CN111292251A - 图像偏色校正方法、装置以及计算机存储介质 - Google Patents
图像偏色校正方法、装置以及计算机存储介质 Download PDFInfo
- Publication number
- CN111292251A CN111292251A CN201910193098.XA CN201910193098A CN111292251A CN 111292251 A CN111292251 A CN 111292251A CN 201910193098 A CN201910193098 A CN 201910193098A CN 111292251 A CN111292251 A CN 111292251A
- Authority
- CN
- China
- Prior art keywords
- layer
- color cast
- image
- feature
- calculation
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000011176 pooling Methods 0.000 claims description 64
- 238000010586 diagram Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 13
- 239000003086 colorant Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种图像偏色校正方法、装置及计算机存储介质,所述方法包括:将训练图像输入特征提取模型进行计算,获取偏色特征;将标准图像中相对应的标准特征作为输出,对所述偏色特征进行映射计算;将映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;将偏色图像输入所述偏色校正模型,得到校正图像。采用上述方案,降低了模型训练的复杂度,保留更多的真实颜色信息,提升图像偏色校正后的显示效果的真实度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像偏色校正方法、装置及计算机存储介质。
背景技术
在图像采集过程中,由于色温的变化、拍摄场景切换或者摄像头白平衡调整的偏差,会造成图像偏色,导致图像的真实感差,与人们对于成像效果的高要求相去甚远。
现有技术中,对图像进行偏色校正的方案无法良好地恢复图像的真实感,偏色校正后的图像的显示效果仍有一定的失真。
发明内容
本发明解决的技术问题是图像偏色校正后的显示效果的真实度较低。
为解决上述技术问题,本发明实施例提供一种图像偏色校正方法,包括:将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征;将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算;根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;将偏色图像输入至所述偏色校正模型,得到校正图像。
可选的,将所述训练图像转换至CIELab颜色空间。
可选的,将训练图像输入至具有待定参数的特征提取模型进行计算,获取具有待定参数的偏色特征。
可选的,所述特征提取模型包括卷积层、池化层以及全连接层。
可选的,所述特征提取模型按照计算顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、L-K全连接层、第三全连接层。
可选的,所述卷积层采用以下公式进行计算:
其中,l表示卷积层的层数,表示卷积层的第l层的第j个特征图,Mj表示卷积层的第l-1层的第j个特征图,表示卷积层的第l-1层的第i个特征图,N表示卷积核,表示卷积层的第l层的第j个特征图对应的第一偏置参数,f表示激活函数,f(x)=max(0,x)。
可选的,所述池化层采用以下公式进行计算:
其中,表示卷积层的第l层的第j个特征图对应的权重系数,表示经过池化层子采样后的卷积层的第l层的第j个特征图,down(x)表示池化函数,所述池化函数为最大池化,表示卷积层的第l层的第j个特征图对应的第二偏置参数。
可选的,所述全连接层采用以下公式进行计算:
其中,x1,x2和x3分别为池化层输出的三个特征图对应的数值,y1、y2和y3分别为三个特征图对应的经过所述全连接层的输出,W11、W12、W13、W21、W22、W23、W31、W32和W33分别为全连接层计算公式的矩阵中的权重参数,b1、b2和b3分别为三个特征图对应的偏置参数。
可选的,将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
本发明还提供一种图像偏色校正装置,包括:获取单元,用于将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征;映射单元,用于将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算;反馈单元,用于根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;校正单元,用于将偏色图像输入至所述偏色校正模型,得到校正图像。
可选的,所述获取单元,还用于将所述训练图像转换至CIELab颜色空间。
可选的,所述获取单元,还用于将训练图像输入至具有待定参数的特征提取模型进行计算,获取具有待定参数的偏色特征。
可选的,所述特征提取模型包括卷积层、池化层以及全连接层。
可选的,所述特征提取模型按照计算顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、L-K全连接层、第三全连接层。
可选的,所述卷积层采用以下公式进行计算:
其中,l表示卷积层的层数,表示卷积层的第l层的第j个特征图,Mj表示卷积层的第l-1层的第j个特征图,表示卷积层的第l-1层的第i个特征图,N表示卷积核,表示卷积层的第l层的第j个特征图对应的第一偏置参数,f表示激活函数,f(x)=max(0,x)。
可选的,所述池化层采用以下公式进行计算:
其中,表示卷积层的第l层的第j个特征图对应的权重系数,表示经过池化层子采样后的卷积层的第l层的第j个特征图,down(x)表示池化函数,所述池化函数为最大池化,表示卷积层的第l层的第j个特征图对应的第二偏置参数。
可选的,所述全连接层采用以下公式进行计算:
其中,x1,x2和x3分别为池化层输出的三个特征图对应的数值,y1、y2和y3分别为三个特征图对应的经过所述全连接层的输出,W11、W12、W13、W21、W22、W23、W31、W32和W33分别为全连接层计算公式的矩阵中的权重参数,b1、b2和b3分别为三个特征图对应的偏置参数。
可选的,所述反馈单元,还用于将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
本发明还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,所述计算机指令运行时执行本发明上述任一种的图像偏色校正方法的步骤。
本发明还提供一种图像偏色校正装置,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令运行时所述处理器执行本发明上述任一种的图像偏色校正方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
通过将训练图像输入特征提取模型进行计算,获取偏色特征;将标准图像中相对应的标准特征作为输出,对所述偏色特征进行映射计算;将映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;将偏色图像输入所述偏色校正模型,得到校正图像。采用上述方案,给定标准图像中的标准特征作为映射计算的输出,并根据映射计算的结果对特征提取模型进行反馈,可以降低模型训练的复杂度,保留更多的真实颜色信息,提升图像偏色校正后的显示效果的真实度。
附图说明
图1是本发明实施例提供的图像偏色校正方法的流程示意图;
图2是本发明实施例提供的一种特征提取模型的示例图;
图3是本发明实施例提供的一种全连接层的示例图;
图4是本发明实施例提供的图像偏色校正装置的结构示意图。
具体实施方式
现有技术中,对图像进行偏色校正的方案无法良好地恢复图像的真实感,偏色校正后的图像的显示效果仍有一定的失真。
本发明实施例中,通过将训练图像输入特征提取模型进行计算,获取偏色特征;将标准图像中相对应的标准特征作为输出,对所述偏色特征进行映射计算;将映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;将偏色图像输入所述偏色校正模型,得到校正图像。采用上述方案,降低了模型训练的复杂度,保留更多的真实颜色信息,提升图像偏色校正后的显示效果的真实度。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参阅图1,其为本发明实施例提供的图像偏色校正方法的流程示意图,以下结合具体步骤进行详细说明。
步骤S101,将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征。
在具体实施中,特征提取模型可以用于提取图像的图像特征,由图像特征提取算法组成。在本发明实施例中,得到的偏色特征即为训练图像的图像特征。
在具体实施中,在模型训练过程中,特征提取模型可以提取训练图像中的多处局部区域的偏色特征,并进行模型训练。采用上述模型训练方法,一方面可以提升了模型训练的实时性,另一方面可以提升训练完成的模型的鲁棒性,避免过度拟合,从而提升图像偏色校正后显示效果的真实度,即减小图像显示的颜色与实际颜色之间的差异。
本发明实施例中,在将训练图像输入至特征提取模型进行计算之前,可以将所述训练图像转换至CIELab颜色空间。也就是说,在本发明实施例中,输入至特征提取模型的训练图像可以是CIELab颜色空间的训练图像。
在具体实施中,RGB三原色颜色空间可以简单计算出图像偏色系数,但具有局限性,当用欧氏距离来刻画两种颜色之间的差异时,计算出的两种颜色之间的差异无法正确表征人们实际所感知的两种颜色之间的真实差,进而导致图像偏色校正后的显示效果仍有一定失真。相比于RGB三原色颜色空间,CIELab颜色空间更适合于人眼的感觉,适用于光源色或物体色的表示与计算,因此在CIELab颜色空间下对图像进行处理,有助于提升图像在偏色校正后的显示效果的真实度。
在具体实施中,图像的偏色校正完成后,可以将处于CIELab颜色空间下的图像转换至RGB颜色空间。
本发明实施例中,将训练图像输入至具有待定参数的特征提取模型进行计算,可以获取具有待定参数的偏色特征。
在具体实施中,特征提取模型中具有待定参数,可以通过调整待定参数的具体数值实现对模型进行训练的目的。其次,特征提取模型中的待定参数可以用于处理图像各个局部区域的偏色特征,降低了模型训练的复杂度。因此,可以使得训练完成的模型的应用效果优于现有技术中的模型的应用效果。
参阅图2,其为本发明实施例提供的一种特征提取模型的示例图。
本发明实施例中,所述特征提取模型包括卷积层、池化层以及全连接层。
在具体实施中,所述特征提取模型可以为包括卷积层、池化层以及全连接层的卷积神经网络。
在具体实施中,卷积层可以用于提取训练图像的图像特征。
在具体实施中,池化层可以用于对卷积层采集的图像特征进行子采样,在保证图像特征数量不变的情况下,降低每个图像特征的数据量,一方面可以降低计算量以及模型训练的复杂度,另一方面可以防止过度拟合,从而保证了卷积神经网络的位移、缩放的鲁棒性。
在具体实施中,全连接层可以用于将输入全连接层的图像特征进行综合,将图像特征映射至训练图像空间,起到分类器的作用。
在具体实施中,所述卷积层的层数、池化层的层数以及全连接层的层数可以由用户根据实际应用场景进行相应的设定。
本发明实施例中,所述特征提取模型按照计算顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层(参见图2)。在全连接层中,可以包括第一全连接层、L-K全连接层、第三全连接层(图2中未示出)。
参阅图3,其为本发明实施例提供的一种全连接层的示例图。
在具体实施中,相比现有技术中的卷积神经网络结构采用的一层全连接层或两层全连接层,本发明实施例中采用三层全连接层,即在第一全连接层和第二全连接层的基础上增加L-K全连接层(K代表L-K全连接层的神经元数量),可以减少图像特征的丢失,同时保留了显示效果更真实的图像颜色。
本发明实施例中,所述卷积层采用以下公式进行计算:
其中,l表示卷积层的层数,表示卷积层的第l层的第j个特征图,Mj表示卷积层的第l-1层的第j个特征图,表示卷积层的第l-1层的第i个特征图,N表示卷积核,表示卷积层的第l层的第j个特征图对应的第一偏置参数,f表示激活函数,f(x)=max(0,x)。
在具体实施中,当特征提取模型中使用多次卷积层时,即特征提取模型包括第一卷积层和第二卷积层时,第一卷积层和第二卷积层均可以应用上述卷积层公式,每一卷积层计算公式的第一偏置参数,和其他卷积层计算公式的第一偏置参数相互独立。
在具体实施中,卷积核N可以设置为大小为5×5的矩阵窗口,也可以设置为其他大小的矩阵窗口,具体大小可以由用户根据实际应用场景进行相应的设定。
在具体实施中,激活函数f(x)=max(0,x),是一种不饱和非线性函数,具有单侧抑制、兴奋边界开阔和稀疏激活等特点,相对于梯度下降训练时间而言,收敛速度更快,可以强化模型的深度学习能力。
本发明实施例中,所述池化层采用以下公式进行计算:
其中,表示卷积层的第l层的第j个特征图对应的权重系数,表示经过池化层子采样后的卷积层的第l层的第j个特征图,down(x)表示池化函数,所述池化函数为最大池化,表示卷积层的第l层的第j个特征图对应的第二偏置参数。
在具体实施中,当特征提取模型中使用多次池化层时,即特征提取模型包括第一池化层和第二池化层时,第一池化层和第二池化层均可以应用上述卷积层公式,每一池化层计算公式的权重系数和第二偏置参数,和其他池化层计算公式的权重系数和第二偏置参数相互独立。
在具体实施中,池化函数down(x)中的局部接受域可以设置为大小为3×3的矩阵窗口,也可以设置为其他大小的矩阵窗口,具体大小可以由用户根据实际应用场景进行相应的设定。
在具体实施中,最大池化即为选取局部接受域中最大的特征值。
本发明实施例中,所述全连接层采用以下公式进行计算:
其中,x1,x2和x3分别为池化层输出的三个特征图对应的数值,y1、y2和y3分别为三个特征图对应的经过所述全连接层的输出,W11、W12、W13、W21、W22、W23、W31、W32和W33分别为全连接层计算公式的矩阵中的权重参数,b1、b2和b3分别为三个特征图对应的偏置参数。
在具体实施中,全连接层计算公式中的矩阵的大小、偏置参数的数量,与池化层输出的特征图的数量相对应,在池化层输出的特征图的数量为3时,全连接层计算公式的矩阵大小为3×3,偏置参数的数量为3;在池化层输出的特征图的数量为5时,全连接层计算公式的矩阵大小为5×5,偏置参数的数量为5。
在具体实施中,在全连接层包括多层全连接层时,例如全连接层包括第一全连接层、L-K全连接层和第三全连接层,每层全连接层均可以应用上述全连接层公式,前一层的输出为下一层的输入,每一层全连接层计算公式的矩阵中的权重参数和偏置参数,和其他全连接层计算公式的权重参数和偏置参数相互独立。
在具体实施中,W11、W12、W13、W21、W22、W23、W31、W32以及W33可以为待定参数。
步骤S102,将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算。
在具体实施中,同一场景,于标准光照条件下采集的图像称之为标准图像,于偏色条件下采集的图像称之为训练图像。偏色特征与标准图像中相对应的标准特征为反应同一场景特征的图像特征。
在具体实施中,标准图像中的标准特征可以为具体已知的。
在具体实施中,通过映射计算可以获知偏色特征与相对应的标准特征之间的颜色差距,据此可以作为偏色校正的参考标准,提升图像偏色校正后的显示效果的真实度。
在具体实施中,将标准特征作为输出结果,对偏色特征进行映射计算,按照计算顺序可以倒推得到特征获取模型中全连接层中的待定参数、池化层中的待定参数以及卷积层中的待定参数的具体数值。
步骤S103,根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型。
本发明实施例中,将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
步骤S104,将偏色图像输入至所述偏色校正模型,得到校正图像。
在具体实施中,将偏色图像输入偏色校正模型前,可以将偏色图像转换至CIELab颜色空间,在偏色校正模型输出计算结果后,可以将计算结果由CIELab颜色空间转换至所需的颜色空间。
参阅图4,其为本发明实施例提供的图像偏色校正装置40的结构示意图,其中具体包括:
获取单元401,用于将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征;
映射单元402,用于将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算;
反馈单元403,用于根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;
校正单元404,用于将偏色图像输入至所述偏色校正模型,得到校正图像。
本发明实施例中,所述获取单元401,还可以用于将所述训练图像转换至CIELab颜色空间。
本发明实施例中,所述获取单元401,还可以用于将训练图像输入至具有待定参数的特征提取模型进行计算,获取具有待定参数的偏色特征。
本发明实施例中,所述特征提取模型可以包括卷积层、池化层以及全连接层。
本发明实施例中,所述特征提取模型按照计算顺序依次可以包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、L-K全连接层、第三全连接层。
本发明实施例中,所述卷积层可以采用以下公式进行计算:
其中,l表示卷积层的层数,表示卷积层的第l层的第j个特征图,Mj表示卷积层的第l-1层的第j个特征图,表示卷积层的第l-1层的第i个特征图,N表示卷积核,表示卷积层的第l层的第j个特征图对应的第一偏置参数,f表示激活函数,f(x)=max(0,x)。
本发明实施例中,所述池化层可以采用以下公式进行计算:
其中,表示卷积层的第l层的第j个特征图对应的权重系数,表示经过池化层子采样后的卷积层的第l层的第j个特征图,down(x)表示池化函数,所述池化函数为最大池化,表示卷积层的第l层的第j个特征图对应的第二偏置参数。
本发明实施例中,所述全连接层可以采用以下公式进行计算:
其中,x1,x2和x3分别为池化层输出的三个特征图对应的数值,y1、y2和y3分别为三个特征图对应的经过所述全连接层的输出,W11、W12、W13、W21、W22、W23、W31、W32和W33分别为全连接层计算公式的矩阵中的权重参数,b1、b2和b3分别为三个特征图对应的偏置参数。
本发明实施例中,所述映射单元402,还可以用于将具有待定参数的偏色特征映射至所述标准图像中相对应的标准特征,计算得到W11、W12、W13、W21、W22、W23、W31、W32、W33、b1、b2、b3、和的数值。
本发明实施例中,所述反馈单元403,还可以用于将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
本发明实施例中还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,所述计算机指令运行时执行本发明实施例提供的图像偏色校正方法的步骤。
本发明实施例中还提供一种图像偏色校正装置,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令运行时所述处理器执行本发明实施例提供的图像偏色校正方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (22)
1.一种图像偏色校正方法,其特征在于,包括:
将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征;
将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算;
根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;
将偏色图像输入至所述偏色校正模型,得到校正图像。
2.根据权利要求1所述的图像偏色校正方法,其特征在于,在所述将训练图像输入至特征提取模型进行计算之前,还包括:
将所述训练图像转换至CIELab颜色空间。
3.根据权利要求1所述的图像偏色校正方法,其特征在于,所述将训练图像输入至特征提取模型进行计算,包括:
将训练图像输入至具有待定参数的特征提取模型进行计算,获取具有待定参数的偏色特征。
4.根据权利要求3所述的图像偏色校正方法,其特征在于,所述特征提取模型包括卷积层、池化层以及全连接层。
5.根据权利要求4所述的图像偏色校正方法,其特征在于,所述特征提取模型按照计算顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、L-K全连接层、第三全连接层。
10.根据权利要求9所述的图像偏色校正方法,其特征在于,所述根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型,包括:
将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
11.一种图像偏色校正装置,其特征在于,包括:
获取单元,用于将训练图像输入至特征提取模型进行计算,获取所述训练图像的偏色特征;
映射单元,用于将标准图像中与所述偏色特征相对应的标准特征作为输出,对所述偏色特征进行映射计算;
反馈单元,用于根据映射计算结果对所述特征提取模型进行反馈,得到偏色校正模型;
校正单元,用于将偏色图像输入至所述偏色校正模型,得到校正图像。
12.根据权利要求11所述的图像偏色校正装置,其特征在于,所述获取单元,还用于将所述训练图像转换至CIELab颜色空间。
13.根据权利要求11所述的图像偏色校正装置,其特征在于,所述获取单元,还用于将训练图像输入至具有待定参数的特征提取模型进行计算,获取具有待定参数的偏色特征。
14.根据权利要求13所述的图像偏色校正装置,其特征在于,所述特征提取模型包括卷积层、池化层以及全连接层。
15.根据权利要求14所述的图像偏色校正装置,其特征在于,所述特征提取模型按照计算顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、L-K全连接层、第三全连接层。
20.根据权利要求19所述的图像偏色校正装置,其特征在于,所述反馈单元,还用于将计算得到的待定参数的数值代入所述特征提取模型,得到偏色校正模型。
21.一种计算机可读存储介质,其上存储有计算机指令,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其特征在于,所述计算机指令运行时执行权利要求1~10任一项所述的图像偏色校正方法的步骤。
22.一种图像偏色校正装置,包括存储器和处理器,所述存储器上存储有计算机指令,其特征在于,所述计算机指令运行时所述处理器执行权利要求1~10任一项所述的图像偏色校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193098.XA CN111292251B (zh) | 2019-03-14 | 2019-03-14 | 图像偏色校正方法、装置以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193098.XA CN111292251B (zh) | 2019-03-14 | 2019-03-14 | 图像偏色校正方法、装置以及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292251A true CN111292251A (zh) | 2020-06-16 |
CN111292251B CN111292251B (zh) | 2022-09-30 |
Family
ID=71030651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910193098.XA Active CN111292251B (zh) | 2019-03-14 | 2019-03-14 | 图像偏色校正方法、装置以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292251B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898449A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于监控视频的行人属性识别方法和系统 |
CN111898448A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
WO2019019772A1 (en) * | 2017-07-28 | 2019-01-31 | Zhejiang Dahua Technology Co., Ltd. | SYSTEMS AND METHODS FOR IMAGE PROCESSING |
-
2019
- 2019-03-14 CN CN201910193098.XA patent/CN111292251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
WO2019019772A1 (en) * | 2017-07-28 | 2019-01-31 | Zhejiang Dahua Technology Co., Ltd. | SYSTEMS AND METHODS FOR IMAGE PROCESSING |
CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898449A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于监控视频的行人属性识别方法和系统 |
CN111898448A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
CN111898448B (zh) * | 2020-06-30 | 2023-10-24 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111292251B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728633B (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
WO2019042139A1 (zh) | 图像处理方法、图像处理装置、神经网络的训练方法 | |
CN113454680A (zh) | 图像处理器 | |
CN109308679A (zh) | 一种图像风格转换方及装置、设备、存储介质 | |
CN110570377A (zh) | 一种基于组归一化的快速图像风格迁移方法 | |
CN109064423B (zh) | 一种基于非对称循环生成对抗损失的智能修图方法 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN106780367B (zh) | 基于字典学习的hdr照片风格转移方法 | |
CN106780417A (zh) | 一种光照不均图像的增强方法及系统 | |
CN110930341A (zh) | 一种基于图像融合的低光照图像增强方法 | |
CN107895350B (zh) | 一种基于自适应双伽玛变换的hdr图像生成方法 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
WO2021106853A1 (ja) | 画像処理装置、画像処理方法、学習装置、学習方法、撮像装置、及びプログラム | |
WO2012015020A1 (en) | Method and device for image enhancement | |
CN111292251B (zh) | 图像偏色校正方法、装置以及计算机存储介质 | |
CN110992414A (zh) | 一种基于卷积神经网络的室内单目场景深度估计的方法 | |
CN111105359A (zh) | 一种高动态范围图像的色调映射方法 | |
CN113344773A (zh) | 基于多级对偶反馈的单张图片重构hdr方法 | |
CN116703752A (zh) | 融合近红外的Transformer结构的图像去雾方法及装置 | |
CN115641391A (zh) | 一种基于密集残差和双流注意力的红外图像彩色化方法 | |
Liu et al. | Color enhancement using global parameters and local features learning | |
JP7443030B2 (ja) | 学習方法、プログラム、学習装置、および、学習済みウエイトの製造方法 | |
Merianos et al. | A hybrid multiple exposure image fusion approach for HDR image synthesis | |
Pan et al. | ChebyLighter: Optimal Curve Estimation for Low-light Image Enhancement | |
CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 |
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 |