CN112203064A - 一种不同照度颜色映射关系的构建方法及装置 - Google Patents

Abstract

本申请适用于图像处理的技术领域，提供了一种不同照度颜色映射关系的构建方法，包括：获取目标颜色映射模型；将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；将所述待修复颜色信息与所述目标颜色信息建立映射关系。由于不同的拍摄环境下，低照度图像与目标照度图像难以构建有效的映射关系。故本申请通过上述方案，基于图像颜色信息，建立待修复颜色信息与目标颜色信息之间的映射关系。由于不同拍摄环境中的每个像素的颜色种类是有限的，使得颜色信息之间的映射关系可应用于不同的拍摄环境。

Description

一种不同照度颜色映射关系的构建方法及装置

技术领域

本申请属于图像处理的技术领域，尤其涉及一种不同照度颜色映射关系的构建方法、装置、终端设备以及计算机可读存储介质。

背景技术

摄像作为一种采集图像数据的手段，广泛地应用在不同的拍摄环境中。其中，低照度环境是一种较为常见的拍摄环境。低照度拍摄环境下采集的图像，容易出现传感器对色彩还原失真和色差等缺陷。

现有的图像修复技术，可根据低照度图像与目标照度图像(目标照度是指在此照度下可采集到理想图像，即几乎不存在点状噪声和色差等缺陷)之间的映射关系，修复低照度图像。然而现有的图像修复技术，往往基于画面清晰度或色彩亮度对低照度图像进行修复处理。但是，由于低照度图像与目标照度图像之间无法构建有效的映射关系，进而导致图像修复效果较差。

发明内容

有鉴于此，本申请实施例提供了一种不同照度颜色映射关系的构建方法及装置，可以解决由于低照度图像与目标照度图像之间无法构建有效的映射关系，进而导致图像修复效果较差的技术问题。

本申请实施例的第一方面提供了一种不同照度颜色映射关系的构建方法，所述方法包括：

获取目标颜色映射模型；

将每一种颜色在非目标照度等级下产生的待修复颜色信息以及所述非目标照度等级输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息；

将所述待修复颜色信息与所述目标颜色信息建立映射关系。

本申请实施例的第二方面提供了一种不同照度颜色映射关系的构建装置，所述装置包括：

获取单元，用于获取目标颜色映射模型；

计算单元，用于将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息；

建立单元，用于将所述待修复颜色信息与所述目标颜色信息建立映射关系。

本申请实施例的第一方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请通过，获取目标颜色映射模型；将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；将所述待修复颜色信息与所述目标颜色信息建立映射关系。由于不同的拍摄环境下，低照度图像与目标照度图像难以构建有效的映射关系。故本申请通过上述方案，基于图像颜色信息，建立待修复颜色信息与目标颜色信息之间的映射关系。由于不同拍摄环境中的每个像素的颜色种类是有限的，使得颜色信息之间的映射关系可应用于不同的拍摄环境。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。

图1示出了本申请提供的一种不同照度颜色映射关系的构建方法的示意性流程图；

图2示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图；

图3示出了本申请提供的一种不同照度颜色映射关系的构建方法中步骤204具体的示意性流程图；

图4示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图；

图5示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图；

图6示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图；

图7示出了本申请提供的一种不同照度颜色映射关系的构建方法中步骤608具体的示意性流程图；

图8示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图；

图9示出了本申请提供的一种不同照度颜色映射关系的构建装置的示意图；

图10是本发明一实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地，短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

由于现有的修复图像技术的修复瓶颈在于无法构建不同拍摄环境中低照度图像与目标照度图像之间的有效映射关系。导致图像修复效果不佳。

有鉴于此，本申请实施例提供了一种不同照度颜色映射关系的构建的方法及装置，可以解决上述技术问题。

请参见图1，图1示出了本申请提供的一种不同照度颜色映射关系的构建方法的示意性流程图。

如图1所示，该方法可以包括如下步骤：

步骤101，获取目标颜色映射模型。

其中，目标颜色映射模型用于匹配非目标照度等级下产生的待修复颜色信息对应的目标颜色信息。

需要说明的是，由于同一种颜色在不同照度下，摄像机采集的颜色信息存在一定偏差。且在非目标照度等级下产生的待修复颜色信息与在目标照度等级下产生的目标颜色信息之间存在映射关系。其中，目标照度是指在此照度下可采集到理想图像，即几乎不存在点状噪声和色差等缺陷。

例如：“红色在目标照度下产生的目标颜色信息(YUV值)为珊瑚红(117.7,30.6,96.4)，当红色在不同是非目标照度下产生的待修复颜色信息(YUV值)分别为印度红(42.6,19,47.6)、番茄红(26.2,35.1,43.1)或砖红色(34.5,38.9,53.6)等。

在一级照度下印度红(42.6,19,47.6)对应的目标颜色信息为珊瑚红(117.7,30.6,96.4)，在二级照度下番茄红(26.2,35.1,43.1)对应的目标颜色信息为珊瑚红(117.7,30.6,96.4)，在一级照度下番茄红(26.2,35.1,43.1)对应的目标颜色信息为镉红(123.4,11.5,14.3)”。故可根据待修复颜色信息与目标颜色信息之间的映射关系训练初始模型，得到目标颜色映射模型，以获取待修复颜色信息对应的目标颜色信息。

步骤102，将每一种颜色在非目标照度等级下产生的待修复颜色信息以及所述非目标照度等级输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息。

步骤103，将所述待修复颜色信息与所述目标颜色信息建立映射关系。

其中，映射关系用于修复低照度图像的颜色信息。即在修复图像时，只需根据低照度图像中的低照度颜色信息，匹配对应的目标颜色信息，并将低照度颜色信息替换为目标颜色信息，即可达到修复目的。

需要说明的是，本申请中的颜色信息是基于像素而言的。即图像由成千上万个像素构成，每个像素承载一种颜色信息。在修复低照度图像时，获取低照度图像中每个像素的待修复颜色信息，并根据待修复颜色信息，匹配对应的目标颜色信息，并将目标颜色信息作为对应像素的颜色信息，达到修复目的。

可以理解的是，拍摄环境受到多种因素影响，导致拍摄环境多种多样，且基本不存在映射关系，例如：晴天环境、雨天环境或阴天环境在不同时刻的饱和度、色温或色调都不相同，造就了无穷无尽的拍摄环境。也就很难根据不同拍摄环境之间的映射关系，修复低照度图像。而图像由不同的像素构成，一个像素对应一个颜色信息。由于颜色信息是一个有限集合，故每一种颜色的待修复颜色信息与目标颜色信息的映射关系，可应用于不同拍摄环境。

在本实施中，获取目标颜色映射模型；将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；将所述待修复颜色信息与所述目标颜色信息建立映射关系。由于不同的拍摄环境下，低照度图像与目标照度图像难以构建有效的映射关系。故本申请通过上述方案，基于图像颜色信息，建立待修复颜色信息与目标颜色信息之间的映射关系。由于不同拍摄环境中的每个像素的颜色种类是有限的，使得颜色信息之间的映射关系可应用于不同的拍摄环境。

可选地，在上述图1所示实施例的基础上，在所述获取目标颜色映射模型之前，还包括如下步骤，请参见图2，图2示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图。

步骤201，获取在多个非目标照度等级下产生的样本训练图像。

多个样本训练图像是指在同一个拍摄场景下，采用不同非目标照度等级拍摄的图像。例如：在照度等级为1时拍摄1张图像，然后保持设备和场景不动，调节照度等级为2再拍摄1张，以此类推，调节n个照度等级拍摄n张图像作为样本训练图像。

步骤202，获取所述样本训练图像中每个像素在非目标照度等级下的样本颜色信息。

提取样本训练图像中每个像素的样本颜色信息以及非目标照度等级。将每个像素的样本颜色信息以及非目标照度等级作为一组数据集，用于训练第一初始模型。

其中，本申请采用的色彩模式包括但不限于HSB模式、YUV模式、CMYK模式以及Lab模式等。

步骤203，获取每个所述样本颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息。

目标颜色信息可通过人工选取样本颜色信息对应的目标颜色信息。目标颜色信息也可以在目标照度图像中对应位置获取样本颜色信息对应的目标颜色信息，例如：“在与样本训练图像同一个拍摄场景下，以目标照度采集目标照度图像，将对应位置像素的颜色信息作为样本颜色信息对应的目标颜色信息”。

步骤204，根据每个像素的所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练第一初始模型，得到所述目标颜色映射模型。

其中，本申请采用的模型包括但不限于全连接神经网络模型、循环神经网络模型、深度残差网络模型、前馈神经网络模型、深度信念网络模型以及卷积神经网络模型等。

具体地，步骤204，包括如下步骤。请参见图3，图3示出了本申请提供的一种不同照度颜色映射关系的构建方法中步骤204具体的示意性流程图。

步骤2041，将所述样本颜色信息以及所述非目标照度等级，输入第一初始模型，得到由所述第一初始模型输出的映射颜色信息。

首先，获取预设的第一初始模型。将样本颜色信息以及非目标照度等级，输入第一初始模型。经过第一初始模型计算，得到输出结果，即映射颜色信息。

步骤2042，根据所述映射颜色信息与所述目标颜色信息进行对比，得到对比结果。

步骤2043，根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型。

例如：根据映射颜色信息与目标颜色信息计算损失函数。利用链式求导计算损失函数对第一初始模型中每个权重的偏导数(梯度)，然后根据梯度下降公式更新权重。

步骤2044，将所述第一映射模型作为所述目标颜色映射模型。

在本实施例中，获取在多个非目标照度等级下产生的样本训练图像。获取所述样本训练图像中每个像素在非目标照度等级下的样本颜色信息以及非目标照度等级。获取每个所述样本颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息。根据每个像素的所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练第一初始模型，得到所述目标颜色映射模型。通过上述方案，获得目标颜色映射模型，以建立待修复颜色信息与目标颜色信息之间的映射关系。使得颜色信息之间的映射关系可应用于不用的拍摄环境。

可选地，在上述图3所示实施例的基础上，在所述根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型之后，还包括如下步骤，请参见图4，图4示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图。

步骤401，将所述样本颜色信息以及所述非目标照度等级，输入第一初始模型，得到由所述第一初始模型输出的映射颜色信息。

步骤402，根据所述映射颜色信息与所述目标颜色信息进行对比，得到对比结果。

步骤403，根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型。

步骤404，将所述第一映射模型作为当前映射模型。

步骤405，按照第一预设数值，增加或减少所述当前映射模型中的网络层，得到调整后的第一当前映射模型。

步骤406，根据所述样本颜色信息、所述非目标照度以及所述目标颜色信息，训练所述调整后的第一当前映射模型，得到后续映射模型。

第二初始模型的训练过程与步骤2041至步骤2044类似，具体请参阅步骤2041至步骤2044的相关描述，在此不再赘述。

步骤407，将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照第一预设数值，增加或减少所述当前映射模型中的网络层，得到调整后的第一当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值。

由于第一映射模型中的网络层数以及每一层的神经元数量为提前预设的，为了优化第一映射模型的映射效果。故本申请按照预设数值，增加或减少当前映射模型中的网络结构，得到调整后的当前映射模型。其中，网络结构包括但不限于网络层以及网络层中的神经元等。本实施例以网络层为优化目标，具体优化流程如下：

将每一次得到的后续映射模型，作为下一次的当前映射模型。循环执行步骤405至步骤407。例如，第一映射模型中设置有8层网络层，第一预设数值为1。每一次执行步骤405至步骤407时，调整后的第一当前映射模型的层数分别为7层、6层、5层、4层以及3层等。计算每一次调整后的第一当前映射模型和后续映射模型之间颜色信息的第一差值，即对比映射效果。若第一差值小于阈值，则表示继续改变网络层数量提升的映射效果较小，无需继续优化。

步骤408，将所述第一颜色信息对应的后续映射模型作为所述目标颜色映射模型。

在本实施例中，通过将所述第一映射模型作为当前映射模型；按照预设数值，增加或减少当前映射模型中的网络层，得到调整后的第一当前映射模型；根据所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练所述调整后的第一当前映射模型，得到后续映射模型；将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照预设数值，增加或减少当前映射模型中预设数量的网络层，得到调整后的第一当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值；将所述第一颜色信息对应的后续映射模型作为所述目标颜色映射模型。通过上述方案，不断优化第一映射模型，得到目标颜色映射模型，提高了目标颜色映射模型的映射精度。

可选地，在上述图4所示实施例的基础上，在所述根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型之后，还包括如下步骤，请参见图5，图5示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图。

步骤501，将所述样本颜色信息以及所述非目标照度等级，输入第一初始模型，得到由所述第一初始模型输出的映射颜色信息。

步骤502，根据所述映射颜色信息与所述目标颜色信息进行对比，得到对比结果。

步骤503，根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型。

步骤504，将所述第一映射模型作为当前映射模型。

步骤505，按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第二当前映射模型。

步骤506，根据所述样本颜色信息、所述非目标照度以及所述目标颜色信息，训练所述调整后的第二当前映射模型，得到后续映射模型。

步骤507，将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第二当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值。

网络结构包括但不限于网络层以及网络层中的神经元等。本实施例以网络层为优化目标，具体优化流程如下：

将每一次得到的后续映射模型，作为下一次的当前映射模型。循环执行步骤505至步骤507。例如，第一映射模型中网络层的神经元数量为8，第二预设数值为1。每一次执行步骤505至步骤507时，调整后的当前映射模型中网络层的神经元分别为7个、6个、5个、4个以及3个等。计算每一次调整后的第二当前映射模型和后续映射模型之间颜色信息的第一差值，即对比映射效果。若第一差值小于阈值，则表示继续改变神经元数量提升的映射效果较小，无需继续优化。

作为本申请的一个实施例，如图4所示的实施例的执行顺序可以在本实施例的前面或后面，在此不做任何限定。示例性地，第一映射模型经过图4所示的实施例的处理，得到最优的网络层数后，执行本实施例，得到最优的神经元数量。或第一映射模型经过本实施例的处理，得到最优的神经元数量后，执行图4所示的实施例，得到最优的网络层数。可以理解的是，其他网络结构也可以类型上述方式，进行排列组合，以得到最优的网络结构。

作为本申请的另一个实施例，也可以在两个维度上同时对第一映射模型进行优化，即网络层和每个网络层的神经元。具体步骤如下：按照第一预设数值，增加或减少所述当前映射模型中的网络层，按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第三当前映射模型。根据所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练所述调整后的第三当前映射模型，得到后续映射模型。将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照预设数值，增加或减少当前映射模型中的网络结构，得到调整后的当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值。将所述第一颜色信息对应的后续映射模型作为所述目标颜色映射模型。

步骤508，将所述第一颜色信息对应的后续映射模型作为所述目标颜色映射模型。

在本实施例中，按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第二当前映射模型。根据所述样本颜色信息、所述非目标照度以及所述目标颜色信息，训练所述调整后的第二当前映射模型，得到后续映射模型。将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第二当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值。通过上述方案，不断优化第一映射模型，得到目标颜色映射模型，提高了目标颜色映射模型的映射精度。

可选地，在上述图2至图5所示实施例的基础上，所述方法，还包括如下步骤，请参见图6，图6示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图。

步骤601，获取非目标照度等级对应的目标预设照度等级。

由于后续映射模型，是通过非目标照度等级下产生的样本颜色信息以及目标照度等级下产生的目标颜色信息作为数据集，训练而得。若非目标照度等级与目标照度等级相差过大时，容易导致后续映射模型拟合度差。例如：“以1级至10级表示照度等级，目标照度等级为10级，非目标照度等级为1级、2级或3级。将非目标照度等级以及待修复颜色信息输入后续映射模型时，由于照度等级相差太大，1级、2级或3级的待修复颜色信息无法映射至10级对应的目标颜色信息，模型拟合度差。其中，1级待修复颜色信息通过模型仅能映射至6级对应的目标颜色信息，2级待修复颜色信息通过模型仅能映射至7级对应的目标颜色信息，3级待修复颜色信息通过模型仅能映射至8级对应的目标颜色信息，以此类推”。故为了提高后续映射模型的拟合度，本申请获取不同非目标照度等级对应的目标预设照度等级，对后续映射模型进行优化。

具体地，步骤608，包括如下步骤。请参见图7，图7示出了本申请提供的一种不同照度颜色映射关系的构建方法中步骤608具体的示意性流程图。

步骤6011，获取在多个预设照度等级下产生各自对应的第一颜色信息。

例如，获取10级、9级、8级、6级以及5级下产生各自对应的第一颜色信息。

步骤6012，将一组所述样本颜色信息以及所述非目标照度等级输入后续映射模型，得到由所述后续映射模型输出的第二颜色信息。

选择任意一组非目标照度等级以及非目标照度等级下产生的样本颜色信息。例如，选择2级以及2级下产生的样本颜色信息输入后续映射模型，得到第二颜色信息。

步骤6013，分别计算所述第二颜色信息与多个第一颜色信息之间的第二差值。

步骤6014，将第二差值最小的所述第一颜色信息对应的预设照度等级与所述非目标照度等级相减，得到等级差值。

若第二差值小，则表明非目标照度等级通过后续映射模型映射至预设照度等级的映射效果好。将第二差值最小的第一颜色信息对应的预设照度等级与非目标照度等级相减，得到等级差值。其中，求等级差值是为了计算非目标照度等级与目标照度等级之间最佳的等级跨度，例如：“1级映射至10级的映射效果较差，其等级跨度为9。1级映射至6级的映射效果较好，其等级跨度为5。故通过上述方式计算等级差值，并通过等级差值计算不同非目标照度等级对应的最佳目标预设照度等级”。

步骤6015，将每个所述非目标照度等级与等级差值相加，得到每个所述非目标照度等级对应的目标预设照度等级。

当求得等级差值为5时，则将每个非目标照度等级与等级差值相加，得到每个所述非目标照度等级对应的目标预设照度等级。例如：“在经过计算后，1级对应的目标照度等级为6，2级对应的目标照度等级为7，3级对应的目标照度等级为8，以此类推”。

步骤602，将所述目标预设照度等级下产生的预设颜色信息，作为最终映射模型的训练目标；所述最终映射模型是指第一初始模型或后续映射模型。

将目标预设照度等级下产生的预设颜色信息，作为第一初始模型或后续映射模型的训练目标。可以理解的是，第一初始模型为经过优化前的初始模型，而后续映射模型为第一初始模型经过优化得到的模型，故两者都可通过此实时进行进一步优化。

步骤603，根据样本训练图像中每个像素的样本颜色信息、所述非目标照度等级以及所述预设颜色信息，训练后续映射模型，得到所述目标颜色映射模型。

后续映射模型的训练过程与步骤2041至步骤2044类似，具体请参阅步骤2041至步骤2044的相关描述，在此不再赘述。

可以理解的是，本申请采用了两种方式优化模型。第一种方式为上述图3所示实施例，第二种方式为本实施例所述方式。

在本实施例中，通过获取非目标照度等级对应的目标预设照度等级；将所述目标预设照度等级下产生的预设颜色信息，作为所述后续映射模型的训练目标；根据样本训练图像中每个像素的样本颜色信息、所述非目标照度等级以及所述预设颜色信息，训练后续映射模型，得到所述目标颜色映射模型。通过上述方案，不断优化后续映射模型，得到目标颜色映射模型，提高了目标颜色映射模型的映射精度。

可选地，在上述图1所示实施例的基础上，在所述获取目标颜色映射模型之前，还包括如下步骤，请参见图8，图8示出了本申请提供的另一种不同照度颜色映射关系的构建方法的示意性流程图。

步骤801，按照不同梯度对固定照度范围进行均等划分，得到每个梯度对应的多个初始照度等级；所述梯度用于表示照度值区间的大小。

由于照度的取值范围比较大，例如：取值范围可以从0勒克斯至上万勒克斯。若划分预设照度等级的梯度较小，例如，梯度为1勒克斯，则预设照度等级的数量为上万个，映射关系的数量也随之增加，不仅占用较多的存储空间，也需要占用较多处理器算力。若划分预设照度等级的梯度较大，虽然占用的存储空间以及处理器算力较少，但是照度间隔较大，导致映射精度低。其中，由于摄像机对色彩的还原能力随照度下降趋于平缓，过于精细的照度对于精准度的提升空间比较有限。故梯度的取值需要进行权衡，以获取最佳的梯度。

本申请采取的权衡方式如下：

处理器分别将固定照度范围按照每个梯度均等划分为多个初始照度等级。例如：固定照度范围为0勒克斯至1勒克斯，当梯度为0.01勒克斯时，则划分的初始照度等级为100个，当梯度为0.1时，则划分的初始照度等级为10个。

其中，固定照度范围的取值可以是摄像机可采集的照度范围或肉眼可辨别的照度范围等，在此不做任何限定。

步骤802，基于同一个初始样本图像，获取所述初始样本图像在不同的所述初始照度等级下产生对应的初始负样本图像；获取所述初始样本图像在目标照度等级下产生的初始正样本图像。

获取一张在目标照度下产生的样本图像，并将样本图像作为正样本图像。获取样本图像在多个初始照度等级下产生各自对应的负样本图像。相较于正样本图像，负样本图像由于照度因素，存在一定色差，故可作为负样本图像。

其中，初始照度等级为照度值区间，即初始照度等级对应多个照度值。获取样本图像在初始照度等级下产生的负样本图像时，可以获取照度值区间中的任意值作为初始照度等级对应的照度值，进而得到初始照度等级下产生的负样本图像。优选地，可将照度值区间中的中位数作为初始照度等级对应的照度值。

步骤803，通过所述初始正样本图像以及所述初始负样本图像，训练初始模型，得到每个梯度对应的目标模型。

处理器通过正样本图像以及负样本图像，训练初始模型，得到每个梯度对应的目标模型。

具体地，训练过程如下：将所述负样本图像输入初始模型中，得到由所述初始模型输出的输出图像。将所述输出图像与所述正样本图像的颜色信息进行对比，得到对比结果。根据所述对比结果，调整所述初始模型中的参数，得到所述目标模型。循环上述训练步骤，得到每个梯度对应的目标模型。

步骤804，获取多个所述目标模型中误差最小的第一目标模型；所述误差是指所述第一目标模型的输出图像与所述初始正样本图像之间的颜色信息差距。

由于每个梯度对应的映射精度存在差异。故多个目标模型也具有不同的误差。其中，所述误差是指第一目标模型的输出图像与所述正样本图像之间的颜色信息差距。

处理器获取多个目标模型中误差最小的第一目标模型。

步骤805，将所述第一目标模型对应的梯度的多个初始照度等级作为多个预设照度等级；所述预设照度等级包括所述非目标照度等级以及所述目标照度等级。

可以理解的是，误差最小的第一目标模型对应的梯度的多个初始照度等级，映射精度最佳，故可将第一目标模型对应的梯度的多个初始照度等级作为多个预设照度等级。

步骤806，获取目标颜色映射模型。

步骤807，将每一种颜色在非目标照度等级下产生的待修复颜色信息以及所述非目标照度等级输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息.

步骤808，将所述待修复颜色信息与所述目标颜色信息建立映射关系。

在本实施例中，按照不同梯度对固定照度范围进行均等划分，得到每个梯度对应的多个初始照度等级；所述梯度用于表示照度值区间的大小；基于同一个初始样本图像，获取所述初始样本图像在不同的所述初始照度等级下产生对应的初始负样本图像；获取所述初始样本图像在目标照度等级下产生的初始正样本图像；通过所述初始正样本图像以及所述初始负样本图像，训练初始模型，得到每个梯度对应的目标模型；获取多个所述目标模型中误差最小的第一目标模型；所述误差是指所述第一目标模型的输出图像与所述初始正样本图像之间的颜色信息差距；将所述第一目标模型对应的梯度的多个初始照度等级作为多个预设照度等级；所述预设照度等级包括所述非目标照度等级以及所述目标照度等级。通过上述方案得到映射精度最佳的预设照度等级，进而提高了图像修复效果。

如图9本申请提供了一种不同照度颜色映射关系的构建装置9，请参见图9，图9示出了本申请提供的一种不同照度颜色映射关系的构建装置的示意图，如图9所示一种接入点装置包括：

获取单元91，用于获取目标颜色映射模型。

计算单元92，用于将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息。

建立单元93，用于将所述待修复颜色信息与所述目标颜色信息建立映射关系。

本申请提供的一种不同照度颜色映射关系的构建装置，获取目标颜色映射模型；将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；将所述待修复颜色信息与所述目标颜色信息建立映射关系。由于不同的拍摄环境下，低照度图像与目标照度图像难以构建有效的映射关系。故本申请通过上述方案，基于图像颜色信息，建立待修复颜色信息与目标颜色信息之间的映射关系。由于不同拍摄环境中的每个像素的颜色种类是有限的，使得颜色信息之间的映射关系可应用于不同的拍摄环境。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图10是本发明一实施例提供的一种终端设备的示意图。如图10所示，该实施例的一种终端设备10包括：处理器1000、存储器1001以及存储在所述存储器1001中并可在所述处理器1000上运行的计算机程序1002，例如一种不同照度颜色映射关系的构建的程序。所述处理器1000执行所述计算机程序1002时实现上述各个一种不同照度颜色映射关系的构建的方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器1000执行所述计算机程序1002时实现上述各装置实施例中各单元的功能，例如图9所示单元91至93的功能。

示例性的，所述计算机程序1002可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器1001中，并由所述处理器1000执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序1002在所述一种终端设备10中的执行过程。例如，所述计算机程序1002可以被分割成获取单元和计算单元各单元具体功能如下：

获取单元，用于获取目标颜色映射模型。

计算单元，用于将每一种颜色在非目标照度等级下产生的待修复颜色信息输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息。

建立单元，用于将所述待修复颜色信息与所述目标颜色信息建立映射关系。

所述一种终端设备10可以无线路由器、无线网关或无线网桥等网络设备。所述一种终端设备可包括，但不仅限于，处理器1000、存储器1001。本领域技术人员可以理解，图10仅仅是一种终端设备10的示例，并不构成对一种终端设备10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，例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器1000可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器1001可以是所述一种终端设备10的内部存储单元，例如一种终端设备10的硬盘或内存。所述存储器1001也可以是所述一种终端设备10的外部存储设备，例如所述一种终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器1001还可以既包括所述一种终端设备10的内部存储单元也包括外部存储设备。所述存储器1001用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器1001还可以用于暂时地存储已经输出或者将要输出的数据。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种不同照度颜色映射关系的构建方法，其特征在于，所述构建方法包括：

获取目标颜色映射模型；

将每一种颜色在非目标照度等级下产生的待修复颜色信息以及所述非目标照度等级输入所述目标颜色映射模型中，得到由所述目标颜色映射模型输出的所述待修复颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息；

将所述待修复颜色信息与所述目标颜色信息建立映射关系。

2.如权利要求1所述构建方法，其特征在于，在所述获取目标颜色映射模型之前，还包括：

获取在多个非目标照度等级下产生的样本训练图像；

获取所述样本训练图像中每个像素在非目标照度等级下的样本颜色信息以及非目标照度等级；

获取每个所述样本颜色信息对应的目标颜色信息；所述目标颜色信息是指在目标照度等级下产生的颜色信息；

根据每个像素的所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练第一初始模型，得到所述目标颜色映射模型。

3.如权利要求2所述构建方法，其特征在于，所述根据每个像素的所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练第一初始模型，得到所述目标颜色映射模型，包括：

将所述样本颜色信息以及所述非目标照度等级，输入第一初始模型，得到由所述第一初始模型输出的映射颜色信息；

根据所述映射颜色信息与所述目标颜色信息进行对比，得到对比结果；

根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型；

将所述第一映射模型作为所述目标颜色映射模型。

4.如权利要求3所述构建方法，其特征在于，在所述根据所述对比结果，调整所述第一初始模型的参数，得到第一映射模型之后，还包括：

将所述第一映射模型作为当前映射模型；

按照预设数值，增加或减少所述当前映射模型中的网络结构，得到调整后的当前映射模型；

根据所述样本颜色信息、所述非目标照度等级以及所述目标颜色信息，训练所述调整后的当前映射模型，得到后续映射模型；

将每一次得到的后续映射模型，作为下一次的当前映射模型，重复执行所述按照预设数值，增加或减少当前映射模型中的网络结构，得到调整后的当前映射模型的步骤以及后续步骤，直至后续映射模型输出的第一颜色信息与当前映射模型输出的第二颜色信息之间的第一差值小于阈值；

相应的，所述将所述第一映射模型作为所述目标颜色映射模型，包括：

将所述第一颜色信息对应的后续映射模型作为所述目标颜色映射模型。

5.如权利要求4所述构建方法，其特征在于，所述按照预设数值，增加或减少所述当前映射模型中的网络结构，得到调整后的当前映射模型，包括：

按照第一预设数值，增加或减少所述当前映射模型中的网络层，得到调整后的第一当前映射模型；

按照第二预设数值，增加或减少所述当前映射模型中的神经元，得到调整后的第二当前映射模型。

6.如权利要求2至5任意一项所述构建方法，其特征在于，所述方法，还包括：

获取非目标照度等级对应的目标预设照度等级；

将所述目标预设照度等级下产生的预设颜色信息，作为最终映射模型的训练目标；所述最终映射模型是指第一初始模型或后续映射模型；

根据样本训练图像中每个像素的样本颜色信息、所述非目标照度等级以及所述预设颜色信息，训练后续映射模型，得到所述目标颜色映射模型。

7.如权利要求6所述构建方法，其特征在于，所述获取非目标照度等级对应的目标预设照度等级，包括：

获取在多个预设照度等级下产生各自对应的第一颜色信息；

将一组所述样本颜色信息以及所述非目标照度等级输入后续映射模型，得到由所述后续映射模型输出的第二颜色信息；

分别计算所述第二颜色信息与多个第一颜色信息之间的第二差值；

将第二差值最小的所述第一颜色信息对应的预设照度等级与所述非目标照度等级相减，得到等级差值；

将每个所述非目标照度等级与等级差值相加，得到每个所述非目标照度等级对应的目标预设照度等级。

8.如权利要求1所述修复方法，其特征在于，在所述获取目标颜色映射模型之前，还包括：

按照不同梯度对固定照度范围进行均等划分，得到每个梯度对应的多个初始照度等级；所述梯度用于表示照度值区间的大小；

基于同一个初始样本图像，获取所述初始样本图像在不同的所述初始照度等级下产生对应的初始负样本图像；获取所述初始样本图像在目标照度等级下产生的初始正样本图像；

通过所述初始正样本图像以及所述初始负样本图像，训练初始模型，得到每个梯度对应的目标模型；

获取多个所述目标模型中误差最小的第一目标模型；所述误差是指所述第一目标模型的输出图像与所述初始正样本图像之间的颜色信息差距；

将所述第一目标模型对应的梯度的多个初始照度等级作为多个预设照度等级；所述预设照度等级包括所述非目标照度等级以及所述目标照度等级。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

Images