[发明专利]一种基于深度学习的图像颜色矫正方法

说明书

本发明公开了一种基于深度学习的图像颜色校正方法，属于深度学习和计算机视觉领域。首先，收集不同光照环境下的图像数据构建色偏图像数据集。之后，对数据进行数据增强和预处理，使数据符合神经网络训练要求。然后，构建一种Encoder‑Decoder结构的基础卷积神经网络，并依据该基础神经网络构建级联的卷积神经网络。同时，针对级联神经网络的特点，设计了特定的神经网络损失函数。通过训练之后，该级联卷积神经网络可将一张色偏的原图片转化为无色偏的图片。本方法不需要进行先验的假设，可快速实时检测，能够应用到各种自动化图像色偏矫正系统和设备中，不仅避免了人工校正的主观性，同时大大提高了矫正效率，减轻了人工矫正负担，提升了图像色偏矫正的准确性。

技术领域

本发明涉及一种基于深度学习的图像颜色矫正方法，属于深度学习图像处理技术领域。

背景技术

在生活中拍摄照片的过程中，即使对同样的一个场景进行拍照，在不同的拍照设置、光照环境、图像收集设备下，拍摄出来的图像效果也不尽相同。而带有色偏的图像往往会给很多实际生产任务带来困扰，例如，水下考察时拍摄的图像往往由于光线的衰减和水环境的影响，拍摄出来的图片模糊而又发暗，不能很好的反映出真实的水下情况，从而影响科研考察结果；在拍摄室内写真或照片宣传册时，室内人造光源的色温不同可能会让整体图像的颜色偏暖或偏冷，使宣传图片偏离真实情况。此外，若天气处于阴雨天气，很有可能拍摄出来的图片模糊又昏暗，造成拍摄不清。因此，需要一种能适应于各种任务的颜色矫正方法，来解决图片问题。

颜色校正是图像领域中的一个重要的技术问题。现有的颜色校正方法中，主要采用静态的、基于假设的处理方法。例如，当面对光照不足时，可以采用直方图均衡化方法；当光源发生色偏时，可以采取灰度世界算法或镜面反射算法。但是，这些算法是相互割裂的，往往需要按照一定顺序结合起来使用，而在结合的过程中又会相互制约影响校正效果。此外，这些算法往往需要基于某些假设才能够使用，例如，灰色世界算法假设对于一副有大量色彩变化的RGB图像，三个分量的平均值趋向于同一个灰度值Gray，这对于颜色单一的图片显然不适合。

综上所述，研究一种新的关于颜色校正技术，具有重要意义。但是，目前图像色偏矫正技术不多，已有方法距离满足实际精度要求尚有差距。

发明内容

本发明的目的是为了克服现有的图像颜色矫正技术存在的不足，提出一种基于深度学习的图像颜色校正方法，包括以下步骤：

步骤1：获取图像数据。

具体如下：

步骤1.1：使用图像采集设备对目标场景进行拍照。对于同一场景，拍照应该在标准光照环境和非标准光照环境下同时进行拍照，标准光照环境指应该在D65光源的充分照射下拍照，非标准光照环境包括但不限于过暗或过亮、曝光过度或不足、其他不同色温的光源。

步骤1.2：对于收集到的图片进行标注。对于同一场景拍摄到的图像，要分别标注哪些是标准光照环境拍照得到的，哪些是非标准光照环境拍照得到的，同时构建成对的数据集，存入数据库中。

步骤2：对所获取到的图像数据集进行数据增强和数据预处理。

具体如下：

步骤2.1：对所获得的图像数据，以图片中心进行下采样，得到像素值为固定像素大小的图像。

步骤2.2：对下采样过后的图像数据进行镜像反转、旋转、扭曲和随机裁剪，进行数据增强。

进一步地，所述步骤2.2中数据增强的方法为：

步骤2.2.1：对图像数据进行水平和垂直镜像反转，进行数据扩增。

步骤2.2.2：进行旋转操作。包括对原图像进行顺时针旋转，进行数据扩增。

步骤2.2.3：进行剪裁操作。通过滑动窗口的方式在原始图像上进行随机游走进行剪裁，其中，剪裁的次数为5-10次。