一种基于UV直方图特征的视频色彩增强方法及系统技术方案

本发明专利技术是一种基于UV直方图特征的视频色彩增强方法及系统，通过深度学习算法图像UV分量的调节参数，本发明专利技术可在cpu上实现实时的视频色彩增强，使得视频的颜色变得更加鲜艳明亮。本发明专利技术是基于YUV颜色空间的算法，避免了颜色空间转换造成的大量耗时的操作，而且利用开源的数据集，能够根据不同场景自适应的调节算法参数，无需人为干预，在算法的使用上特别友好。好。好。

【技术实现步骤摘要】
一种基于UV直方图特征的视频色彩增强方法及系统


[0001]本专利技术涉及一种视频处理技术，尤其涉及一种基于UV直方图特征的视频色彩增强方法及系统。

技术介绍

[0002]现有的关于视频色彩调节的算法，主要是在图像的RGB颜色空间、HSV颜色空间，通过人为调节参数，达到图像色彩增强的目的。一方面，无论是基于RGB颜色空间还是HSV颜色空间，对于视频来讲，都需要从YUV颜色空间转换到RGB颜色空间或者HSV颜色空间，这种颜色空间的转换本身就会耗费大量的时间，不利于实时性处理；另一方面，往往这种基于RGB颜色空间或HSV颜色空间的算法，依赖于人为对于参数的设置，不能很好的适用于各个场景，在算法的使用上存在不友好性。
[0003]RGB颜色空间的色彩增强算法：将视频从YUV颜色空间转换到RGB颜色空间,在RGB颜色空间调节饱和度：
[0004][0005]设置饱和度s的取值范围[
‑
100,100]，根据设定的s，反推出饱和度调整之后图像RGB分量的值分别为r
′
、g
′
、b
′
,再从RGB颜色空间转换到YUV颜色空间。
[0006]k＝s
·
128/100.0
[0007][0008][0009]HSV颜色空间的色彩增强算法：将视频从YUV颜色空间转换到HSV颜色空间,在HSV颜色空间调节饱和度：
[0010]S
′
＝S
·
s
[0011]根据设置的饱和度系数s，得到调整饱和度之后的S分量的值S
′
，再从HSV颜色空间转换到YUV颜色空间
[0012]上述算法都需要无需人为干预设置系数，非常不友好且存在算法上的不确定性。

技术实现思路

[0013]本专利技术提供一种基于UV直方图特征的视频色彩增强方法，以解决现有技术中不能很好的适用于各个场景，在算法的使用上存在不友好性的技术问题。
[0014]一种基于UV直方图特征的视频色彩增强方法，包括：
[0015]S1:通过深度神经网络学习得到模型权重weights[2][256
×
256]；
[0016]S2:学习UV分量的参数：将RGB图像转化到YUV颜色空间，在UV分量上计算直方图histUV[256
×
256]，所述直方图histUV[256
×
256]和所述模型权重weights[2][256
×
256]相乘并求和得到最终的参数p
u
和p
v
：
[0017][0018]S3:计算图像UV分量的颜色增强之后的数据
[0019][0020]其中U、V表示输入视频的U和V分量数据，U
′
、V
′
表示U和V分量颜色增强之后的数据。
[0021]本专利技术的方法还包括：
[0022]S4:采用L1loss进行有效的监督学习
[0023][0024]其中N表示图像单个通道像素的个数；U
gt
、V
gt
表示fiveK数据集中GT的U和V分量数据。
[0025]输入视频其进一步包括将RGB图像转化成YCbCr数据。
[0026]一种基于UV直方图特征的视频色彩增强系统，包括：
[0027]模型权重训练模型:用于通过深度神经网络学习得到模型权重weights[2][256
×
256]；
[0028]学习UV分量参数计算单元：用于将RGB图像转化到YUV颜色空间，在UV分量上计算直方图histUV[256
×
256]，所述直方图histUV[256
×
256]和所述模型权重weights[2][256
×
256]相乘并求和得到最终的参数p
u
和p
v
：
[0029][0030]计算单元：用于计算图像UV分量的颜色增强之后的数据
[0031][0032]其中U、V表示输入视频的U和V分量数据，U
′
、V
′
表示U和V分量颜色增强之后的数据。
[0033]本系统还可以包括：
[0034]监督学习处理单元:用于采用L1loss进行有效的监督学习
[0035][0036]其中N表示图像单个通道像素的个数；U
gt
、V
gt
表示fiveK数据集中GT的U和V分量数据。
[0037]本专利技术是一种基于UV直方图特征的视频色彩增强算法，通过深度学习算法图像UV分量的调节参数，本专利技术可在cpu上实现实时的视频色彩增强，使得视频的颜色变得更加鲜艳明亮。本专利技术是基于YUV颜色空间的算法，避免了颜色空间转换造成的大量耗时的操作，而且利用开源的数据集，能够根据不同场景自适应的调节算法参数，无需人为干预，在算法的使用上特别友好。
附图说明
[0038]图1为一种基于UV直方图特征的视频色彩增强算方法的原理流程图。
具体实施方式
[0039]以下结合附图，具体说明本专利技术。
[0040]本申请人发现，直方图均衡化是将灰度值分布动态范围偏小的图像(如灰度值集中在直方图右部，此时图像过于明亮)扩大其动态范围，改变后的图像的灰度级数有可能降低。表1中已知条件有：共有灰度级个数为8，原始图像的每一级对应的分布概率为p
s
(s
k
)，经过直方图均衡化之后，灰度级0映射到1，灰度级1映射到3，灰度级2映射到5，灰度级3、4映射到6，灰度级5、6、7映射到7。由此可见，直方图均衡化算法使得图像的灰度级从0,1,2,3,4,5,6,7这8个灰度级缩少到1,3,5,6,7这5个灰度级，从数值上不难看出，图像的某些局部的对比度一定是得到了加强。
[0041]表1直方图均衡化计算流程
[0042][0043]一种基于UV直方图特征的视频色彩增强方法，包括：
[0044]S110:通过深度神经网络学习得到模型权重weights[2][256
×
256]；
[0045]S120:学习UV分量的参数：将RGB图像转化到YUV颜色空间，在UV分量上计算直方图histUV[256
×
256]，所述直方图histUV[256
×
256]和所述模型权重weights[2][256
×
256]相乘并求和得到最终的参数p
u
和p
v
：
[0046][0047]S130:计算图像UV分量的颜色增强之后的数据
[0048][0049]其中U、V表示输入视频的U和V分量数据，U
′
、V
′
表示U和V分量颜色增强之后的数据。
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UV直方图特征的视频色彩增强方法，其特征在于：包括：S1:通过深度神经网络学习得到模型权重weights[2][256
×
256]；S2:学习UV分量的参数：将RGB图像转化到YUV颜色空间，在UV分量上计算直方图histUV[256
×
256]，所述直方图histUV[256
×
256]和所述模型权重weights[2][256
×
256]相乘并求和得到最终的参数p
u
和p
v
：S3:计算图像UV分量的颜色增强之后的数据其中U、V表示输入视频的U和V分量数据，U
′
、V
′
表示U和V分量颜色增强之后的数据。2.如权利要求1所述的方法，其特征在于，还包括：S4:采用L1loss进行有效的监督学习其中N表示图像单个通道像素的个数；U
gt
、V
gt
表示fiveK数据集中GT的U和V分量数据。3.如权利要求1所述的方法，其特征在于，输入视频其进一步包括将RGB图像转化成YCbCr数据。4.如权利要求1所述的方法，其特征在于，步骤S1之前还包括：机器学习，评价机器学习有效性的方式是L1loss，下面是L1loss指标的计算公式：其中N表示图像单个通道像素的个数；U
gt
表示fiveK开源数据集中GT的U分量数据；V
gt
表示fiveK开源数据集中GT的V分量数据；U
′
表示模型训练过程输出的预测数据集中的U分量；V
′
表示模型训练过程输出的预测数据集中的V分量；这一部分是模型训练的最外层框架，用于判断训练结果是否达到最佳效果，这里使用了模型的预测数据，通过预测数据和源数据进行L1Loss的一个计算，当L1Loss的变化一直稳定在预设范围，认为训练已经达到效果，这里所谓的预测数据，就是步骤S1中U，V分量增强公式，计算得到的U,V分量增强后的数据。5.如权利要求4所述的方法，其特征在于，机器学习的过程就是模型训练，这一部分主要...

【专利技术属性】
技术研发人员：唐杰，张聪聪，朱运平，李庆瑜，戴立言，
申请(专利权)人：上海网达软件股份有限公司，
类型：发明
国别省市：