【技术实现步骤摘要】
本专利技术涉及图像处理领域，具体而言，涉及一种基于神经网络的跨相机图像白平衡方法和系统。
技术介绍
1、白平衡是数字图像处理中的一个重要步骤，用于调整图像的色温和色调，使其看起来更加自然和真实。基于深度学习的白平衡算法可以利用深度学习模型自动学习图像中的色温和色调信息，并对其进行调整。
2、现有的基于深度学习的白平衡算法已经有一定的研究和应用成果，但在实际应用中仍存在一些挑战和限制。
3、其中的一个问题就是，在现有的技术中，面对不同的相机，其光谱灵敏度曲线可能有很大的差异，在一款相机上训练的模型应用在另一个相机上效果会明显变差。而在深度学习算法中，每训练一个模型需要大量的训练数据和计算资源，以达到较好的性能和泛化能力。所以在针对不同的相机时会就需要重新收集大量图像数据并且重新训练，带来了较高的成本，在实际应用时较为复杂。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于神经网络的跨相机图像白平衡方法和系统，通过将不同相机拍摄的图片变换到同一个跨相机坐标系中，实现所述跨相机坐标系上训练的神经网络模型可以对不同相机所拍摄的图像进行白平衡处理。
2、具体的，本专利技术的技术方案如下：
3、第一方面，本专利技术公开一种基于神经网络的跨相机图像白平衡方法，包括如下步骤：
4、获取目标图像；标定所述目标图像对应的相机在所述对数色度空间下的普朗克线近似公式和色温色度关系公式；
5、将所述目标图像中多个像素块的r
6、建立跨相机坐标系，通过所述普朗克线近似公式和所述色温色度关系公式，将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，再转换为二维直方图；
7、将所述二维直方图，输入训练好的卷积神经网络中进行处理，输出光源估计色温数据；
8、将所述光源估计色温数据进行对数色度空间的格式逆转换，计算得到所述目标图像r通道的白平衡系数与b通道的白平衡系数；
9、将所述目标图像的r通道、b通道分别乘上对应的所述白平衡系数；获得白平衡后的目标图像。
10、在一些实施方式中，所述的标定所述目标图像对应的相机在所述对数色度空间下的普朗克线近似公式和色温色度关系公式，包括如下步骤：
11、获取所述相机在多个不同色温的光源下拍摄的多张灰卡图像，获取每张灰卡图像的rgb数据；
12、批量处理所述多张灰卡图像，将每个所述灰卡图像rgb数据转换为对数色度空间的格式，得到第一红绿色度、第一黄蓝色度和第一颜色亮度；
13、将所有的灰卡图像中所述第一红绿色度与所述第一黄蓝色度的对应关系进行拟合，得到所述相机在所述对数色度空间下的普朗克线近似公式；
14、获取每张所述灰卡图像中所述光源的色温，计算对应所述光源的第一微倒数色温；
15、将所有的灰卡图像中所述第一微倒数色温与所述第一红绿色度的对应关系进行拟合，得到所述相机在所述对数色度空间下的第一色温色度关系公式；
16、或，将所有的灰卡图像中所述第一微倒数色温与所述第一黄蓝色度的对应关系进行拟合，得到所述相机在所述对数色度空间下的第二色温色度关系公式。
17、在一些实施方式中，所述的将所述目标图像中多个像素块的rgb数据转换为对数色度空间的格式，包括如下步骤：
18、将所述目标图像划分为多个像素块，计算每个所述像素块的rgb平均数值；其中，每个所述像素块中至少包含一个像素点；
19、批量处理每个所述像素块，将所述像素块的rgb数据转换为对数色度空间的格式，得到每个所述像素块的第二红绿色度、第二黄蓝色度和第二颜色亮度。
20、在一些实施方式中，所述的建立跨相机坐标系，通过所述普朗克线近似公式和所述色温色度关系公式，将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，包括如下步骤：
21、批量处理每个所述像素块，在所述普朗克线近似公式的坐标系中，计算以所述第二红绿色度为横坐标，以所述第二黄蓝色度为纵坐标的点到所述普朗克线近似公式的垂点坐标及垂线段距离；
22、将所述垂点的横坐标带入所述第一色温色度关系公式，计算得到第二微倒数色温；
23、或，将所述垂点的纵坐标带入所述第二色温色度关系公式，计算得到第三微倒数色温；
24、建立跨相机坐标系；在所述跨相机坐标系中，所述像素块通过以所述第二微倒数色温或所述第三微倒数色温为横坐标，以所述垂线段距离为纵坐标的点来表示。
25、在一些实施方式中，所述的将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，再转换为二维直方图，包括如下步骤：
26、通过以下公式将所述跨相机坐标系中的所述目标图像转换为二维直方图：
27、
28、其中，i为任意一个像素块对应的编号；α为所述数据格的横向长度的1/2；β为所述数据格的纵向长度的1/2；t为任意一个像素块代表的点在所述跨相机坐标系中的横坐标；t为所述数据格的中心位置的横坐标；s为所述任意一个像素块代表的点在所述跨相机坐标系中的纵坐标；s为所述数据格中心位置的纵坐标；ly为所述任意一个像素块的颜色亮度。
29、在一些实施方式中，在将所述跨相机坐标系中的所述目标图像转换为二维直方图之后，还包括如下步骤：
30、通过以下公式对所述二维直方图进行强化，得到强化后的二维直方图：
31、
32、其中，m(t,s)为强化前的所述二维直方图。
33、在一些实施方式中，所述的将所述光源估计色温数据进行对数色度空间的格式逆转换，计算得到所述目标图像r通道的白平衡系数与b通道的白平衡系数，包括如下步骤：
34、将所述光源估计色温数据由二维直方图格式的一个坐标还原到所述跨相机坐标系中；再还原到对数色度空间的格式；
35、计算其中g/r的值和g/b的值；所述g/r的值为所述目标图像r通道的白平衡系数，所述g/b的值为所述目标图像b通道的白平衡系数。
36、在一些实施方式中，在将所述二维直方图，输入训练好的卷积神经网络中进行处理之前，还需要对所述卷积神经网络进行训练，包括如下步骤：
37、获取不同色温光源下，至少一个相机所拍摄的多张训练集图像；
38、将所述训练集图像转换为二维直方图的格式，并输入所述卷积神经网络进行训练，获得所述训练集图像的光源估计色温数据；
39、计算所述训练集图像的所述光源估计色温数据与其光源实际色温数据的交叉熵；将所述交叉熵作为所述卷积神经网络的损失函数；直至完成对所述卷积神经网络的训练。
40、在一些实施方式中，将rgb数据转换为对数色度空间的格式的公式如下：
41、
42、其中，lu为红绿色度；lv为黄蓝色度；ly为颜色亮度；
43、所述普朗克线近似公式如下：...
【技术保护点】
1.一种基于神经网络的跨相机图像白平衡方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的标定所述目标图像对应的相机在所述对数色度空间下的普朗克线近似公式和色温色度关系公式，包括如下步骤：
3.如权利要求2所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的将所述目标图像中多个像素块的RGB数据转换为对数色度空间的格式，包括如下步骤：
4.如权利要求3所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的建立跨相机坐标系，通过所述普朗克线近似公式和所述色温色度关系公式，将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，包括如下步骤：
5.如权利要求4所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，再转换为二维直方图，包括如下步骤：
6.如权利要求5所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，在将所述跨相机坐标系中的所述目标图像转换为二维直方
7.如权利要求1-6任一项所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的将所述光源估计色温数据进行对数色度空间的格式逆转换，计算得到所述目标图像R通道的白平衡系数与B通道的白平衡系数，包括如下步骤：
8.如权利要求1所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，在将所述二维直方图，输入训练好的卷积神经网络中进行处理之前，还需要对所述卷积神经网络进行训练，包括如下步骤：
9.如权利要求2所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，
10.一种基于神经网络的跨相机图像白平衡系统，其特征在于，所述系统通过权利要求1-9任一项所述的基于神经网络的跨相机图像白平衡方法，来实现图像白平衡，所述系统包括：
...【技术特征摘要】
1.一种基于神经网络的跨相机图像白平衡方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的标定所述目标图像对应的相机在所述对数色度空间下的普朗克线近似公式和色温色度关系公式，包括如下步骤：
3.如权利要求2所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的将所述目标图像中多个像素块的rgb数据转换为对数色度空间的格式，包括如下步骤：
4.如权利要求3所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的建立跨相机坐标系，通过所述普朗克线近似公式和所述色温色度关系公式，将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，包括如下步骤：
5.如权利要求4所述的一种基于神经网络的跨相机图像白平衡方法，其特征在于，所述的将对数色度空间格式下的所述目标图像转换到所述跨相机坐标系中，再转换为二维直方图，包括如下步骤：...
【专利技术属性】
技术研发人员：周炜宗，隋庆成，李珂，
申请(专利权)人：上海为旌科技有限公司，
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。