CN113132705A - 图像色边的校正方法、校正装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种图像色边的校正方法，包括：对图像进行边缘检测以确定色边像素集，及确定色边像素集中各个色边像素点对应的校正像素点，以及根据校正像素点的色差值校正对应的色边像素点。本申请实施方式的校正方法，可以有效地校正色边像素点，以使得一定程度上消除色边现象。同时，利用边缘检测对色边像素点进行检测，因边缘检测算法的成熟及多种类，使得对色边像素点的检测方法具有多样性及有效地保障了检测的可靠性。另外，相对于通过硬件如摄像头的改进去解决色边问题，本申请无需增加额外的硬件资源，利用软件实现更为简单，也降低了成本。本申请还公开了校正装置、电子设备及存储介质。

Description

图像色边的校正方法、校正装置、电子设备及存储介质

技术领域

本申请涉及图像处理领域，特别涉及一种图像色边的校正方法、校正装置、电子设备及存储介质。

背景技术

在图像处理中，由于色散现象的存在，图像采集设备在采集环境的图像数据时，会出现色边现象，例如红边、绿边等。色边现象一般是由于透镜的光学色差所导致，其中，折射性色差的产生是由于透镜对不同波长的色光有不同的折射率。在现有技术中，有的利用图像数据的RGB域进行去色边运算，但硬件成本较高。还有的通过检测色差，然后利用色差特性曲线来校正色差以此去掉色边，但基本只能校正色差中的横向色差，对于纵向色差并不能很好地消除。还有的虽然可以解决双向的色差，但用于色差边界的方法比较复杂且检测效果不好。

发明内容

有鉴于此，本申请的实施例提供了一种图像色边的校正方法、校正装置、电子设备及存储介质。

本申请提供了一种图像色边的校正方法，包括：

对所述图像进行边缘检测以确定色边像素集；

确定所述色边像素集中各个色边像素点对应的校正像素点；

根据所述校正像素点的色差值校正对应的所述色边像素点。

本申请还提供了一种图像色边的校正装置，包括：

检测模块，用于对所述图像进行边缘检测以确定色边像素集；

确定模块，用于确定所述色边像素集中各个色边像素点对应的校正像素点；

校正模块，用于根据所述校正像素点的色差值校正对应的所述色边像素点。

本申请还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一项所述的校正方法。

本申请还提供了一种计算机程序的非易失性计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，实现如上述任一项所述的校正方法。

本申请实施方式的校正方法，通过对图像进行边缘检测以确定色边像素集，及确定色边像素集中各个色边像素点对应的校正像素点，以及根据校正像素点的色差值校正对应的色边像素点。至少具有以下有益效果：

一、可以有效地校正色边像素点，以使得一定程度上消除色边现象。

二、利用边缘检测对色边像素点进行检测，因边缘检测算法的成熟及多种类，使得对色边像素点的检测方法具有多样性及有效地保障了检测的可靠性。

三、相对于通过硬件如摄像头的改进去解决色边问题，本申请无需增加额外的硬件资源，利用软件实现更为简单，也降低了成本。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解。

图1是本申请某些实施方式的校正方法流程示意图；

图2是本申请某些实施方式的校正装置模块图；

图3是本申请某些实施方式的校正方法流程示意图；

图4是本申请某些实施方式的校正方法流程示意图；

图5是本申请某些实施方式的校正方法流程示意图；

图6是本申请某些实施方式的校正方法流程示意图；

图7是本申请某些实施方式的校正方法示例图；

图8是本申请某些实施方式的校正方法流程示意图；

图9是本申请某些实施方式的校正方法流程示意图；

图10是本申请某些实施方式的校正方法流程示意图；

图11是本申请某些实施方式的校正方法流程示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

请参阅图1，本申请提供了一种图像色边的校正方法，其特征在于，包括：

S10：对图像进行边缘检测以确定色边像素集；

S20：确定色边像素集中各个色边像素点对应的校正像素点；

S30：根据校正像素点的色差值校正对应的色边像素点。

请参阅图2，本申请实施方式还提供了一种校正装置100，本申请实施方式的校正方法可以由校正装置100实现。校正装置100包括检测模块110、确定模块120及校正模块130。S10可以由检测模块110实现，S20可以由确定模块120实现，S30可以由校正模块130实现。或者说，检测模块110用于对图像进行边缘检测以确定色边像素集。确定模块120用于确定色边像素集中各个色边像素点对应的校正像素点。校正模块130用于根据校正像素点的色差值校正对应的色边像素点。

本申请实施方式还提供了一种电子设备。电子设备包括存储器和处理器。存储器中存储有计算机程序，处理器用于对图像进行边缘检测以确定色边像素集，及确定色边像素集中各个色边像素点对应的校正像素点，以及根据校正像素点的色差值校正对应的色边像素点。

具体地，本申请中的图像包括所有具有视觉效果的画面，如底片或照片上的、电视、投影仪或计算机屏幕上的图像，也可以包括视频中的一帧图像。即就是，上述具有色边现象的图像可采用本申请的校正方法。

可以理解地是，在图像处理中，色边现象一般是由于透镜的光学色差所导致，其中，折射性色差的产生是由于透镜对不同波长的色光有不同的折射率。对于波长较长的色光，透镜的折射率较低。在成像上，色差表现为高光区与低光区交界上呈现出带有颜色的“边缘”，这是由于透镜的焦距与折射率有关，从而光谱上的每一种颜色无法聚焦在光轴上的同一点。色差可以是纵向的，由于不同波长的色光的焦距各不相同，从而它们各自聚焦在距离透镜远近不同的点上，色差也可以是横向或平行排列的，由于透镜的放大倍数也与折射率有关，此时它们会各自聚焦在焦平面上不同的位置。

在步骤S10中，对图像进行边缘检测以确定色边像素集。可以理解的是，光学色差所导致的色边现象往往出现在图像中的边缘部分。通过对图像进行边缘检测以确定多个边缘像素点。在某些实施方式中，多个边缘像素点可以确定为色边像素集。优化地，可以对边缘像素点进行筛选如通过阈值筛选出较大边缘处与较小边缘处的像素点，而色边往往出现在较大边缘处，故可将较小边缘处的多个边缘像素点确定为色边像素集。

其中，边缘检测方法至少包括以下几类，第一类包括通过边缘检测算子进行边缘检测，如Sobel算子、微分算子法等。第二类包括以能量最小化为准则的全局提取方法，其特征是运用严格的数学方法对此问题进行分析，给出一维值代价函数作为最优提取依据，从全局最优的观点提取边缘，如松驰法。第三类包括以小波变换、数学形态学、模糊数学、分形理论等图像边缘提取方法。第四类包括一些如基于神经网络的边缘检测方法等。

进一步地，在步骤S20中，确定色边像素集中各个色边像素点对应的非色边像素点。在步骤S10中，已将图像分割为色边像素点及其余的非色边像素点。当确定色边像素集后，以一定规则确定各色边像素点周围的校正像素点。其中，一定规则包括选取色边像素点的邻近像素点作为校正像素点。在某些实施方式中，可选取距离最近的像素点，如有多个像素点可任选一个。在某些实施方式中，可利用预定尺寸的邻域模板选取以色边像素点为中心像素点，其核内的多个非色边像素点为校正像素点的邻域，其尺寸可根据最终校正效果调整。

在步骤30中，根据校正像素点的色差值校正对应的色边像素点。当确定好各个色边像素点对应的校正像素点后，根据色差恒定理论，即基于颜色通道之间的相关性，将颜色通道之间的相关性信息由于色边像素点邻近的校正像素点引入其对应的色边像素点以校正色边现象。

可以理解的是，图像具有多种模式，RGB模式、HSB模式等。其中，RGB模式为真彩色由红色R、绿色G及蓝色B相叠加可以产生其它颜色，例如某一像素点为X(10，20，255)，表示R＝10，G＝20，B＝255。

具体地，根据校正像素点的色差值校正对应的色边像素点。其中，色差值为校正像素点的RGB各颜色通道之间的差值。例如X(10，20，255)中，红绿差值为G-R＝20-10＝10，红蓝差值为B-R＝255-10＝245，蓝绿差值为B-G＝255-20＝235。色差值的种类及个数可根据实际情况进行选择，如取红蓝色差值对红色进行校正，或红色及红绿色差值对红蓝两种颜色进行校正，或三种色差值对红绿蓝进行校正。进一步地，以校正像素点的色差值替换色边像素点的同类色差值，并计算得到色差值对应的某一种颜色值。例如，校正像素点X的红绿差值为Kbr＝155，色边像素点Y为Y(10，255，10)，则Y的校正后的R值为G-Kbr＝255-155＝100，即校正后的Y为Y’(100，255，10)，进一步地，在某些实施方式中，可根据其余色差值进行其余两种颜色通道的值的校正。在某些实施方式中，也可根据具体色边处的情况将色差值进行增减后再替换为色边像素点的同类色差值。

如此，本申请通过对图像进行边缘检测以确定色边像素集，及确定色边像素集中各个色边像素点对应的校正像素点，以及根据校正像素点的色差值校正对应的色边像素点。可以有效地校正色边像素点，以使得一定程度上消除色边现象。同时，利用边缘检测对色边像素点进行检测，因边缘检测算法的成熟及多种类，使得对色边像素点的检测方法具有多样性及有效地保障了检测的可靠性。另外，相对于通过硬件如摄像头的改进去解决色边问题，本申请无需增加额外的硬件资源，利用软件实现更为简单，也降低了成本。

请参阅图3，在某些实施方式中，S10包括：

S11：根据边缘检测算子对图像进行边缘检测以确定色边像素集。

在某些实施方式中，S11可以由检测模块110来实现。或者说，检测模块110用于根据边缘检测算子对图像进行边缘检测以确定色边像素集。

在某些实施方式中，处理器用于根据边缘检测算子对图像进行边缘检测以确定色边像素集。

具体地，在边缘检测方法中，根据边缘检测算子对图像进行边缘检测以确定色边像素集。其中，边缘检测算子可包括Roberts算子、Prewitt算子、Sobel算子或Laplacian算子等。可根据实际图像情况进行合理选择。例如Roberts算子，是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。各算子具有优缺点，具体根据实际情况选择进行边缘检测。需要说明的是，本实施例包括可进行边缘检测的边缘检测算子，其具体类型不应该视为对本申请的限制。

如此，本实施例通过边缘检测算子对图像进行边缘检测以确定色边像素集，相对于其它边缘检测方法如基于神经网络需要调用及模型训练，边缘检测算子往往是线性的数学算法，同时，因色边现象位于较大边缘处，对边缘检测的精度要求不高，故利用边缘检测算子，其实现方法更简单有效。

请参阅图4，在某些实施方式中，S11包括：

S111：对图像分别进行多方向Sobel卷积以确定多张梯度图；

S112：对多张梯度图进行加权融合以得到边缘梯度图；

S113：根据预设阈值对边缘梯度图进行二值化处理得到二值化图像；

S114：根据二值化图像以确定色边像素集。

在某些实施方式中，S111-S114可以由检测模块110来实现。或者说，检测模块110用于对图像分别进行多方向Sobel卷积以确定多张梯度图，及对多张梯度图进行加权融合以得到边缘梯度图，并根据预设阈值对边缘梯度图进行二值化处理得到二值化图像，以及根据二值化图像以确定色边像素集。

在某些实施方式中，处理器用于对图像分别进行多方向Sobel卷积以确定多张梯度图，及对多张梯度图进行加权融合以得到边缘梯度图，并根据预设阈值对边缘梯度图进行二值化处理得到二值化图像，以及根据二值化图像以确定色边像素集。

在本实施例中，选取Sobel算子作为边缘检测算子进行边缘检测。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。

在步骤S111中，对图像分别进行多方向Sobel卷积以确定多张梯度图。其中，多方向为2个或2个以上的方向，包括0度方向、90度方向、45度方向、180度方向等。以下为Sobel算子可选取的8个方向，包括水平方向，垂直方向，45度方向、135度方向、180度方向、225度发现、270度方向及315度方向。本申请可选取其中2个或2个以上的方向进行卷积计算得到梯度图。

具体地，以0度水平方向和90度垂直方向两个方向为例对Sobel算法进行说明。例如若A为图像，对G点进行Sobel卷积，G点为3*3大小的卷积核的中心像素点。其中，Gx是对图像90度方向上的卷积，Gy是对图像0度方向上的卷积，Gx及Gy的算法如下：

进一步地，可对Gx与Gy进行平方和开根计算以得到G点新的像素点的梯度像素值，并将此梯度像素值替换原像素值。由此可得到图像水平方向x的梯度图Z1及垂直方向y的梯度图Z2。

在步骤S112中，对多张梯度图进行加权融合以得到边缘梯度图。在某些实施方式中，加权融合可为直接合并，即Z＝Z1+Z2。在某些实施方式中，根据图像边缘的情况，如水平边缘较多，可对水平方向x的梯度图Z1增加权重λ，即Z＝λZ1+Z2。

在步骤S113中，根据预设阈值对边缘梯度图进行二值化处理得到二值化图像。及设置预设阈值T，对上述得到的梯度图Z进行阈值判定，当Z大于或等于预设阈值T时，确定当前像素点值为1，反之，当Z小于预设阈值T时，确定当前像素点值为0。最后得到含有0和1的二值化图像。

需要说明的是，步骤S113中将梯度图与预设阈值进行比较的目的是区分色边像素点与非色边像素点，在本申请中，色边像素点的确定在一定程度上与普通边缘点有不同的判定，即可根据实际图像确定预设阈值以更好地检测出色边像素点。另外，在某些实施方式中，阈值判定可为当Z大于预设阈值T时，确定当前像素点值为1，即就是，大于和大于或等于的简单替换不应视为对本申请的限制。

进一步地，在步骤S114中，根据二值化图像以确定色边像素集。在某些实施方式中，可直接根据二值化图像确定色边像素集，即二值化图像中值为1的像素点即为色边像素点，所有色边像素点为色边像素集。在某些实施方式中，可对二值化图像进行进一步处理如形态学膨胀以优化二值化图像得到更为精确的色边像素集。

如此，通过选取Sobel算子进行边缘检测以确定色边像素集。相对于其它边缘检测算子，Sobel算子结合了高斯平滑和微分求导，实现更为简单，且检测结果具有更多的抗噪性。同时，因色边现象往往处于较大边缘处，对边缘的精度要求较低，故Sobel算子在精度、有效性及实现难易程度上可为较佳的边缘检测算子。

请参阅图5，在某些实施方式中，S111包括：

S1111：对图像进行至少4方向Sobel卷积以确定色边像素集，至少4个方向包括水平方向，垂直方向，45度方向和135度方向。

在某些实施方式中，S1111可以由检测模块110来实现。或者说，检测模块110用于对图像进行至少4方向Sobel卷积以确定色边像素集，至少4个方向包括水平方向，垂直方向，45度方向和135度方向。

在某些实施方式中，处理器用于对图像进行至少4方向Sobel卷积以确定色边像素集，至少4个方向包括水平方向，垂直方向，45度方向和135度方向。

具体地，Sobel的卷积核可以旋转至不同角度，用以查找各方向上的边缘点，对图像进行至少4个方向包括水平方向，垂直方向，45度方向和135度方向的卷积。其卷积方式同上述实施例，即就是，将4个卷积核分别与图像中的各像素点进行卷积处理以得到4个梯度图，即水平梯度图Z1，垂直梯度图Z2，45度梯度图Z3及135度地图图Z4。进一步地，对Z1-Z4进行加权融合以得到最终的梯度图Z，其加权方式同上述实施例，此处不再说明。

需要说明的是，如上所述，Sobel卷积核可包括8个方向卷积核，本申请包括4-8个方向的卷积核，其中至少包括水平方向，垂直方向，45度方向和135度方向4个方向的卷积核，其余还包括180度、225度、270度及315度。根据实际图像的色边情况可在某些实施例中采用5、6、7或8个方向卷积核进行边缘检测，例如色边现象在260度左右边缘较为严重，则可采用水平方向，垂直方向，45度方向、135度方向及270度方向进行卷积以检测色边像素点。

如此，本实施例通过采用至少包括水平方向，垂直方向，45度方向和135度方向4个方向的Sobel卷积核对图像进行边缘检测以确定色边像素点，相较于通常使用的水平和垂直方向的，其检测的方向更全面，进一步提高了色边像素点的检测精确度。

请参阅图6，在某些实施方式中，S113包括：

S1131：对图像进行单方向Sobel卷积以得到阈值梯度图；

S1132：根据阈值梯度图对阈值梯度图中的梯度值与对应梯度值的像素点数量进行统计以确定预设阈值。

在某些实施方式中，S1131及S1132可以由检测模块110来实现。或者说，检测模块110用于对图像进行单方向Sobel卷积以得到阈值梯度图，并根据阈值梯度图对阈值梯度图中的梯度值与对应梯度值的像素点数量进行统计以确定预设阈值。

在某些实施方式中，处理器用于对图像进行单方向Sobel卷积以得到阈值梯度图，并根据阈值梯度图对阈值梯度图中的梯度值与对应梯度值的像素点数量进行统计以确定预设阈值。

具体地，在步骤S1131中，对图像进行单方向Sobel卷积以得到阈值梯度图。其中，单方向可选取任一方向或选取色边现象较为严重的方向进行卷积。例如水平方向色边现象较为严重，则选择水平方向的卷积核进行卷积以得到一个阈值梯度图。

进一步地，在步骤S1132中，对阈值梯度图进行直方图统计以得到梯度统计图，横坐标为梯度幅值，纵坐标为图像中梯度为该幅值的像素点个数。由于色边往往存在于较大边缘处而非细小边缘处，因此阈值的设置基准为最大边缘检测，即就是在直方图中选取最右侧最大波峰对应的左侧波谷的横坐标值作为预设阈值T。请参阅图7，直方图中有两处波峰，选取最右侧最大波峰对应的左侧波谷的横坐标值150作为预设阈值T，即T＝150。

在某些实施方式中，根据图像边缘的丰富程度，梯度统计图中可包括多个波峰，如5个波峰，则同样选取最右侧最大波峰即第5个波峰对应的左侧波谷的横坐标值作为预设阈值。

在某些实施方式中，可根据实验结果进行参数自适应调整。例如，梯度统计图中包括5个波峰，首先选取最右侧最大波峰即第5个波峰对应的左侧波谷的横坐标值作为预设阈值T1，根据最终校正结果进行判定，若没有校正所有的色边现象即只校正了部分色边现象，则说明预设阈值设置过大，需调整预设阈值，选取自右侧第二大波峰，即本例中第4个波峰对应的左侧波谷的横坐标值作为预设阈值T2以替换T1进行进一步检测。逐步减小阈值以使得达到最佳的校正效果。

如此，通过阈值梯度图对阈值梯度图中的梯度值与对应梯度值的像素点数量进行统计以确定预设阈值，相较于凭借经验值去设置预设阈值，可靠性更强，效率更高。同时，通过最终的校正效果进行参数自适应，使得对色边像素点的检测精度更高。

请参阅图8，在某些实施方式中，S111还包括：

S1112：分别对图像的红色值、绿色值及蓝色值进行多方向Sobel卷积以确定三种颜色通道对应的多张颜色梯度图；

S1113：对每个方向上三种颜色通道对应的颜色梯度图进行融合以得到多张梯度图。

在某些实施方式中，S1112及S1113可以由检测模块110来实现。或者说，检测模块110用于分别对图像的红色值、绿色值及蓝色值进行多方向Sobel卷积以确定三种颜色通道对应的多张颜色梯度图，及对每个方向上三种颜色通道对应的颜色梯度图进行融合以得到多张梯度图。

在某些实施方式中，处理器用于分别对图像的红色值、绿色值及蓝色值进行多方向Sobel卷积以确定三种颜色通道对应的多张颜色梯度图，及对每个方向上三种颜色通道对应的颜色梯度图进行融合以得到多张梯度图。

具体地，上述实施例在对图像进行Sobel卷积时，是以灰度值作为值进行卷积。在本实施例中，将各颜色通道的值分别进行Sobel卷积，即就是，对图像的红色值进行Sobel至少4个方向的卷积以得到红色通道的颜色梯度图Zr，及图像的绿色值进行Sobel至少4个方向的卷积以得到绿色通道的颜色梯度图Zg，以及图像的蓝色值进行Sobel至少4个方向的卷积以得到蓝色通道的颜色梯度图Zb。

进一步地，在步骤S1113中，对每个方向上三种颜色通道对应的颜色梯度图进行融合以得到多张梯度图，即将各方向如4个方向上的各自的Zr、Zg及Zb进行合并以得到灰度的梯度图。在某些实施方式中，亦可仅取某一个颜色通道上的梯度图进行后续操作。如仅根据绿色通道的值进行梯度图计算，并以绿色通道的梯度图进行二值化图像确定，具体可根据色边现象来选择。

如此，通过分别对图像的红色值、绿色值及蓝色值进行多方向Sobel卷积以确定三种颜色通道对应的多张颜色梯度图，及对每个方向上三种颜色通道对应的颜色梯度图进行融合以得到多张梯度图，可使得根据色边现象具体颜色情况进行计算，以提高计算效率及精确度。

请参阅图9，在某些实施方式中，S114包括：

S1141：对二值化图像进行图像膨胀以确定色边像素集。

在某些实施方式中，S1141可以由检测模块110来实现。或者说，检测模块110用于对二值化图像进行图像膨胀以确定色边像素集。

在某些实施方式中，处理器用于对二值化图像进行图像膨胀以确定色边像素集。

具体地，当计算得到二值化图像后，可对图像进行图像膨胀或形态学膨胀来扩展色边像素点。可以理解的是，实际图像中色边宽度往往大于正常边缘检测得到的边缘宽度，故本实施例对二值化图像进行图像形态学膨胀，可通过如下公式：

邻域可选5*5的尺寸，膨胀后的边缘宽度用(x,y)周边区域(x+x',y+y')内的最大值代替(x,y)。

如此，通过对二值化图像进一步进行图像形态学膨胀，可扩大边缘宽度，达到将色边检测范围覆盖更全的目的，使得色边的校正更加精确。

请参阅图10，在某些实施方式中，S20包括：

S21：将距离各个色边像素点最近的像素点确定为校正像素点。

在某些实施方式中，S21可以由确定模块120来实现。或者说，确定模块120用于将距离各个色边像素点最近的像素点确定为校正像素点。

在某些实施方式中，处理器用于将距离各个色边像素点最近的像素点确定为校正像素点。

具体地，本实施例以距离各个色边像素点最近的像素点确定为校正像素点。在某些实施方式中，存在多个非色边像素点与色边像素点相等距离，则可任选其中一个。

请参阅图11，在某些实施方式中，各像素点的像素值包括第一颜色值、第二颜色值及第三颜色值，第一颜色值为RGB的其中一种，第二颜色值和第三颜色值分别为RGB的其他两种，S30包括：

S31：根据校正像素点的第一颜色值及第二颜色值以得到色差值的第一色差值，根据第一颜色值及第三颜色值以得到色差值的第二色差值；

S32：根据第一色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第二颜色值以得到第一校正像素值；

S33：根据第二色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第三颜色值以得到第二校正像素值；

S34：根据色边像素点的第一颜色值、第一校正像素值及第二校正像素值校正色边像素点。

在某些实施方式中，S31-S34可以由校正模块130来实现。或者说，校正模块130用于根据校正像素点的第一颜色值及第二颜色值以得到色差值的第一色差值，根据第一颜色值及第三颜色值以得到色差值的第二色差值，及根据第一色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第二颜色值以得到第一校正像素值，及根据第二色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第三颜色值以得到第二校正像素值，以及根据色边像素点的第一颜色值、第一校正像素值及第二校正像素值校正色边像素点。

在某些实施方式中，处理器用于根据校正像素点的第一颜色值及第二颜色值以得到色差值的第一色差值，根据第一颜色值及第三颜色值以得到色差值的第二色差值，及根据第一色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第二颜色值以得到第一校正像素值，及根据第二色差值及对应的色边像素点的第一颜色值校正对应的色边像素点的第三颜色值以得到第二校正像素值，以及根据色边像素点的第一颜色值、第一校正像素值及第二校正像素值校正色边像素点。

具体地，步骤S31-S34的一个例子中，第一颜色值为绿色值LgNear，第二颜色值为红色值LrNear，第三颜色值为蓝色值LbNear，首先计算该校正像素点的红绿色差值DeltaRG以及蓝绿色差值DeltaBG，即：

DeltaRG＝LrNear-LgNear

DeltaBG＝LbNear-LgNear

然后，利用色边像素点的校正像素点的红绿色差值DeltaRG、蓝绿色差值DeltaBG以及该色边像素点本身的绿通道像素值Lg，计算得到新的红色通道像素值Lr’以及新的蓝色通道像素值Lb’：

Lr’＝Lg+DeltaRG

Lb’＝Lg+DeltaBG

最后，将计算得到的红蓝通道新的像素值与原始绿色通道的像素值进行融合即得到最后色边校正后的正常像素值(Lr’，Lg，Lb’)。

在某些实施方式中，第一颜色值可为蓝色值。在某些实施方式中，第一颜色值可为绿色值。根据实际图像的色边情况选择。

如此，根据图像的色差恒定理论，即相邻点的色差应该近似于相等，可利用最近距离的非色边像素点作为校正像素点对相邻的色边像素点进行校正以在一定程度上还原真实图像，可使得色边现象能够有效地校正，且仅需通过线性运算，实现方式简单。

本申请实施方式还提供了一种计算机可读存储介质。一个或多个存储有计算机程序的非易失性计算机可读存储介质，当计算机程序被一个或多个处理器执行时，实现上述任一实施方式的图像色边的校正方法。

需要说明的是，在本申请中，有多处比较中有“大于或等于”“小于”的比较，可以理解的是根据实际设置亦可为“大于”“小于或等于”，此比较方式不应作为对本申请的限制。另外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

综上所述，本申请实施方式的校正方法，通过对图像进行边缘检测以确定色边像素集，及确定色边像素集中各个色边像素点对应的校正像素点，以及根据校正像素点的色差值校正对应的色边像素点。至少具有以下有益效果：

一、可以有效地校正色边像素点，以使得一定程度上消除色边现象。

二、利用边缘检测对色边像素点进行检测，因边缘检测算法的成熟及多种类，使得对色边像素点的检测方法具有多样性及有效地保障了检测的可靠性。

三、相对于通过硬件如摄像头的改进去解决色边问题，本申请无需增加额外的硬件资源，利用软件实现更为简单，也降低了成本。

四、通过选取Sobel算子进行边缘检测以确定色边像素集。相对于其它边缘检测算子，Sobel算子结合了高斯平滑和微分求导，实现更为简单，且检测结果具有更多的抗噪性。同时，因色边现象往往处于较大边缘处，对边缘的精度要求较低，故Sobel算子在精度、有效性及实现难易程度上可为较佳的边缘检测算子。

五、通过采用至少包括水平方向，垂直方向，45度方向和135度方向4个方向的卷积核对图像进行边缘检测以确定色边像素点，相较于通常使用的水平和垂直方向的，其检测的方向更全面，进一步提高了色边像素点的检测精确度。

六、通过阈值梯度图对阈值梯度图中的梯度值与对应梯度值的像素点数量进行统计以确定预设阈值，相较于凭借经验值去设置预设阈值，可靠性更强，效率更高。同时，通过最终的校正效果进行参数自适应，使得对色边像素点的检测精度更高。

七、通过对二值化图像进一步进行图像形态学膨胀，从而可扩大边缘宽度，达到将色边检测更完全的目的，使得色边的校正更加精确。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的软件来完成。程序可存储于一非易失性计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种图像色边的校正方法，其特征在于，包括：

对所述图像进行边缘检测以确定色边像素集；

确定所述色边像素集中各个色边像素点对应的校正像素点；

根据所述校正像素点的色差值校正对应的所述色边像素点。

2.根据权利要求1所述的校正方法，其特征在于，所述对所述图像进行边缘检测以确定色边像素集包括：

根据边缘检测算子对所述图像进行边缘检测以确定所述色边像素集。

3.根据权利要求1所述的校正方法，其特征在于，所述根据边缘检测算子对所述图像进行边缘检测以确定所述色边像素集包括：

对所述图像分别进行多方向Sobel卷积以确定多张梯度图；

对多张所述梯度图进行加权融合以得到边缘梯度图；

根据预设阈值对所述边缘梯度图进行二值化处理得到二值化图像；

根据所述二值化图像确定所述色边像素集。

4.根据权利要求3所述的校正方法，其特征在于，所述对所述图像分别进行多方向Sobel卷积以确定多张梯度图包括：

对所述图像进行至少4方向Sobel卷积以确定所述色边像素集，所述至少4个方向包括水平方向，垂直方向，45度方向和135度方向。

5.根据权利要求4所述的校正方法，其特征在于，所述根据预设阈值对所述边缘梯度图进行二值化处理得到二值化图像包括：

对所述图像进行单方向Sobel卷积以得到阈值梯度图；

根据所述阈值梯度图对所述阈值梯度图中的梯度值与对应所述梯度值的像素点数量进行统计以确定所述预设阈值。

6.根据权利要求4所述的校正方法，其特征在于，所述对所述图像分别进行多方向Sobel卷积以确定多张梯度图还包括：

分别对所述图像的红色值、绿色值及蓝色值进行多方向Sobel卷积以确定三种颜色通道对应的多张颜色梯度图；

对每个方向上三种颜色通道对应的所述颜色梯度图进行融合以得到多张所述梯度图。

7.根据权利要求3所述的校正方法，其特征在于，所述根据所述二值化图像确定所述色边像素集包括：

对所述二值化图像进行图像膨胀以确定所述色边像素集。

8.根据权利要求1所述的校正方法，其特征在于，所述确定所述色边像素集中各个色边像素点对应的校正像素点包括：

将距离所述各个色边像素点最近的非色边像素点确定为所述校正像素点。

9.根据权利要求1至8任一项所述的校正方法，其特征在于，各像素点的像素值包括第一颜色值、第二颜色值及第三颜色值，所述第一颜色值为RGB的其中一种，所述第二颜色值和所述第三颜色值分别为RGB的其他两种，所述根据所述校正像素点的色差值校正对应的所述色边像素点包括：

根据所述校正像素点的第一颜色值及第二颜色值以得到所述色差值的第一色差值，根据第一颜色值及第三颜色值以得到所述色差值的第二色差值；

根据所述第一色差值及对应的所述色边像素点的第一颜色值校正对应的所述色边像素点的第二颜色值以得到第一校正像素值；

根据所述第二色差值及对应的所述色边像素点的第一颜色值校正对应的所述色边像素点的第三颜色值以得到第二校正像素值；

根据所述色边像素点的所述第一颜色值、所述第一校正像素值及所述第二校正像素值校正所述色边像素点。

10.一种图像色边的校正装置，其特征在于，包括：

检测模块，用于对所述图像进行边缘检测以确定色边像素集；

确定模块，用于确定所述色边像素集中各个色边像素点对应的校正像素点；

校正模块，用于根据所述校正像素点的色差值校正对应的所述色边像素点。

11.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-9任一项所述的校正方法。

12.一种计算机程序的非易失性计算机可读存储介质，其特征在于，当所述计算机程序被一个或多个处理器执行时，实现权利要求1-9任一项所述的校正方法。

Images