本发明专利技术公开了一种基于组合模型的图像颜色校正方法、系统，方法包括：读取色卡上每个色块的L*ab值，依据转换矩阵将L*ab值转换为RGB值，将RGB值三通道分开，建立三通道的真实值数据集；使用相机对色卡进行拍摄，并通过计算机分割出每个色块并读取每个色块的平均RGB值，将三通道分开，建立三通道的测量值数据集；通过一种自适应增强算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R1、G1、B1颜色校正模型；通过一种梯度提升决策树算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R2、G2、B2颜色校正模型；分别分配R、G、B三通道对应的两个颜色校正模型的权重，组合为R组合、G组合、B组合三个组合模型，对图像进行颜色校正。本发明专利技术提高了拟合精度，进一步提升了颜色校正的效果。提升了颜色校正的效果。提升了颜色校正的效果。
【技术实现步骤摘要】
一种基于组合模型的图像颜色校正方法、系统
[0001]本专利技术涉及一种基于组合模型的图像颜色校正方法、系统，属于图像颜色校正
技术介绍
[0002]如今，高质量图像是进行图像处理工作的重要前提，然而由于受到环境因素、相机设备参数的影响，采集到的图像常存在着颜色严重失真的问题，为后续的图像处理工作增加了难度。
[0003]颜色校正的目的便是解决设备在采集过程中出现的颜色失真问题，将拍摄图像呈现出的颜色尽可能还原至人眼所直观感知到的，即“所得即所见”。目前，多项式回归或者建立颜色校正矩阵的方法已广泛应用于相关领域，这些方法在颜色校正方面也取得了显著的效果。不过这些方法仅对颜色失真严重的图像能实现一定效果的还原，而针对相对严格的应用场景，如中草药分级、相近颜色分割时，其效果往往差强人意。此外，颜色补偿结合线性映射的方法也逐渐兴起，其颜色校正效果较好，但对于颜色失真严重的图像，尤其是部分细节丢失严重的水下图像，反而使其校正的有效性与鲁棒性大大降低，因此不具备广泛适用性。
[0004]近年来，机器学习逐渐兴起，并在数据分析、预测分类等相关领域大放光彩，为现今使用的许多生活服务提供了驱动力。为了解决上述方法存在的问题并将机器学习方法引入至图像颜色校正这一方向，研究人员一直在寻找一种理想的技术解决方案。
技术实现思路
[0005]本专利技术提供了一种基于组合模型的图像颜色校正方法、系统，使用机器学习中的集成学习思想，并在分配权重后将两种模型组合，使最终得到的模型拥有更高的精度，从而更好地还原图像的色彩，解决相机采集图像过程中产生的颜色失真问题。
[0006]本专利技术的技术方案是：一种基于组合模型的图像颜色校正方法，包括：
[0007]读取色卡上每个色块的L*ab值，依据转换矩阵将L*ab值转换为RGB值，将RGB值三通道分开，建立三通道的真实值数据集；
[0008]使用相机对色卡进行拍摄，并通过计算机分割出每个色块并读取每个色块的平均RGB值，将三通道分开，建立三通道的测量值数据集；
[0009]通过一种自适应增强算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R1、G1、B1颜色校正模型；
[0010]通过一种梯度提升决策树算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R2、G2、B2颜色校正模型；
[0011]分别分配R、G、B三通道对应的两个颜色校正模型的权重，组合为R组合、G组合、B组合三个组合模型，对图像进行颜色校正。
[0012]所述将L*ab值转换为RGB值时采用的转换矩阵是根据相机的参数进行选择的。
[0013]所述自适应增强算法具体过程如下：
[0014]S31、初始化样本集的权重：W1＝[w
1,1
,w
1,2
,
…
,w
1,i
,
…
,w
1,m
]，表示第1次迭代时第i个样本的权重，m为样本集中样本总个数；其中，样本集采用真实值数据集与测量值数据集构建；
[0015]S32、依据权重训练出第j个弱学习器G
j
(x)；
[0016]S33、计算最大误差：E
j
＝max|y
i
‑
G
j
(x)|；其中，E
j
表示第j次迭代时的最大误差，y
i
为第i个样本对应的真实值；
[0017]S34、计算每个样本的相对平方误差：其中，e
ji
表示第j次迭代时第i个样本的相对平方误差；
[0018]S35、计算误差率：其中，e
j
表示第j次迭代的误差率；
[0019]S36、计算弱学习器的系数：
[0020]S37、更新样本的权重分布：其中，Z
j
为归一化因子；
[0021]S38、重复上述S32至S37的过程直至训练出k个弱学习器；
[0022]S39、将获得的k个弱学习器进行加权组合，构建强学习器。
[0023]所述梯度提升决策树算法包括：
[0024]S41、将样本集中样本随机打乱，并估计样本预测结果的一阶和二阶梯度；
[0025]S42、用梯度估计构建一棵树的结构，最终每片叶子节点的阈值是通过整个样本确定的；
[0026]S43、在训练的过程中，通过将弱学习器串行实现集成，根据前一轮的学习结果持续地更替权重，以此不间断地降低因噪声而产生的偏差；
[0027]S44、最终，通过加权训练的所有弱学习器的回归值得到最终强学习器。
[0028]所述分配R、G、B三通道对应的两个颜色校正模型的权重，其确定权重的方法如下：其中，即表示第t个校正模型的预测值与真实值y
i
差值的平方和。
[0029]根据本专利技术的实施例的另一方面，还提供了一种基于组合模型的图像颜色校正系统，包括：
[0030]第一建立模块，用于读取色卡上每个色块的L*ab值，依据转换矩阵将L*ab值转换为RGB值，将RGB值三通道分开，建立三通道的真实值数据集；
[0031]第二建立模块，用于使用相机对色卡进行拍摄，并通过计算机分割出每个色块并读取每个色块的平均RGB值，将三通道分开，建立三通道的测量值数据集；
[0032]第一获取模块，用于通过一种自适应增强算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R1、G1、B1颜色校正模型；
[0033]第二获取模块，用于通过一种梯度提升决策树算法分别对三通道的真实值数据集
与测量值数据集拟合，进行参数寻优，得到参数最优的R2、G2、B2颜色校正模型；
[0034]校正模块，用于分别分配R、G、B三通道对应的两个颜色校正模型的权重，组合为R组合、G组合、B组合三个组合模型，对图像进行颜色校正。
[0035]本专利技术的有益效果是：本专利技术将图像像素点数值化，分别对三个通道的值进行针对性处理，建立的模型参数不同，使用机器学习的方法，获得了良好的颜色校正效果，较好地解决了设备采集图像颜色失真的问题，且根据相机设置参数的不同选取不同的转换矩阵，使转换后的值更精准。此外，将运用组合模型进行数据拟合的方法引入颜色校正领域，提高拟合精度，进一步提升颜色校正的效果。
附图说明
[0036]图1为本专利技术一种基于组合模型的图像颜色校正方法的流程示意图；
[0037]图2为本专利技术步骤S3中所使用的自适应增强方法的原理流程图；
[0038]图3为本专利技术步骤S4中所使用的梯度提升决策树算法一棵树的结构图；
[0039]图4为本专利技术与多项式回归方法、进行组合的两种单一模型校正后的色差折线图；
[0040]图5为任选十个色块，本专利技术与多项式回归方法、进行组合的两种单一模型校正后的颜色对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于组合模型的图像颜色校正方法，其特征在于：包括：读取色卡上每个色块的L*ab值，依据转换矩阵将L*ab值转换为RGB值，将RGB值三通道分开，建立三通道的真实值数据集；使用相机对色卡进行拍摄，并通过计算机分割出每个色块并读取每个色块的平均RGB值，将三通道分开，建立三通道的测量值数据集；通过一种自适应增强算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R1、G1、B1颜色校正模型；通过一种梯度提升决策树算法分别对三通道的真实值数据集与测量值数据集拟合，进行参数寻优，得到参数最优的R2、G2、B2颜色校正模型；分别分配R、G、B三通道对应的两个颜色校正模型的权重，组合为R组合、G组合、B组合三个组合模型，对图像进行颜色校正。2.根据权利要求1所述的基于组合模型的图像颜色校正方法，其特征在于：所述将L*ab值转换为RGB值时采用的转换矩阵是根据相机的参数进行选择的。3.根据权利要求1所述的基于组合模型的图像颜色校正方法，其特征在于：所述自适应增强算法具体过程如下：S31、初始化样本集的权重：W1＝[w
1,1
,w
1,2
,
…
,w
1,i
,
…
,w
1,m
]，表示第1次迭代时第i个样本的权重，m为样本集中样本总个数；其中，样本集采用真实值数据集与测量值数据集构建；S32、依据权重训练出第j个弱学习器G
j
(x)；S33、计算最大误差：E
j
＝max|y
i
‑
G
j
(x)|；其中，E
j
表示第j次迭代时的最大误差，y
i
为第i个样本对应的真实值；S34、计算每个样本的相对平方误差：其中，e
ji
表示第j次迭代时第i个样本的相对平方误差；S35...
【专利技术属性】
技术研发人员：沈楠翔，顾文娟，李志文，王洪成，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
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。