CN109274950B - 图像处理方法、装置及电子设备 - Google Patents
图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109274950B CN109274950B CN201811333022.4A CN201811333022A CN109274950B CN 109274950 B CN109274950 B CN 109274950B CN 201811333022 A CN201811333022 A CN 201811333022A CN 109274950 B CN109274950 B CN 109274950B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- training
- pairs
- recovery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种图像处理方法、装置及电子设备。其中,所述图像处理方法包括:将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种图像处理方法、装置及电子设备。
背景技术
当今的手机等移动设备上通常会配置双通(即可通可见光和红外光)前置摄像头,以同时解决两个问题:拍摄可见光照片和通过接受红外光来实现暗光下的人脸解锁。双通摄像头的采用可以减少模组开孔、降低硬件成本,但也带来了问题:由于两个拍摄场景利用了同一个前置摄像头,该摄像头很难在拍摄可见光照片时完全忽略红其它干扰光的响应。因此,可能导致拍摄的图像不是很清晰。
发明内容
有鉴于此,本发明实施例的目的在于提供一种图像处理方法、装置及电子设备。
第一方面,本发明实施例提供的一种图像处理方法,包括:
将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;
将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;
将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像。
可选地,所述将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像的步骤,包括:
将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像。
可选地,所述将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像的步骤,包括:
将所述第一级图像中的像素点的颜色值代入贝叶斯色彩恢复模型;
使用采用梯度下降法求代入所述颜色值的贝叶斯色彩恢复模型的最优解,得到第二级图像。
可选地,所述贝叶斯色彩恢复模型通过以下方式训练得到:
获得第一训练数据集,所述第一训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第一训练数据集中的图像使用所述转换矩阵进行转换,得到转换训练集;
将所述转换训练集输入贝叶斯模型中进行训练,以确定所述贝叶斯模型中的待确定参数,得到贝叶斯色彩恢复模型。
可选地,所述贝叶斯模型用以下公式实现:
P(Xgt|Xir)=P(Xir|Xgt)P(Xgt);
其中,
P(Xir|Xgt)=N(aXgt+b-Xir|0,σ1);
P(Xgt)=N(Xgt|μ,σ2);
其中,a,b,σ1,σ2,μ为待确定参数;Xir为有色偏图中像素的颜色值,Xgt为无色偏图中像素的颜色值。
可选地,所述第一训练数据集中包括四十至一百二十对训练图像对。
可选地,所述转换矩阵及所述恢复矩阵通过以下方式得到:
获得第二训练数据集,所述第二训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第二训练集中的图像进行主成分分析,得到差异分布的统计规律;
根据所述差异分布的统计规律得到RGB颜色空间到一XYZ隐式颜色空间的转换矩阵;
根据所述转换矩阵得到所述XYZ隐式颜色空间到RGB颜色空间的恢复矩阵。
可选地,所述将所述第二训练集中的图像进行主成分分析,得到差异分布的统计规律的步骤,包括:
将所述第二训练集中的每对训练图像的像素进行对齐处理,得到每对图像对的像素数据对;
根据所述像素数据对计算每对图像对的颜色差异;
对所述颜色差异进行主成分分析得到差异分布的统计规律。
可选地,所述第二训练数据集中包括四十至一百二十对训练图像对。
可选地,所述待处理图像为色偏图像,所述目标图像为无色偏图像。
第二方面,本发明实施例还提供一种图像处理装置,包括:
第一转换模块,用于将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;
处理模块,用于将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;
第二转换模块,用于将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像。
第三方面,本发明实施例还提供一种电子设备,包括:存储器以及处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中读取并运行所述计算机程序,以执行上述方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
与现有技术相比,本发明实施例的图像处理方法、装置及电子设备,通过将待处理图像先转向一隐式空间,再进行色彩恢复处理,将处理完成后的图像再恢复到原来的色彩空间,即可得到恢复色彩的图像,可以使图像的色彩更加的均匀。另外,由于一般原图像的色偏差是无规律,因此将待处理图像先转向一隐式空间,使图像数据中有偏差的相对有规律,然后再进行色偏的处理,可以更有效地实现色彩偏差恢复处理。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子设备的方框示意图。
图2为本发明实施例提供的图像处理方法的流程图。
图3为本发明实施例提供的图像处理方法中使用的贝叶斯色彩恢复模型的训练的流程图。
图4为本发明实施例提供的图像处理方法中使用的转换矩阵的训练的流程图。
图5为本发明实施例提供的图像处理装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
当今的手机等移动设备上通常会配置双通(即可通可见光和红外光)前置摄像头,由于两个拍摄场景利用了同一个前置摄像头,该摄像头很难在拍摄可见光照片时完全忽略红外光的响应(比如环境中有明显的热源存在),这种响应会引起可见光照片发生色偏现象。
经发明人研究发现,虽然说已经知道图像色彩偏差的存在,但是由于采集图像的环境、图像颜色、图像中的对象的颜色等因素,使得图像中的色偏在图像内是非线性的,直接的调整整幅图像的色彩很难局部的还原色偏。在此情况下,如何智能地纠正色偏还是一个难以解决的技术问题。
基于上述问题,发明人进行了进一步地研究,如果能够先解决图像中的色偏在图像内是非线性的问题的话,则色彩的偏差的问题也就迎刃而解。基于上述研究思路本申请提供多个实施例能够有效地实现色彩偏差的恢复,具体描述如下。
为便于对本实施例进行理解,首先对执行本申请实施例所公开的一种图像处理方法的电子设备进行详细介绍。
实施例一
首先,参照图1来描述用于实现本发明实施例的图像处理方法的示例电子设备100。该示例电子设备100可以是计算机,也可以是智能手机、平板电脑等移动终端。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104。可选地,电子设备100还可以包括输入装置106、输出装置108以及图像采集装置110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集装置110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的图像处理方法、装置及系统的示例电子系统中的各器件可以集成设置,也可以分散设置,诸如将处理器102、存储装置104、输入装置106和输出装置108集成设置于一体,而将图像采集装置110分离设置。
实施例二
请参阅图2,是本发明实施例提供的图像处理方法的流程图。本实施例中的图像处理方法可以由上述实施例中的电子设备执行。下面将对图2所示的具体流程进行详细阐述。
步骤S201,将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像。
其中,待处理图像为色偏图像,目标图像为无色偏图像。
本实施例中是将待处理图像的颜色空间进行转换。原始颜色空间可以是RGB颜色空间,设定颜色空间可以表示一隐式颜色空间。
每个像素点在RGB颜色空间上对应有红(R)、绿(G)、蓝(B)三个颜色通道的值。步骤S201可以是将每个像素点在RGB颜色空间的值转换至另一设定颜色空间。其中,另一设定颜色空间中可以使有色彩偏差图像与无色彩偏差图像的颜色变化呈近似线性关系。
详细地,可以将每个点理解成一个包括三个元素的向量,转换矩阵为一个3*3的矩阵,通过转换矩阵可以将RGB颜色空间上的像素点转换成另一颜色空间中的像素点。
步骤S202,将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像。
本实施例中,色彩恢复模型可以将第一级图像中的各个像素点的颜色向量进行处理计算,可以得到在转换矩阵对应的颜色空间中无色偏的像素点。
本实施例中,可以使用不同的图像处理方式,对色彩的偏差进行处理。
步骤S202可被实施为:将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像。
进一步地,将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像的步骤,包括:将所述第一级图像中的像素点的颜色值代入贝叶斯色彩恢复模型;使用采用梯度下降法求代入所述颜色值的贝叶斯色彩恢复模型的最优解,得到第二级图像。
具体地,由于叶斯色彩恢复模型的表达式是一个凸函数,该凸函数任一点均可导,需要求出凸函数中的一表示无色偏图像中的颜色值的参数,则可以使用梯度下降法求最优解以得到无色偏图像中的颜色值。
步骤S203,将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像。
其中,恢复矩阵与转换矩阵的乘积结果为一单位矩阵。通过恢复矩阵可以使用图像恢复到原来的颜色空间。
本实施例的图像处理装置通过将待处理图像先转向一隐式空间,再进行色彩恢复处理,将处理完成后的图像再恢复到原来的色彩空间,即可得到恢复色彩的图像,可以使图像的色彩更加的均匀。另外,由于一般原图像的色偏差是无规律,因此将待处理图像先转向一隐式空间,使图像数据中有偏差的相对有规律,然后再进行色偏的处理,可以更有效地实现色彩偏差恢复处理。有效地将一些不规律的色偏问题转化成有近似线性关系问题,从而实现简单高效的色偏处理。
本实施例中,以色彩恢复模型为叶斯色彩恢复模型为例,描述色彩恢复模型训练过程。
本实施例中,如图5所示,贝叶斯色彩恢复模型通过以下方式训练得到:
步骤S301,获得第一训练数据集。
其中,所述第一训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图。
第一训练数据集中包括四十至一百二十对训练图像对。例如,第一训练数据集可以选择四十对、五十对、七十对、一百对、一百二十对等。具体地本领域的技术人员可以按照需求选择。
贝叶斯色彩恢复模型的训练只需要确定模型中的多个待定参数,可使用较少的训练数据,则可以确定出待定参数的值。因此,贝叶斯色彩恢复模型的训练可以仅使用较少的计算资源。
步骤S302,将所述第一训练数据集中的图像使用所述转换矩阵进行转换,得到转换训练集。
步骤S303,将所述转换训练集输入贝叶斯模型中进行训练,以确定所述贝叶斯模型中的待确定参数,得到贝叶斯色彩恢复模型。
贝叶斯模型用以下公式实现:
P(Xgt|Xir)=P(Xir|Xgt)P(Xgt);
其中
P(Xir|Xgt)=N(aXgt+b-Xir|0,σ1);
P(Xgt)=N(Xgt|μ,σ2);
其中,a,b,σ1,σ2,μ为待确定参数;Xir为有色偏图中像素的颜色值,Xgt为无色偏图中像素的颜色值。
本实施例中,贝叶斯色彩恢复模型的训练与贝叶斯色彩恢复模型的使用可以不同时进行。可以预先一终端设备或服务器中训练好贝叶斯色彩恢复模型,在多个终端中使用贝叶斯色彩恢复模型对图像进行处理。
通过贝叶斯模型可以很好地解决图像色偏的问题,另外,贝叶斯模型也可以使用较少的训练数据就可以使用模型的训练,提高模型建立的处理的效率。
本实施例中,如图4所示,转换矩阵及所述恢复矩阵通过以下方式得到:
步骤S401,获得第二训练数据集。
其中,所述第二训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图。
步骤S402,将所述第二训练集中的图像进行主成分分析,得到差异分布的统计规律。
步骤S403,根据所述差异分布的统计规律得到RGB颜色空间到一XYZ隐式颜色空间的转换矩阵。
具体地,步骤S402实施为:将所述第二训练集中的每对训练图像的像素进行对齐处理,得到每对图像对的像素数据对;根据所述像素数据对计算每对图像对的颜色差异;对所述颜色差异进行主成分分析得到差异分布的统计规律。
由于色偏图可能被一些外界环境的影响,导致图像中的各个像素点与正常的图像存在颜色的偏差,因此通过上述的主成分分析可以得到色偏图与正常的图像之间的像素差异,从而根据像素差异可以分析出色偏图和原图的关系,通过大量的图像对的处理分析可以得出色偏图与无色偏图的普遍规律,在不需要大量的数据训练的情况下也能够实现规律的查找。
步骤S404,根据所述转换矩阵得到所述XYZ隐式颜色空间到RGB颜色空间的恢复矩阵。
其中,第二训练数据集中包括四十至一百二十对训练图像对。例如,第二训练数据集可以选择四十对、五十对、七十对、一百对、一百二十对等。具体地本领域的技术人员可以按照需求选择。
第二训练数据集可以与第一训练数据集是相同的数据集,也可以是不完全相同的数据集,也可以是完全不相同的数据集,具体可以按照实际情况选择。
其中,主成分分析是设法将原来众多具有一定相关性(比如P个指标),重新组合成一组新的互相无关的综合指标来代替原来的指标。其中,P个指标也可以成为变量,用于表示图像中的信息,例如,色彩信息、色偏信息、色彩组合等。
主成分分析,是考察多个变量间相关性一种多元统计方法,研究如何通过少数几个主成分来揭示多个变量间的内部结构,即从原始变量中导出少数几个主成分,使它们尽可能多地保留原始变量的信息,且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合,作为新的综合指标。
在一种实施方式中,可以使用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(F1)越大,表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息,再考虑选取F2即选第二个线性组合,为了有效地反映原来信息,F1已有的信息就不需要再出现在F2中,用数学语言表达就是要求Cov(F1,F2)=0,则称F2为第二主成分,依此类推可以构造出第三、第四,……,第P个主成分。
具体可以表示为以下步骤:
Fp=a1i*ZX1+a2i*ZX2+……+api*ZXp;
其中a1i,a2i,……,api(i=1,……,m)为X的协方差阵Σ的特征值所对应的特征向量,ZX1,ZX2,……,ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响。
A=(aij)p×m=(a1,a2,…am),Rai=λiai,R为相关系数矩阵,λi、ai是相应的特征值和单位特征向量,λ1≥λ2≥…≥λp≥0。
进行主成分分析主要步骤如下:
1.指标数据标准化(SPSS软件自动执行);
2.指标之间的相关性判定;
3.确定主成分个数m;
4.主成分Fi表达式;
5.主成分Fi命名。
通过使用主成分分析,可以使色偏图和无色偏图的颜色变化会呈现一个近似于线性的关系,从而可以更好地实现色偏处理。
根据上述的实施例提供的图像处理方法可以得到,虽然原始的待处理图像在RGB颜色空间上,色偏图和无色偏图的颜色差异是一个非线性关系,但是通过对有限数量的例子的主成分分析可以发现,该差异在某种隐式的颜色空间中近似为一个线性关系。基于这个观察,可以将颜色空间转到该隐式颜色空间中,进而在隐式颜色空间中将颜色的变化建模为估计贝叶斯后验概率的问题。在获得了RGB颜色空间到隐式颜色空间的变换关系以及贝叶斯模型的参数后即可对一张色偏图的原有颜色实现估计,估计出其本身概率最大的可能颜色,从而实现图像恢复。
实施例三
请参阅图5,是本发明实施例提供的图像处理装置的功能模块示意图。本实施例中的图像处理装置中的各个模块用于执行上述方法实施例中的各个步骤。所述图像处理装置包括:第一转换模块501、处理模块502以及第二转换模块503。
第一转换模块501,用于将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;
处理模块502,用于将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;
第二转换模块503,用于将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像。
作为一种可选的实施方式,处理模块502,还用于:
将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像。
本实施例中,贝叶斯色彩恢复模型通过以下方式训练得到:
获得第一训练数据集,所述第一训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第一训练数据集中的图像使用所述转换矩阵进行转换,得到转换训练集;
将所述转换训练集输入贝叶斯模型中进行训练,以确定所述贝叶斯模型中的待确定参数,得到贝叶斯色彩恢复模型。
本实施例中,贝叶斯模型用以下公式实现:
P(Xgt|Xir)=P(Xir|Xgt)P(Xgt);
其中
P(Xir|Xgt)=N(aXgt+b-Xir|0,σ1);
P(Xgt)=N(Xgt|μ,σ2);
其中,a,b,σ1,σ2,μ为待确定参数;Xir为有色偏图中像素的颜色值,Xgt为无色偏图中像素的颜色值。
作为一种可选的实施方式,第一训练数据集中包括四十至一百二十对训练图像对。
作为一种可选的实施方式,转换矩阵及所述恢复矩阵通过以下方式得到:
获得第二训练数据集,所述第二训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第二训练集中的图像进行主成分分析,得到差异分布的统计规律,根据所述差异分布的统计规律得到RGB颜色空间到一XYZ隐式颜色空间的转换矩阵;
根据所述转换矩阵得到所述XYZ隐式颜色空间到RGB颜色空间的恢复矩阵。
进一步地,上述的将所述第二训练集中的图像进行主成分分析,得到差异分布的统计规律可被实施为:将所述第二训练集中的每对训练图像的像素进行对齐处理,得到每对图像对的像素数据对;根据所述像素数据对计算每对图像对的颜色差异;对所述颜色差异进行主成分分析得到差异分布的统计规律。
作为一种可选的实施方式,第二训练数据集中包括四十至一百二十对训练图像对。
作为一种可选的实施方式,待处理图像为色偏图像,所述目标图像为无色偏图像。
关于本实施例的其它细节还可以进一步地参考上述方法实施例中的描述,在此不再赘述。
本发明实施例的图像处理装置,通过将待处理图像先转向一隐式空间,再进行色彩恢复处理,将处理完成后的图像再恢复到原来的色彩空间,即可得到恢复色彩的图像,可以使图像的色彩更加的均匀。另外,由于一般原图像的色偏差是无规律,因此将待处理图像先转向一隐式空间,使图像数据中有偏差的相对有规律,然后再进行色偏的处理,可以更有效地实现色彩偏差恢复处理。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法实施例中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;
将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;
将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像;
所述将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像的步骤,包括:
将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像;
所述贝叶斯色彩恢复模型通过以下方式训练得到:
获得第一训练数据集,所述第一训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第一训练数据集中的图像使用所述转换矩阵进行转换,得到转换训练集;
将所述转换训练集输入贝叶斯模型中进行训练,以确定所述贝叶斯模型中的待确定参数,得到贝叶斯色彩恢复模型。
2.如权利要求1所述的图像处理方法,其特征在于,所述贝叶斯模型用以下公式实现:
P(Xgt|Xir)=P(Xir|Xgt)P(Xgt);
其中
P(Xir|Xgt)=N(aXgt+b-Xir|0,σ1);
P(Xgt)=N(Xgt|μ,σ2);
其中,a,b,σ1,σ2,μ为待确定参数;Xir为有色偏图中像素的颜色值,Xgt为无色偏图中像素的颜色值。
3.如权利要求1所述的图像处理方法,其特征在于,所述第一训练数据集中包括四十至一百二十对训练图像对。
4.如权利要求1所述的图像处理方法,其特征在于,所述转换矩阵及所述恢复矩阵通过以下方式得到:
获得第二训练数据集,所述第二训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第二训练数据集中的图像进行主成分分析,得到差异分布的统计规律;
根据所述差异分布的统计规律得到RGB颜色空间到一XYZ隐式颜色空间的转换矩阵;
根据所述转换矩阵得到所述XYZ隐式颜色空间到所述RGB颜色空间的恢复矩阵。
5.如权利要求4所述的图像处理方法,其特征在于,所述将所述第二训练数据集中的图像进行主成分分析,得到差异分布的统计规律的步骤,包括:
将所述第二训练数据集中的每对训练图像的像素进行对齐处理,得到每对图像对的像素数据对;
根据所述像素数据对计算每对图像对的颜色差异;
对所述颜色差异进行主成分分析得到差异分布的统计规律。
6.如权利要求4所述的图像处理方法,其特征在于,所述第二训练数据集中包括四十至一百二十对训练图像对。
7.如权利要求1-6任意一项所述的图像处理方法,其特征在于,所述待处理图像为色偏图像,所述目标图像为无色偏图像。
8.一种图像处理装置,其特征在于,包括:
第一转换模块,用于将待处理图像通过转换矩阵,从原始颜色空间转换到设定颜色空间,得到第一级图像;
处理模块,用于将所述第一级图像使用色彩恢复模型进行色彩偏差恢复处理,得到第二级图像;
第二转换模块,用于将所述第二级图像使用与所述转换矩阵对应的恢复矩阵进行变换,从设定颜色空间转换到原始颜色空间,得到目标图像;
所述处理模块,还用于将所述第一级图像使用贝叶斯色彩恢复模型进行处理,得到第二级图像;
所述贝叶斯色彩恢复模型通过以下方式训练得到:
获得第一训练数据集,所述第一训练数据集包括多对训练图像对,每对训练图像对包括有色偏图及与该有色偏图对应的无色偏图;
将所述第一训练数据集中的图像使用所述转换矩阵进行转换,得到转换训练集;
将所述转换训练集输入贝叶斯模型中进行训练,以确定所述贝叶斯模型中的待确定参数,得到贝叶斯色彩恢复模型。
9.一种电子设备,其特征在于,包括:存储器以及处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中读取并运行所述计算机程序,以执行权利要求1~7任一项所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述的权利要求1~7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333022.4A CN109274950B (zh) | 2018-11-09 | 2018-11-09 | 图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333022.4A CN109274950B (zh) | 2018-11-09 | 2018-11-09 | 图像处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274950A CN109274950A (zh) | 2019-01-25 |
CN109274950B true CN109274950B (zh) | 2021-05-07 |
Family
ID=65192446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811333022.4A Active CN109274950B (zh) | 2018-11-09 | 2018-11-09 | 图像处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109274950B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267038B (zh) * | 2019-06-28 | 2022-07-29 | 广东中星微电子有限公司 | 编码方法及装置、解码方法及装置 |
CN114556897B (zh) * | 2019-10-18 | 2023-04-18 | 华为技术有限公司 | 原始到rgb的图像转换 |
CN111489385B (zh) * | 2020-04-08 | 2021-12-07 | 北京市商汤科技开发有限公司 | 双目立体匹配网络训练方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103957395A (zh) * | 2014-05-07 | 2014-07-30 | 电子科技大学 | 具有自适应能力的颜色恒常方法 |
CN104766276A (zh) * | 2014-01-07 | 2015-07-08 | 厦门美图网科技有限公司 | 一种基于颜色空间的偏色校正方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020256B2 (en) * | 2011-04-22 | 2015-04-28 | Exelis Inc. | System and method for combining color information with spatial information in multispectral images |
CN105303515B (zh) * | 2015-09-22 | 2018-06-26 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
CN107438178B (zh) * | 2016-05-25 | 2019-02-22 | 掌赢信息科技(上海)有限公司 | 一种图像色彩矫正方法及电子设备 |
-
2018
- 2018-11-09 CN CN201811333022.4A patent/CN109274950B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766276A (zh) * | 2014-01-07 | 2015-07-08 | 厦门美图网科技有限公司 | 一种基于颜色空间的偏色校正方法 |
CN103957395A (zh) * | 2014-05-07 | 2014-07-30 | 电子科技大学 | 具有自适应能力的颜色恒常方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109274950A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108754B (zh) | 重识别网络的训练、重识别方法、装置和系统 | |
CN105069424B (zh) | 面部快速识别系统和方法 | |
Iordache et al. | Collaborative sparse regression for hyperspectral unmixing | |
CN110431560B (zh) | 目标人物的搜索方法和装置、设备和介质 | |
Fridrich | Sensor defects in digital image forensic | |
CN109274950B (zh) | 图像处理方法、装置及电子设备 | |
KR101385599B1 (ko) | 몽타주 추론 방법 및 장치 | |
JPWO2010004958A1 (ja) | 個人認証システム、個人認証方法 | |
Zhu et al. | A novel visible-infrared image fusion framework for smart city | |
CN112085094B (zh) | 单证图像翻拍检测方法、装置、计算机设备和存储介质 | |
CN114627146A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Greco et al. | Gender recognition in the wild: a robustness evaluation over corrupted images | |
CN112749603A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
Ruchay et al. | Clustered impulse noise removal from color images with spatially connected rank filtering | |
Ding et al. | Full‐reference image quality assessment using statistical local correlation | |
US20170364740A1 (en) | Signal processing | |
CN114332556A (zh) | 训练样本筛选方法、装置、计算机设备和存储介质 | |
Ruchay et al. | Removal of impulse noise clusters from color images with local order statistics | |
Lyu et al. | Identifiability-guaranteed simplex-structured post-nonlinear mixture learning via autoencoder | |
CN115205157B (zh) | 图像处理方法和系统、电子设备和存储介质 | |
US11810385B2 (en) | Subject identification based on iterated feature representation | |
Khan | Canopy approach of image clustering based on camera fingerprints | |
Qian et al. | No-reference image sharpness assessment via difference quotients | |
Xiong et al. | Parametric ratio-based method for efficient contrast-preserving decolorization | |
CN114186039A (zh) | 一种视觉问答方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |