一种基于支持向量回归的图像光照校正方法技术

本发明专利技术公开了一种基于支持向量回归的图像光照校正方法，本发明专利技术步骤：准备数据集并进行预处理；数据集预处理；

【技术实现步骤摘要】
一种基于支持向量回归的图像光照校正方法


[0001]本专利技术属于图像光照校正
，具体涉及一种一种基于支持向量回归的图像光照校正方法
。

技术介绍

[0002]目前，拍照成像的应用范围越来越广，并且在许多的工程作业中，对照片的要求越来越高，但是拍照成像会受到环境等因素的影响
。
大部分通过图像传感器设备拍摄出来的图像会有存在颜色误差的情况，这对工程作业造成巨大的干扰
。
因此为了消除外界环境光照对摄影成像的影响，恢复物体真实的颜色，从而为计算机视觉的相关工程任务提供准确的颜色信息至关重要
。
[0003]当前在图像光照校正
中，常用的卷积神经网络有以下几种，如
ResNet、EfficientNet、GooleNet
等典型的神经网络
。ResNet
具有更深的网络结构
、
能有效利用资源的优点，但容易出现过拟合
、
可解释性差
、
参数量大
。GooleNet
的神经结构较为简单，可能无法适应生产需要
。EfficientNet
具有高精度
、
高效性
、
可扩展性的特征，但也存在训练时间长
、
不适合小数据集
、
参数量大的缺点
。SVR(
支持向量回归
)
模型对于数据中的噪声和异常值具有较好的鲁棒性，但若不能很好的调节超参数，容易陷入过拟合，影响其预测性能
。
因此亟需提出一种具备优秀预测性能的基于支持向量回归的图像光照校正方法
。

技术实现思路

[0004]本专利技术的目的在于针对现有光照校正模型预测精度较低，容易过拟合，泛化能力较弱等问题，提出一种基于基菲克定律算法
(FLA)
优化的支持向量回归
(SVR)
的图像光照校正方法，以实现光照校正工作的高效性
、
准确性，为计算机视觉工程任务提供真实的物体颜色数据
。
[0005]本专利技术提供一种基于支持向量回归的图像光照校正方法，包括下列步骤：
[0006]步骤1：获取图像，形成数据集并进行预处理
[0007]所述图像包括室内
、
室外
、
阴天
、
晴天条件下的拍摄得到的照片，将所述照片的长宽大小全部都设置为
224
×
224
，经过正则化处理，映射到正态分布函数之下，再转换为用于输入到
DenseNet201
模型中的矩阵；
[0008]步骤2：得到基于迁移学习的
DenseNet201
特征提取网络
[0009]使用
ImageNet
数据集预训练获得初始网络模型
DenseNet201
的权重参数，
[0010]对所述初始网络模型
DenseNet201
进行迁移学习，并对所述初始网络模型
DenseNet201
网络参数进行微调，得到
DenseNet201
特征提取网络；
[0011]步骤3：使用所述
DenseNet201
特征提取网络进行图像特征提取
[0012]将步骤1中得到的所述数据集分为训练集和测试集，将训练集中的数据输入步骤2中得到的所述
DenseNet201
特征提取网络，并进行
PCA
降维，最后保存图像光照特征；
[0013]所述
PCA
降维的维度是一个需要调整的参数，通过调整降维的维度来找使得预测
结果误差最小的
PCA
降维的维度；
[0014]步骤4：使用
FLA
算法优化
SVR
模型
[0015](4.1)
获取
FLA
算法参数，并由
FLA
算法优化
SVR
模型，获得
SVR
模型的惩罚因子
、
核参数以及软边界；
[0016]所述
FLA
算法参数包括种群数量和迭代次数；
[0017]所述惩罚因子用于保证
SVR
性能和稳定性，所述核参数是
SVR
中用于定义核函数的参数，选择适当的核参数能够提高模型的泛化性能，所述软边界是
SVR
中的一个特性，指允许一定量的误差存在于支持向量与决策边界之间；
[0018](4.2)
使用步骤3中得到的所述图像光照特征，结合
FLA
算法，将
SVR
模型的惩罚因子
、
核参数以及软边界设置为步骤
(4.1)
所获得的值，得到
FLA
‑
SVR
模型，训练所述
FLA
‑
SVR
模型，得到训练后的
FLA
‑
SVR
模型；
[0019]步骤5：获取将待处理图像，使用训练后的
FLA
‑
SVR
模型进行处理，得到待处理图像的
R、G、B
值，通过对角矩阵变换还原图像，输出光照校正结果
。
[0020]优选的，所述步骤1中，获取的所述图像来源于
Cube++
数据集；
。
[0021]优选的，所述步骤1中，所述误差最小的
PCA
降维的维度为
60。
[0022]优选的，所述步骤4中，获取所述
FLA
算法参数，包括以下步骤：
[0023]将种群数量设置为
10、20、30、40、50
，迭代次数设置为
10、15、20、25、30
，对不同的种群数量和迭代次数进行组合，以得到不同的组合对预测精度误差的影响，
[0024]选择所述测试集中图片的
R
和
G
值的均方误差用于判断算法预测的精度；用
R
和
G
值的均方根误差作为适应度函数：
[0025][0026][0027][0028]其中，
R Value Test Err
为
R
值的均方误差，
G Value Test Err
为
G
值的均方误差，
n
为样本数量，
r
i
‑
pt
和
g
i
‑
pt
为
R
值和
G
值的预测值，
r
i
‑
rl
和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于支持向量回归的图像光照校正方法，其特征在于，该方法包括下列步骤：步骤1：获取图像，形成数据集并进行预处理所述图像包括室内
、
室外
、
阴天
、
晴天条件下的拍摄得到的照片，将所述照片的长宽大小全部都设置为
224
×
224
，经过正则化处理，映射到正态分布函数之下，再转换为用于输入到
DenseNet201
模型中的矩阵；步骤2：得到基于迁移学习的
DenseNet201
特征提取网络使用
ImageNet
数据集预训练获得初始网络模型
DenseNet201
的权重参数，对所述初始网络模型
DenseNet201
进行迁移学习，并对所述初始网络模型
DenseNet201
网络参数进行微调，得到
DenseNet201
特征提取网络；步骤3：使用所述
DenseNet201
特征提取网络进行图像特征提取将步骤1中得到的所述数据集分为训练集和测试集，将训练集中的数据输入步骤2中得到的所述
DenseNet201
特征提取网络，并进行
PCA
降维，最后保存图像光照特征；所述
PCA
降维的维度是一个需要调整的参数，通过调整降维的维度来找使得预测结果误差最小的
PCA
降维的维度；步骤4：使用
FLA
算法优化
SVR
模型
(4.1)
获取
FLA
算法参数，并由
FLA
算法优化
SVR
模型，获得
SVR
模型的惩罚因子
、
核参数以及软边界；所述
FLA
算法参数包括种群数量和迭代次数；所述惩罚因子用于保证
SVR
性能和稳定性，所述核参数是
SVR
中用于定义核函数的参数，选择适当的核参数能够提高模型的泛化性能，所述软边界是
SVR
中的一个特性，指允许一定量的误差存在于支持向量与决策边界之间；
(4.2)
使用步骤3中得到的所述图像光照特征，结合
FLA
算法，将
SVR
模型的惩罚因子
、
核参数以及软边界设置为步骤
(4.1)
所获得的值，得到
FLA
‑
SVR
模型，训练所述
FLA
‑
SVR
模型，得...

【专利技术属性】
技术研发人员：周志宇，温景淇，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：