设备结构框图。具体实施方式为了使本
的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固本文档来自技高网
...

【技术保护点】
1.一种图像颜色恒常性处理方法,其特征在于:包括以下步骤:/n获取样本,所述样本为有光偏图像,所述有光偏图像是指色彩受有色光照的色彩影响的图像;/n根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型;/n获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型;/n采用所述第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像。/n

【技术特征摘要】
1.一种图像颜色恒常性处理方法,其特征在于:包括以下步骤:
获取样本,所述样本为有光偏图像,所述有光偏图像是指色彩受有色光照的色彩影响的图像;
根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型;
获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型;
采用所述第二光照预测模型对输入的图像进行光照预测与矫正,得到矫正后的图像。


2.根据权利要求1所述的一种图像颜色恒常性处理方法,其特征在于:所述获取样本,包括:
获取自然光图像;
对所述自然光图像进行色彩增强,得到有光偏图像作为样本。


3.根据权利要求1所述的一种图像颜色恒常性处理方法,其特征在于:所述根据所述样本采用神经网络进行第一次模型训练,得到第一光照预测模型,包括:
对所述样本进行预处理,得到预处理后的图像,所述预处理包括尺寸裁剪、数据增强、色彩增强、归一化或灰度化处理的至少之一;
将所述预处理后的图像输入神经网络进行第一次模型训练,得到第一光照预测模型。


4.根据权利要求1所述的一种图像颜色恒常性处理方法,其特征在于:所述获取同一场景内不同光照下的两幅图像作为图像对,并根据所述图像对和所述第一光照预测模型,采用孪生网络进行第二次模型训练,得到第二光照预测模型,包括:
获取同一场景内不同光照下的两幅图像作为图像对,所述图像对的色彩和光照标签均不同;
以所述第一光照预测模型的参数作为孪生网络的初始网络参数,将所述图像对输入所述孪生网络进行第二次模型训练,得到第二光照预测模型。


5.根据权利要求1所述的一种图像颜色恒常性处理方法,其特征在于:所述第二次模型训练采用的目标函数通过以下步骤获取:
分别获取所述孪生网络中两个子网络的角度误差函数,从而得到第...

【专利技术属性】
技术研发人员:余黄琳陈轲贾奎
申请(专利权)人:华南理工大学
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1