CN112399162B - 一种白平衡校正方法、装置、设备和存储介质 - Google Patents
一种白平衡校正方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112399162B CN112399162B CN201910760080.3A CN201910760080A CN112399162B CN 112399162 B CN112399162 B CN 112399162B CN 201910760080 A CN201910760080 A CN 201910760080A CN 112399162 B CN112399162 B CN 112399162B
- Authority
- CN
- China
- Prior art keywords
- model
- white balance
- self
- adaptive correction
- light source
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 70
- 230000003044 adaptive effect Effects 0.000 claims abstract description 41
- 238000013507 mapping Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Color Television Image Signal Generators (AREA)
- Processing Of Color Television Signals (AREA)
Abstract
本发明实施例公开了一种白平衡校正方法、装置、设备和存储介质。其中,方法包括:获取预先训练好的光源估计模型;针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。本发明实施例基于预先训练好的光源估计模型构建适用于摄像设备的自适应校正模型,实现了在较小训练样本的情况下,使网络方便地移植到不同的设备上,适应性强,并实现白平衡的准确校正。
Description
技术领域
本发明实施例涉及图像处理领域,尤其涉及一种白平衡校正方法、装置、设备和存储介质。
背景技术
由于人眼具有独特的适应性,因此无论在室外阳光、室内荧光灯或者混合光源下,人们看到的白色的物体依然为白色。但是,摄像机没有办法像人眼自我修正光线的变化,因此需要做白平衡处理。
当前,应用较为广泛的白平衡校正算法,是基于统计的方法。即在某种假设下,通过统计场景图像自身的颜色特征来估计出环境光源。如灰度世界算法,该算法认为所有物理表面的平均反射是无色差的,也就是说,在RGB三个通道下,场景中的对三个颜色通道的平均反射率是相等的。完美反射法,该算法假设认为:一幅图像中,颜色通道的最大响应是由场景中的白色表面引起的。由于白色表面能够完全反映出场景光照的颜色,因此,三个颜色通道的最大值将被用作图像的光照颜色。但基于统计的算法的方式仍存在一定的不足:普遍存在假设性较强,自适应能力差。
发明内容
本发明实施例提供一种白平衡校正方法、装置、设备和存储介质,以解决现有技术中实现白平衡校正的方法的自适应性差的技术问题。
第一方面,本发明实施例提供了一种白平衡校正方法,该方法包括:
获取预先训练好的光源估计模型;
针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;
基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
第二方面,本发明实施例还提供了一种白平衡校正装置,该装置包括:
获取模块,用于获取预先训练好的光源估计模型;
迁移模块,用于针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;
校正模块,用于基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。第三方面,本发明实施例还提供了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的白平衡校正方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的白平衡校正方法。
本发明实施例基于预先训练好的光源估计模型构建适用于摄像设备的自适应校正模型,实现了在较小训练样本的情况下,使的训练好的自适应校正模型方便地移植到摄像设备上,而且通过训练好的自适应校正模型可实现摄像设备白平衡的准确校正。
附图说明
图1a为本发明实施例一中的白平衡校正方法的流程图;
图1b是本发明实施例一中的光源估计模型的结构图;
图2是本发明实施例二中的白平衡校正方法的流程图;
图3a是本发明实施例三中的白平衡校正方法的流程图;
图3b是本发明实施例三中的自适应校正模型的结构图;
图4是本发明实施例四中的白平衡校正装置的结构示意图;
图5是本发明实施例五中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的白平衡校正方法的流程图,本实施例可适用于需要对采集的图像进行白平衡处理的情况,例如在监控场景,该方法可以由白平衡校正装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在设备上,例如集成在摄像机上。
如图1a所示,所述白平衡校正方法具体包括:
S101、获取预先训练好的光源估计模型。
本发明实施例中,光源估计模型可选的为基于卷积神经网络训练的模型,其主要作用是用来估计光源。这是一个通用的基本模型,即对所有设备都是通用的。光源估计模型需要采集大量的训练数据,来获取尽可能多的光源颜色,使该模型具有较高的拟合能力。这个模型是通用的,即不同的设备都可以利用这个模型的参数。因此,需要收集尽可能多的数据,提前预训练好光源估计模型。
训练光源估计模型主要包括三部分:训练数据采集,光源估计模型的神经网络的构建以及训练过程。
其中,训练数据采集过程中,要获取表征光源颜色的参数值,需要在采集图像的场景中放入一个标准的白色物体,然后计算该白色物体的参数值[RGain,BGain],RGain=G/R,BGain=G/B,根据反射定律,白色物体对各通道的反射率是一致的,因此,[RGain,BGain]即能表征当前光源颜色。由此采集训练数据时,采集不同光源下的raw数据以及表征该光源颜色的参数值,并对raw数据进行预处理。可选的,首先把raw数据均分成M*N块,M和N均为预设值(如32*32块)。然后,计算出每块统计数据的(RGain,BGain),如此即可得到的训练数据为M*N*2(如32*32*2)的图像,标签为[RGain,Bgain]。在此需要说明的是,为了使训练好的光源估计模型具有较强的拟合能力,采集训练数据时,应尽可能的覆盖更多的光源,同时需覆盖全面的场景信息,例如采集特定场景图像作为训练光源估计模型的训练样本,其中特定场景至少包括大面积纯色场景,也可以包括其他特定场景,在此不做具体限定。
搭建基于卷积神经网络的光源估计模型,网络结构如图1b所示,网络输入层为32*32*2的图像。该卷积神经网络由七个层组成,分别为:第一层为卷积层,采用256个1*1*2的卷积核对输入数据进行卷积操作,卷积步长为1,得到256个32*32的特征映射图。第二层为池化层,采用max-pooling池化,池化区域大小为4*4,池化步长为4;最终得到256个8*8的特征图。第三层为卷积层,采用64个3*3*128的卷积核,卷积步长为1,得到64个8*8的特征图。第四层为池化层,采用max-pooling池化,池化区域大小为2*2,池化步长为2;最终得到64个4*4的特征图。第五层为全局平均池化层,隐藏节点个数为64个。第六层为全连接层,包含10个隐藏节点,每个节点与上层64个节点相连。第七层为输出层,包含2个节点,每个节点与上层10个节点相连。其中卷积神经网络的第一层到第四层称为卷积计算部分,用于提取输入图像的特征;第五层到第七层称为全连接部分(FCN),用于输出回归结果,即输出预测光源颜色。
该卷积神经网络的激活函数为ReLU函数,损失函数为 其中,C为网络预测光源颜色[RGain',BGain'],label为实际光源颜色[RGain,BGain]。该网络根据相机观察颜色,学习对应光源的颜色[RGain,BGain]。
训练卷积神经网络:将样本图像输入到卷积神经网络中,根据输出的预测光源颜色以及实际光源颜色,结合损失函数确定损失,以便根据损失反向传播调整网络参数。重复上述训练过程,直到调整后网络输出值与实际值的损失小于预设值或者损失值不再减小,除此之外,还可以在训练轮数达到预设次数后,结束训练。在此需要说明的是,训练集越多,则网络所能学习的光源越全面。并且,在采集训练数据时,已经覆盖到了一些特殊场景,如大面积纯色场景等。因此,对大面积纯色场景,该方法具有优于传统算法的效果。通过上述训练即可得到通用的光源估计模型。
S102、针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型。
在训练的光源估计模型中,搭建的卷积神经网络,是根据摄像设备观察到的颜色,来预测光源的颜色。摄像设备观察颜色O(RGain,BGain)=光源色I(RGain,BGain)*物体反射特性R(RGain,BGain)*设备感光特性S(RGain,BGain)。也即是说,S101中搭建的卷积神经网络,学习的是摄像设备观察颜色到光源颜色的映射,反映的是特定设备的感光特性和场景的反射特性。然而,不同的设备(即滤镜或传感器任一不同的设备),感光特性是不同的。如果为每一款设备都去学习一个对应的网络,那将是一个很大的工作量。因此,提出了将训练好的光源估计模型移植到不同设备上的方法,以减少训练量。
可选的,针对任一目标摄像设备,基于光源估计模型构建自适应校正模型,并利用目标摄像设备采集的样本图像训练自适应校正模型,而且在训练过程中,自适应校正模型保留光源估计模型的部分或全部参数不变,只训练其他一小部分参数,降低自适应校正模型的训练量,提升或获取该模型的效率。在此需要说明的是,具体训练时,为了保证训练的自适应校正模型适合目标摄像设备,训练样本图像必须是目标摄像设备采集的。对于训练好的自适应校正模型,其输入的是摄像设备采集的且经过预处理后的图像,其中,预处理操作可选的为将摄像设备采集的图像均分成M*N块,M和N均为预设值(如32*32块),输出的是预估的光源颜色[RGain,BGain],也即为白平衡校正参数。
S103、基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
可选的,将所述摄像设备采集的且经过预处理后的图像作为所述自适应校正模型的输入,根据所述自适应校正模型输出的白平衡校正参数,对所述图像进行白平衡校正,具体的校正也即是将图像R、B通道的数据分别乘以RGain和BGain。
本发明实施例基于预先训练好的光源估计模型构建适用于摄像设备的自适应校正模型,实现了在较小训练样本的情况下,使的训练好的自适应校正模型方便地移植到摄像设备上,而且通过训练好的自适应校正模型可实现摄像设备白平衡的准确校正。
实施例二
图2为本发明实施例二提供的白平衡校正方法的流程图,本实施例二在实施例一的基础上,对构建自适应校正模型做进一步的优化。如图2所示,所述方法包括:
S201、获取预先训练好的光源估计模型。
S202、针对任一摄像设备,将所述光源估计模型作为自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型。
本发明实施例中,将光源估计模型作为自适应校正模型,保证了自适应校正模型与光源估计模型的网络结构相同,也即所述自适应校正模型也包括卷积计算部分(第1-4层)和全连接部分(第5-7层)。由于卷积计算部分用于提取输入图像的特征,这部分的作用在这两个模型中相同,因此在构建的自适应模型中保留这部分网络参数不变;全连接部分,用于输出回归结果,因此对于构建的自适应校正模型,只需重新训练全连接部分的网络参数即可。由此实现了只需要训练一小部分参数,即可得到适用于摄像设备的自适应校正模型。
利用所述摄像设备采集的样本图像训练所述自适应校正模型,包括:
将所述训练样本图像输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;
基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持所述卷积计算部分的网络参数不变,更新所述全连接部分的网络参数。
S203、基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
本发明实施例中,将光源估计模型作为自适应校正模型,在训练过程中,保持所述卷积计算部分的网络参数不变,只更新所述全连接部分的网络参数。由此实现通过较少训练即可得到适用于不同摄像设备的自适应校正模型,提升了自适应校正模型训练效率。
实施例三
图3a为本发明实施例三提供的白平衡校正方法的流程图,本实施例在上述实施例的基础上,对构建自适应校正模型做进一步的优化。如图3a所示,所述方法包括:
S301、获取预先训练好的光源估计模型。
S302、针对任一摄像设备,在所述光源估计模型的输出端增加增益映射网络,将增加所述增益映射网络后的所述光源估计模型作为所述自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型。
光源估计模型中预训练好的网络,是“基本相机”的观察颜色到光源颜色的映射。所谓的“基本相机”,就是我们采集大量训练数据时所用的摄像设备。观察相机成像公式,可以找到“基本相机”到任一摄像设备的一个映射,即:任一摄像设备观察颜色Ocurr(RGain,BGain)=I(RGain,BGain)*R(RGain,BGain)*Sbase(RGain,BGain)*f(RGain,BGain),其中,Sbase(RGain,BGain)是基本相机的感光特性,f(RGain,BGain)为映射,将“基本相机”的光源颜色,映射得到任一摄像设备的光源颜色。映射f(RGain,BGain)是怎样的一种形式,不需要关心。只需利用神经网络强大的自学习能力,来搭建一个神经网络学习这种映射。因此在光源预估模型的输出端增加增益映射网络,并将增加所述增益映射网络后的所述光源估计模型作为所述自适应校正模型,构建的自适应网络模型的结构参见附图3b。其中,增益映射网络的输入为光源估计模块的输出,而输出即为摄像设备的光源颜色。同时构建的自适应校正模型的损失函数与光源估计模型的损失函数相同。
通过上述可知,自适应校正模型是在现有训练好的光源估计模型的基础上搭建的,因此只需训练新增的增益映射网络的参数即可,其他参数保持不变。
具体的训练过程如下:
将所述训练样本输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;
基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持组成所述自适应校正模型的光源估计模型的网络参数不变,更新所述增益映射网络的参数。
S303、基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
本发明实施例中,将在所述光源估计模型的输出端增加增益映射网络,将增加所述增益映射网络后的所述光源估计模型作为所述自适应校正模型,在训练过程中,保持组成所述自适应校正模型的光源估计模型的网络参数不变,只更新增益映射网络的参数。由此实现通过较少训练即可得到适用于不同摄像设备的自适应校正模型,提升了自适应校正模型训练效率。
实施例四
图4是本发明实施例四中的白平衡校正装置的结构示意图如图4所示,该装置包括:
获取模块401,用于获取预先训练好的光源估计模型;
迁移模块402,用于针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;
校正模块403,用于基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
本发明实施例基于预先训练好的光源估计模型构建适用于摄像设备的自适应校正模型,实现了在较小训练样本的情况下,使的训练好的自适应校正模型方便地移植到摄像设备上,而且通过训练好的自适应校正模型可实现摄像设备白平衡的准确校正。
在上述实施例的基础上,所述迁移模块包括:
第一构建单元,用于将所述光源估计模型作为自适应校正模型,其中,所述自适应校正模型包括卷积计算部分和全连接部分;
相应的,所述迁移模块还包括第一训练单元,用于:
将所述训练样本图像输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;
基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持所述卷积计算部分的网络参数不变,更新所述全连接部分的网络参数。
在上述实施例的基础上,所述迁移模块包括:
第二构建单元,在所述光源估计模型的输出端增加增益映射网络,并将增加所述增益映射网络后的所述光源估计模型作为所述自适应校正模型;
相应的,所述迁移模块还包括第二训练单元,用于:
将所述训练样本输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;
基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持组成所述自适应校正模型的光源估计模型的网络参数不变,更新所述增益映射网络的参数。
在上述实施例的基础上,所述装置还包括:
采集模块,用于采集特定场景图像作为训练所述光源估计模型的训练样本,其中所述特定场景至少包括大面积纯色场景。
在上述实施例的基础上,所述校正模块具体用于:
将所述摄像设备采集的图像进行预处理后作为所述自适应校正模型的输入,根据所述自适应校正模型输出的白平衡校正参数,对所述图像进行白平衡校正。
本发明实施例所提供的白平衡校正装置可执行本发明任意实施例所提供的白平衡校正方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备12的框图。图5显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的白平衡校正方法,该方法包括:
获取预先训练好的光源估计模型;
针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;
基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的白平衡校正方法,该方法包括:
获取预先训练好的光源估计模型;
针对任一摄像设备,基于所述光源估计模型构建自适应校正模型,并利用所述摄像设备采集的样本图像训练所述自适应校正模型;
基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种白平衡校正方法,其特征在于,包括:
获取预先训练好的光源估计模型;
针对任一摄像设备,将所述光源估计模型作为自适应校正模型,其中,所述自适应校正模型包括卷积计算部分和全连接部分;将样本图像输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持所述卷积计算部分的网络参数不变,更新所述全连接部分的网络参数;
基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
2.根据权利要求1所述的方法,其特征在于,在训练所述光源估计模型前,所述方法还包括:
采集特定场景图像作为训练所述光源估计模型的样本图像,其中所述特定场景至少包括大面积纯色场景。
3.根据权利要求1所述的方法,其特征在于,所述基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正,包括:
将所述摄像设备采集的图像进行预处理后作为所述自适应校正模型的输入,根据所述自适应校正模型输出的白平衡校正参数,对所述图像进行白平衡校正。
4.一种白平衡校正方法,其特征在于,包括:
获取预先训练好的光源估计模型;
针对任一摄像设备,在所述光源估计模型的输出端增加增益映射网络,将增加所述增益映射网络后的所述光源估计模型作为自适应校正模型;并将样本图像输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持组成所述自适应校正模型的光源估计模型的网络参数不变,更新所述增益映射网络的参数;
基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
5.根据权利要求4所述的方法,其特征在于,在训练所述光源估计模型前,所述方法还包括:
采集特定场景图像作为训练所述光源估计模型的样本图像,其中所述特定场景至少包括大面积纯色场景。
6.根据权利要求4所述的方法,其特征在于,所述基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正,包括:
将所述摄像设备采集的图像进行预处理后作为所述自适应校正模型的输入,根据所述自适应校正模型输出的白平衡校正参数,对所述图像进行白平衡校正。
7.一种白平衡校正装置,其特征在于,所述装置包括:
获取模块,用于获取预先训练好的光源估计模型;
迁移模块,用于针对任一摄像设备,将所述光源估计模型作为自适应校正模型,其中,所述自适应校正模型包括卷积计算部分和全连接部分;并将样本图像输入到所述自适应校正模型,根据所述自适应校正模型输出的白平衡校正参数以及预设损失函数,计算所述自适应校正模型的预测偏差;基于所述预测偏差反向传播训练所述自适应校正模型的网络参数,并在训练过程中,保持所述卷积计算部分的网络参数不变,更新所述全连接部分的网络参数;
校正模块,用于基于训练好的所述自适应校正模型对所述摄像设备采集的图像进行白平衡校正。
8.一种白平衡校正设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的白平衡校正方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的白平衡校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760080.3A CN112399162B (zh) | 2019-08-16 | 2019-08-16 | 一种白平衡校正方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760080.3A CN112399162B (zh) | 2019-08-16 | 2019-08-16 | 一种白平衡校正方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112399162A CN112399162A (zh) | 2021-02-23 |
CN112399162B true CN112399162B (zh) | 2022-09-16 |
Family
ID=74602841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910760080.3A Active CN112399162B (zh) | 2019-08-16 | 2019-08-16 | 一种白平衡校正方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112399162B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052772A (zh) * | 2021-03-23 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114757856B (zh) * | 2022-06-16 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于无监督深度学习的自动白平衡算法及系统 |
CN117197062A (zh) * | 2023-08-30 | 2023-12-08 | 武汉大学 | 一种基于rgb图像的叶片氮含量测量方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336582B1 (en) * | 2015-04-17 | 2016-05-10 | Google Inc. | Convolutional color correction |
CN105187819B (zh) * | 2015-07-29 | 2017-06-09 | 合肥埃科光电科技有限公司 | 一种工业彩色相机颜色响应测试与校正装置及方法 |
CN106412547B (zh) * | 2016-08-29 | 2019-01-22 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像白平衡方法、装置和计算设备 |
CN108020519B (zh) * | 2017-12-11 | 2020-03-10 | 齐鲁工业大学 | 一种基于颜色恒常性的虚拟多光源光谱重建方法 |
CN108600723A (zh) * | 2018-07-20 | 2018-09-28 | 长沙全度影像科技有限公司 | 一种全景相机的颜色校正方法及评价方法 |
-
2019
- 2019-08-16 CN CN201910760080.3A patent/CN112399162B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112399162A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112399162B (zh) | 一种白平衡校正方法、装置、设备和存储介质 | |
CN110910486A (zh) | 室内场景光照估计模型、方法、装置、存储介质以及渲染方法 | |
CN107529098A (zh) | 实时视频摘要 | |
CN111710049B (zh) | Ar场景中的环境光照确定方法和装置 | |
CN111292420B (zh) | 用于构建地图的方法和装置 | |
WO2022099600A1 (en) | Method and system of image hashing object detection for image processing | |
CN110956202A (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
CN109688382B (zh) | 一种水下机器人的水下图像处理系统 | |
WO2021104394A1 (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN113962859B (zh) | 一种全景图生成方法、装置、设备及介质 | |
CN115049717B (zh) | 一种深度估计方法及装置 | |
WO2020124374A1 (zh) | 图像处理方法、终端设备及存储介质 | |
CN112861659A (zh) | 一种图像模型训练方法、装置及电子设备、存储介质 | |
CN111914938A (zh) | 一种基于全卷积二分支网络的图像属性分类识别方法 | |
US11349894B1 (en) | Bandwidth-dependent media stream compression | |
WO2022011975A1 (zh) | 白平衡校正方法、装置、设备和存储介质 | |
CN116668656B (zh) | 图像处理方法及电子设备 | |
CN113066020A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
WO2023217138A1 (zh) | 一种参数配置方法、装置、设备、存储介质及产品 | |
CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN113962873A (zh) | 一种图像去噪方法、存储介质及终端设备 | |
CN107295261A (zh) | 图像去雾处理方法、装置、存储介质和移动终端 | |
WO2023202006A1 (en) | Systems and methods for task execution | |
CN116664694A (zh) | 图像亮度获取模型的训练方法、图像获取方法及移动终端 | |
CN116912187A (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 |
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 |