CN110267024A

CN110267024A - 调整电视白平衡值的方法、装置和计算机可读存储介质

Info

Publication number: CN110267024A
Application number: CN201910686516.9A
Authority: CN
Inventors: 蒋明珠
Original assignee: Huizhou Shiwei New Technology Co Ltd
Current assignee: Huizhou Shiwei New Technology Co Ltd
Priority date: 2019-07-26
Filing date: 2019-07-26
Publication date: 2019-09-20
Also published as: WO2021018001A1

Abstract

本发明公开了一种调整电视白平衡值的方法。该方法包括：获得待调整电视的显示图像；根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值；将所述白平衡值发送给对应的待调整电视，以使得所述待调整电视根据所述白平衡值进行白平衡值调整。本发明还公开了一种调整电视白平衡值的装置及计算机可读存储介质。本发明能够实现提供一种基于深度学习的调整速度更快的调整电视白平衡值的方法。

Description

调整电视白平衡值的方法、装置和计算机可读存储介质

技术领域

本发明涉及电视图像领域，尤其涉及一种调整电视白平衡值的方法、装置和计算机可读存储介质。

背景技术

在液晶电视生产过程中，为了适应不同人群对颜色的主观感受，每一台电视在出厂前都需要进行白平衡的调整。白平衡值的调整是对电视画面进行色彩的一种调整，使电视能体现画面的真实色彩情况。随着数字电视的普及，市场对数字电视的色彩效果提成了更高的要求，因此电视白平衡值的调整是现在电视生产过程中的一个重要部分。

目前，调整电视白平衡值的方法是利用白平衡调整工位进行人工手动调整白平衡值。该方法进行每台电视白平衡值的调整需要耗费大量的时间，浪费巨大的人力成本，使得电视机的生产经济效率低，无法迎合目前电视生产高效率快节奏的需求。

发明内容

本发明的主要目的在于提供一种调整电视白平衡值的方法、装置和计算机可读存储介质，旨在实现提供一种调整速度更快的调整电视白平衡值的方法。

为实现上述目的，本发明提供一种调整电视白平衡值的方法，所述调整电视白平衡值的方法包括以下步骤：

获得待调整电视的显示图像；

根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值；

将所述白平衡值发送给对应的待调整电视，以使得所述待调整电视根据所述白平衡值进行白平衡值调整。

可选地，所述根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值的步骤包括：

对所述显示图像进行处理，获得所述显示图像各像素点的RGB值；

根据预先训练得到的网络模型对所述RGB值进行计算，获得所述显示图像对应的白平衡值。

可选地，所述根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值的步骤之前还包括：

获得第一预设数量的训练图像样本数据，所述训练图像样本数据包括第一原始图像和分别对应的第一白平衡数据；

根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型；

对所述训练网络模型的准确度进行校验，根据校验结果获得所述最优参数网络模型。

可选地，所述根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型的步骤包括：

通过卷积层对所述训练图像样本数据进行提取特征；

对所述卷积层提取的特征进行池化处理，获得池化特征；

根据池化特征进行迭代计算，获得训练网络模型。

可选地，所述对所述训练网络模型的准确度进行校验，根据校验结果获得所述最优参数网络模型的步骤包括：

获得第二预设数量的校验图像样本数据，所述校验图像样本数据包括第二原始图像和分别对应的第二白平衡数据；

将所述第二电视原始图像代入训练网络模型进行计算，获得所述第二电视原始图像的第三白平衡值；

将所述第三白平衡值与所述第二白平衡数据进行比较，判断所述训练网络模型的准确度；

如果准确度小于预设准确度，则重新执行步骤：根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型，直到准确度大于预设准确度；

如果准确度大于预设准确度，则将所述训练网络模型作为最优参数网络模型。

可选地，所述将所述第三白平衡值与所述第二白平衡数据进行比较，判断所述训练网络模型的准确度的步骤包括：

统计所述第三白平衡值与所述第二白平衡数据相同的个数所占的比例；

将所述比例与预设阈值进行比较，判断所述训练网络模型的准确度。

可选地，所述获得待调整电视的显示图像的步骤包括：

对需要调整的电视发送电视图片，以使得电视将所述电视图片在电视显示屏上进行显示；

对摄像机发送拍摄指令，以使得摄像机对所述电视显示屏进行拍摄，获得拍摄的电视图像；

接收所述摄像机发送的电视图像，并将所述电视图像作为待调整电视的显示图像。

可选地，所述电视图片为80％灰场图片。

此外，为实现上述目的，本发明还提供一种调整电视白平衡值的装置，所述调整电视白平衡值的装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的调整电视白平衡值的程序，所述调整电视白平衡值的程序被所述处理器执行时实现如上所述的调整电视白平衡值的方法的步骤。

此外，为实现上述目的，本发明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调整电视白平衡值的程序，所述调整电视白平衡值的程序被处理器执行时实现上述的调整电视白平衡值的方法的步骤。

本发明提供一种调整电视白平衡值的方法、装置和计算机存储介质。在该方法中，获得待调整电视的显示图像；根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值；将所述白平衡值发送给对应的待调整电视，以使得所述待调整电视根据所述白平衡值进行白平衡值调整。通过上述方式，本发明能够通过预先训练好的基于深度学习的最优参数网络模型对需要调整的电视图像进行智能计算，快速的获得需要调整的电视的需要调整的白平衡数据，从而能够使电视根据该白平衡数据进行调整，以软件计算的方式取代原本的人工反复调整白平衡数据的方式，能显著加快调整电视白平衡值的速度，提高电视生产过程中的效率。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；

图2为本发明调整电视白平衡值的方法第一实施例的流程示意图；

图3为本发明调整电视白平衡值的方法第二实施例的流程示意图；

图4为本发明调整电视白平衡值的方法第三实施例的流程示意图；

图5为本发明调整电视白平衡值的方法第四实施例的流程示意图；

图6为本发明调整电视白平衡值的方法第五实施例的流程示意图；

图7为本发明调整电视白平衡值的方法第六实施例的流程示意图；

图8为本发明调整电视白平衡值的方法第七实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、便携计算机等具有数据处理功能的终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、Wi-Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及调整电视白平衡值的程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的调整电视白平衡值的程序，并执行以下操作：

获得待调整电视的显示图像；

进一步地，处理器1001可以调用存储器1005中存储的调整电视白平衡值的程序，还执行以下操作：

通过卷积层对所述训练图像样本数据进行提取特征；

对所述卷积层提取的特征进行池化处理，获得池化特征；

根据池化特征进行迭代计算，获得训练网络模型。

所述电视图片为80％灰场图片。

本发明调整电视白平衡值的设备的具体实施例与下述调整电视白平衡值的方法各实施例基本相同，在此不作赘述。

参照图2，图2为本发明调整电视白平衡值的方法第一实施例的流程示意图，所述调整电视白平衡值的方法包括：

步骤S100，获得待调整电视的显示图像；

本实施例为一种对电视进行白平衡值调整的方法。在电视生产过程中，由于生产的每台电视的屏幕存在细微差别，且因为电视背光的影响，需要对电视进行白平衡值调整。即对每台电视不断调整电视图像的RGB值，使该RGB对应的电视图像色温为标准色温，通过调整电视RGB值使电视图像的色温为标准色温的过程就是我们所说的调整电视白平衡值的过程。在本实施例中，显示图像可以为电视外接摄像机对待调整电视的屏幕进行拍摄直接发送过来的图像，也可以为摄像机通过其他设备间接发送过来的图像，也可以为电视机获取自身屏幕显示的图像后发送过来的图像，本发明实施例对显示图像的获取方式不作限定。

步骤S200，根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值；

本实施例中的网络模型为卷积神经网络模型，该模型为根据一定数量的初始值下电视原始图像，和对应的已调好的白平衡数据，通过放入卷积神经网络中进行训练，得到的带有大量特定参数的网络模型。因为该网络模型中的百万数量级参数是与该电视原始图像和对应的白平衡数据通过训练对应得到的，所以该网络模型是与电视原始图像和对应的白平衡数据对应匹配的独有的一个模型，通过训练得到的该模型能通过深度学习提取特征等过程获得电视原始图像和对应的白平衡数据的特征规律，通过该规律即该模型能计算出其他电视原始图像所需要调整的RGB值。因此，获得需要调整的电视的显示图像后，根据该模型对显示图像进行计算，可以得到计算出来的该显示图像对应的RGB值即白平衡值。

步骤S300，将所述白平衡值发送给对应的待调整电视，以使得所述待调整电视根据所述白平衡值进行白平衡值调整。

通过该网络模型计算出电视需要进行调整的白平衡值后，将该白平衡值发送给对应的需要调整的电视，使得该电视进行白平衡值的调整。从而达到调整电视白平衡值的目的。本发明可以通过WIFI连接电视的方式发送给电视，可以通过有线数据线连接电视的方式发送给电视，本实施例对白平衡值的发送方式不作限定。

请参阅图3，图3为本发明调整电视白平衡值的方法第二实施例的流程示意图。

基于上述实施例，本实施例中，步骤S200包括：

步骤S210，对所述显示图像进行处理，获得所述显示图像各像素点的RGB值；

在本发明实施例中，先对显示图像进行图像处理，获得显示图像中每个像素点的RGB值。RGB色彩模式是一种颜色标准，RGB代表红、绿、蓝三个通道的颜色，每个像素点对应有各自的RGB值，因此，获得的是多个RGB值数据集。

步骤S220，根据预先训练得到的网络模型对所述RGB值进行计算，获得所述显示图像对应的白平衡值。

根据预先训练得到的网络模型对该显示图像的RGB值利用卷积核进行特征提取，获得特征数据，并对该特征数据进行池化后即减少特征数据的个数并与网络模型中的其他预设参数进行计算，获得计算出来的与该显示图像对应的白平衡值。

请参阅图4，图4为本发明调整电视白平衡值的方法第三实施例的流程示意图。

基于上述实施例，本实施例中，步骤S200之前还包括：

步骤S010，获得第一预设数量的训练图像样本数据，所述训练图像样本数据包括第一原始图像和分别对应的第一白平衡数据；

在本实施例中，获得第一预设数量的训练图像样本数据，该训练图像样本数据包含该数量的原始图像和对应的该数量的白平衡数据。该白平衡数据为通过手工调整好的与该原始图像对应的白平衡数据，即通过传统方法得到的正确的白平衡数据，该数量的训练图像样本数据用于训练网络模型。

步骤S020，根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型；

在获得训练图像样本数据后，将该训练图像样本数据放入预设的原始的卷积神经网络模型中进行训练，即通过多个卷积核进行卷积提取特征，池化减少卷积层提取的特征的个数等反复操作，得到含有特定参数的训练网络模型。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。卷积神经网络是一种深度前馈人工神经网络，已成功地应用于其他领域。

步骤S030，对所述训练网络模型的准确度进行校验，根据校验结果获得所述最优参数网络模型。

通过对一定数量的训练图像样本数据经过训练获得该训练网络模型后，需要对该训练网络模型进行准确度校验，判断该模型的准确度。若该模型的准确度满足要求，则获得我们需要的训练好的最优参数网络模型，若该模型的准确度不满足要求，则需要返回继续调节参数进行训练，直到该网络模型的准确度满足要求为止。

请参阅图5，图5为本发明调整电视白平衡值的方法第四实施例的流程示意图。

基于上述实施例，本实施例中，步骤S020包括：

步骤S021，通过卷积层对所述训练图像样本数据进行提取特征；

本实施例中，通过卷积层对所述训练图像样本数据进行提取特征，即对训练图像样本数据中各个像素点的RGB值进行特征提取，获得该训练图像样本数据的特征数据。

步骤S022，对所述卷积层提取的特征进行池化处理，获得池化特征；

在获得该训练图像样本数据的特征数据后，对该训练图像样本数据的特征数据进行池化处理，得到池化后的池化特征。

步骤S023，根据池化特征进行迭代计算，获得训练网络模型。

通过对池化特征进行迭代计算即反复训练计算，当训练出来的网络模型能针对该训练图像样本数据满足一定的要求时，则获得训练网络模型。

请参阅图6，图6为本发明调整电视白平衡值的方法第五实施例的流程示意图。

基于上述实施例，本实施例中，步骤S030包括：

步骤S031，获得第二预设数量的校验图像样本数据，所述校验图像样本数据包括第二原始图像和分别对应的第二白平衡数据；

在本实施例中，获得第二预设数量的校验图像样本数据，该校验图像样本数据包含一定数量的原始图像和对应的该数量的白平衡数据。该白平衡数据为通过手工调整好的与该原始图像对应的白平衡数据，即通过传统方法得到的正确的白平衡数据，该数量的校验图像样本数据用于校验该训练网络模型的准确度。

步骤S032，将所述第二电视原始图像代入训练网络模型进行计算，获得所述第二电视原始图像的第三白平衡值；

在获得该校验图像样本数据后，将该校验图像样本数据输入该训练网络模型中进行计算，得到通过该训练网络模型计算出来的计算白平衡值，该计算白平衡值为第三白平衡值。

步骤S033，将所述第三白平衡值与所述第二白平衡数据进行比较，判断所述训练网络模型的准确度；

将该计算出来的第三白平衡值与传统方法手工调整得到的第二白平衡数据进行比较，判断通过该训练网络模型计算结果的准确度。

如果准确度小于预设准确度，则重新执行步骤S020：根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型，直到准确度大于预设准确度；

如果准确度大于预设准确度，则执行步骤S034，将所述训练网络模型作为最优参数网络模型。

如果该准确度小于预设准确度，则修改参数继续进行训练，得到训练网络模型，直到该训练网络模型的准确度大于预设的准确度为止。如果该准确度大于预设的准确度后，则该训练网络模型训练完成，将该训练网络模型作为训练好的最优参数网络模型。

请参阅图7，图7为本发明调整电视白平衡值的方法第六实施例的流程示意图。

基于上述实施例，本实施例中，步骤S033包括：

步骤S035，统计所述第三白平衡值与所述第二白平衡数据相同的个数所占的比例；

本发明实施例为将所述第三白平衡值与所述第二白平衡数据进行比较，判断所述训练网络模型的准确度的一个细化实施例。本实施例中，统计该第三白平衡值与手工调整得到的第二白平衡数据相同的个数所占的比例。如有2000个校验图像样本数据，通过计算得到2000个第三白平衡值，并获得该校验图像样本数据中的通过手工调整得到的2000个第二白平衡数据，统计两者之间的相同的个数，并计算得到该相同个数在2000个数据中所占的比例，获得比例值。

步骤S036，将所述比例与预设阈值进行比较，判断所述训练网络模型的准确度。

在获得比例值后，将该比例值与预设的阈值进行比较来判断该训练网络模型的准确度，比如预设阈值为80％，若2000个数据中有1800个数据是一样的，即比例值为90％，则与预设阈值80％比，满足要求，则该训练网络模型的准确度符合要求。

请参阅图8，图8为本发明调整电视白平衡值的方法第七实施例的流程示意图。

基于上述实施例，本实施例中，步骤S100包括：

步骤S110，对需要调整的电视发送电视图片，以使得电视将所述电视图片在电视显示屏上进行显示；

本实施例为获得待调整电视的显示图像的一个细化实施例，本实施例中，通过向需要调整的电视发送电视图片，该电视图片为80％灰场图片。使得电视将该电视图片在电视显示屏上进行显示。实验证明，80％灰场图片相较于其他图片比如100％灰场图片测试出来的色温是较为准确的。

步骤S120，对摄像机发送拍摄指令，以使得摄像机对所述电视显示屏进行拍摄，获得拍摄的电视图像；

将该电视图片在电视显示屏上进行显示后，通过外接摄像机对准电视屏幕中心位置，并拍摄512×512大小的图像。得出此台白平衡数据为初始值下电视原始图像。

步骤S130，接收所述摄像机发送的电视图像，并将所述电视图像作为待调整电视的显示图像。

接收电视发送的该初始值下电视原始图像，并将该电视图像作为待调整电视的显示图像。

此外，本发明实施例还提出一种计算机可读存储介质。

本发明计算机可读存储介质上存储有调整电视白平衡值的程序，所述调整电视白平衡值的程序被处理器执行时实现如上所述的调整电视白平衡值的方法的步骤。

其中，在所述处理器上运行的调整电视白平衡值的程序被执行时所实现的方法可参照本发明调整电视白平衡值的方法各个实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种调整电视白平衡值的方法，其特征在于，所述调整电视白平衡值的方法包括以下步骤：

获得待调整电视的显示图像；

2.如权利要求1所述的调整电视白平衡值的方法，其特征在于，所述根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值的步骤包括：

3.如权利要求1所述的调整电视白平衡值的方法，其特征在于，所述根据预先训练得到的最优参数网络模型对所述显示图像进行计算，获得对应的白平衡值的步骤之前还包括：

4.如权利要求3所述的调整电视白平衡值的方法，其特征在于，所述根据所述训练图像样本数据和预设的卷积神经网络模型进行训练，获得训练网络模型的步骤包括：

通过卷积层对所述训练图像样本数据进行提取特征；

对所述卷积层提取的特征进行池化处理，获得池化特征；

根据池化特征进行迭代计算，获得训练网络模型。

5.如权利要求3所述的调整电视白平衡值的方法，其特征在于，所述对所述训练网络模型的准确度进行校验，根据校验结果获得所述最优参数网络模型的步骤包括：

6.如权利要求5所述的调整电视白平衡值的方法，其特征在于，所述将所述第三白平衡值与所述第二白平衡数据进行比较，判断所述训练网络模型的准确度的步骤包括：

7.如权利要求1所述的调整电视白平衡值的方法，其特征在于，所述获得待调整电视的显示图像的步骤包括：

8.如权利要求7所述的调整电视白平衡值的方法，其特征在于，所述电视图片为80％灰场图片。

9.一种调整电视白平衡值的装置，其特征在于，所述调整电视白平衡值的装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的调整电视白平衡值的程序，所述调整电视白平衡值的程序被所述处理器执行时实现如权利要求1至8中任一项所述调整电视白平衡值的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有调整电视白平衡值的程序，所述调整电视白平衡值的程序被处理器执行时实现如权利要求1至8中任一项所述调整电视白平衡值的方法的步骤。