CN113516132B - 基于机器学习的颜色校准方法、装置、设备及介质 - Google Patents
基于机器学习的颜色校准方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113516132B CN113516132B CN202110322378.3A CN202110322378A CN113516132B CN 113516132 B CN113516132 B CN 113516132B CN 202110322378 A CN202110322378 A CN 202110322378A CN 113516132 B CN113516132 B CN 113516132B
- Authority
- CN
- China
- Prior art keywords
- color
- sampling
- target
- component
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010801 machine learning Methods 0.000 title claims abstract description 39
- 238000005070 sampling Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/20—Controlling the colour of the light
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectrometry And Color Measurement (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器学习的颜色校准方法、装置、电子设备及计算机存储介质,涉及计算机应用技术领域,旨在解决智能灯因存在色偏导致的颜色校准不准确的问题。该方法包含以下步骤:接收目标颜色的原始色彩值;将原始色彩值分别输入各色彩分量的目标预测模型,输出目标颜色的各色彩分量的校准值;将各色彩分量的校准值组成标准色彩值;根据标准色彩值,校准目标颜色的颜色偏差。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于机器学习的颜色校准方法、装置、设备及介质。
背景技术
智能灯产品的颜色校准是智能灯开发和生产中的技术难点,其影响因素如下:
1、由于灯珠的物理大小限制,导致无法充分混色,因此存在混色偏差;
2、灯珠的颜色无法实现纯正的红、绿、蓝三基色;
3、PWM数值在强度上不是线性的;
4、调节精度不够;
5、灯罩的荧光影响,产生偏色。
由于上述因素的存在,导致RGB的输入会产生很大的色彩偏差,且由于各个因素相互影响,导致实际颜色与校准颜色之间无线性规律或者简单函数规律,从而导致颜色校准不准确。
目前,针对因智能灯存在色偏导致的颜色校准不准确的问题,尚未提出有效的解决方法。
发明内容
本发明实施例提供了一种基于机器学习的颜色校准方法、装置、设备及介质,以至少解决因智能灯存在色偏导致的颜色校准不准确的问题。
第一方面,本发明实施例提供了一种基于机器学习的颜色校准方法,包括以下步骤:
接收目标颜色的原始色彩值;
将所述原始色彩值分别输入各色彩分量的目标预测模型,输出所述目标颜色的各色彩分量的校准值;
将所述各色彩分量的校准值组成标准色彩值;
根据所述标准色彩值,校准所述目标颜色的颜色偏差。
在其中一些实施例中,所述接收目标颜色的原始色彩值之前,通过训练深度学习模块,得到所述各色彩分量的目标预测模型,包括:
根据预设的采样点配置规则,配置预设颜色的采样色彩值,得到采样色彩值集合;
获取所述预设颜色的标准色彩值;
将所述标准色彩值的各色彩分量分别与所述采样色彩值集合中的采样色彩值进行组合,得到各色彩分量的训练数据;
通过所述各色彩分量的训练数据分别独立训练深度学习模型,得到所述各色彩分量的目标预测模型。
在其中一些实施例中,所述预设的采样点配置规则为单色亮度采样法、混色亮度采样法、强化采样法、平均采样法中的任意一种。
在其中一些实施例中,所述深度学习模型采用核岭回归算法或支持向量回归算法。
在其中一些实施例中,所述将所述标准色彩值的各色彩分量分别与所述采样色彩值集合进行组合,得到各色彩分量的训练数据,包括:
将所述采样色彩值集合中的每个采样色彩值与所述标准色彩值的各色彩分量进行组合,得到若干样本向量;
将包含同一色彩分量的样本向量组成样本矩阵,得到各色彩分量的样本矩阵;
将所述各色彩分量的样本矩阵作为各色彩分量的训练数据。
在其中一些实施例中,所述接收目标颜色的原始色彩值之前,包括:
对所述目标颜色的原始颜色亮度进行采样和识别,得到所述目标颜色的原始色彩值。
在其中一些实施例中,所述对所述目标颜色的原始颜色亮度进行采样和识别,得到所述目标颜色的原始色彩值,包括:
对所述目标颜色的原始颜色亮度进行采样,得到采样图像;
对所述采样图像进行白平衡调整,得到白平衡处理后的采样图像;
对所述白平衡处理后的采样图像进行滤波算法后,通过PCA算法计算出所述采样图像的主要颜色,得到所述目标颜色的原始色彩值。
第二方面,本发明实施例提供了一种基于机器学习的颜色校准装置,包括:
原始色彩值采集模块,用于接收目标颜色的原始色彩值;
标准值预测模块,用于将所述原始色彩值分别输入各色彩分量的目标预测模型,输出所述目标颜色的各色彩分量的校准值;将所述各色彩分量的校准值组成标准色彩值;
颜色校准模块,用于根据所述标准色彩值,校准所述目标颜色的颜色偏差。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上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如上述第一方面所述的基于机器学习的颜色校准方法。
第四方面,本发明实施例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上述第一方面所述的基于机器学习的颜色校准方法。
相比于现有技术,本发明实施例提供一种基于机器学习的颜色校准方法、装置、设备及介质,基于颜色的标准RGB分量分别训练机器学习模型,通过训练完成的机器学习模型分别预测待校准颜色的标准RGB分量,以实现对智能灯颜色的准确校准。
本发明的一个或多个实施例的细节在以下附图和描述中提出,以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明基于机器学习的颜色校准方法的流程图;
图2是本发明实施例核岭回归算法与其他算法的拟合效果对比图;
图3是本发明实施例的基于机器学习的颜色校准装置的结构框图;
图4是本发明实施例的电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案更加清楚明白,以下结合附图及实施例,对本发明进行描述和说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。基于本发明提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
实施例1
本实施例提供一种对基于机器学习的颜色校准方法,图1是本发明基于机器学习的颜色校准方法的流程图。
如图1所示,基于机器学习的颜色校准方法,包括以下步骤:
S101、接收目标颜色的原始色彩值。
上述目标颜色在本实施例中为智能灯需要校准的颜色,在其他实施例中也可以为LED灯、彩色灯或其他发光装置需要校准的颜色。
目标颜色的原始色彩值为该目标颜色的实际RGB值,RGB值代表红(R)、绿(G)、蓝(B)三个颜色通道的取值,是指红色、绿色和蓝色的亮度,因未校准之前目标颜色(RGB值)的各色彩分量具有偏差,导致目标颜色具有较大的色偏,因此无法呈现标准的目标颜色。
S102、将原始色彩值分别输入各色彩分量的目标预测模型,输出目标颜色的各色彩分量的校准值。
目标预测模型为预先训练完成的机器学习模型,具体为深度学习模型,能基于原始色彩值预测目标颜色的各色彩分量的标准值,即R、G、B分量的标准值。各色彩分量均具有独立的目标预测模型,将原始色彩值输入各色彩分量的目标预测模型后,分别输出目标颜色的R分量的校准值(标准值)、G分量的校准值和B分量的校准值,即目标颜色的标准RGB值。
S103、将各色彩分量的校准值组成标准色彩值。
将R分量的校准值、G分量的校准值和B分量的校准值组成目标颜色的标准RGB值。
S104、根据标准色彩值,校准目标颜色的颜色偏差。
通过标准RGB值,对目标颜色的原始RGB值进行调整,实现对智能灯的RGB输入进行调整,从而实现校准目标颜色的颜色偏差。
因颜色由各色彩分量混合而成,基于智能灯颜色存在的各色彩分量(RGB)不纯的问题,本实施例提供基于机器学习的颜色校准方法,通过机器学习模型预测目标颜色的各色彩分量的校准值,再通过各色彩分量的校准值校准目标颜色的各色彩分量,能有效避免目标颜色的各色彩分量不纯,使得各色彩分量混合后不存在颜色偏差,从而实现对目标颜色的准确校准。
优选地,接收目标颜色的原始色彩值之前,通过训练深度学习模型,得到各色彩分量的目标预测模型,包括:
根据预设的采样点配置规则,配置预设颜色的采样色彩值,得到采样色彩值集合;
获取预设颜色的标准色彩值;
将标准色彩值的各色彩分量分别与采样色彩值集合中的采样色彩值(RGB值)进行组合,得到各色彩分量的训练数据;
通过各色彩分量的训练数据分别独立训练深度学习模型,得到各色彩分量的目标预测模型。
优选地,上述预设的采样点配置规则包括但不限于单色亮度采样法、混色亮度采样法、强化采样法、平均采样法等。
其中,上述单色亮度采样法是通过R、G、B的单色变化分别设置采样点;混色亮度采样法是通过R、G、B的多个数值变化设置采样平均,即颜色平均;强化采样法用于对颜色误差较大的色彩空间补充强化采样点。
在其中一些实施例中,上述预设的采样点配置规则可以为:以白色、黄色、紫色为基准色,以亮度75%、50%、25%为配置条件配置若干采样基准点,得到采样色彩值。
在其他实施例中,也可以直接对预设颜色的具有色偏的色彩值进行直接采样作为采样色彩值。
而预设颜色的标准RGB值获取可以通过提取色卡上的该颜色的色彩数值实现。
优选地,上述深度学习模型采用核岭回归算法,核岭回归算法(KernelRidgeRegression,KRR),结合了岭回归和分类(带l2范式正则项的线性最小二乘)和核技巧,可由对应核和数据所构建空间的线性函数,对于非线性核,对应原始空间中的非线性函数,能够处理线性函数不能解决的分类问题,在处理非线性问题时,具有较高的效率。
优选地,将标准色彩值的各色彩分量分别与采样色彩值集合进行组合,得到各色彩分量的训练数据,包括:
将采样色彩值集合中的每个采样色彩值与标准色彩值的各色彩分量进行组合,得到若干样本向量;
将包含同一色彩分量的样本向量组成样本矩阵,得到各色彩分量的样本矩阵;
将各色彩分量的样本矩阵作为各色彩分量的训练数据。
为了使用目标预测模型进行颜色校准,需要预先选择合适的深度学习算法进行模型训练,以得到目标预测模型。首先,准备训练数据,在本实施例中,通过为预设颜色(待训练的颜色样本)配置若干未校准的RGB值(存在颜色偏差的RGB值),即上述采样色彩值,并获取预设颜色的标准RGB值(不存在颜色偏差的RGB值),以构建训练集,得到训练数据。需要注意的是,为了对各色彩分量的标准值进行单独预测,在构建训练集时,分别构建各色彩分量的训练集,因此将采样色彩值与标准RGB值(即上述标准色彩值)的R分量/G分量/B分量分别组合,以构建样本向量,将采样色彩值集合中的所有采样色彩值与标准RGB值的各色彩分量组合,可得到每个色彩分量的若干样本向量,以此构建可每个色彩向量的样本矩阵,得到各色彩向量的训练数据。
例如:采样色彩值集合中的采用色彩值为(205,133,63)、(255,117,24)、(227,66,52)、(255,192,203)、(255,105,180)、(147,112,219)、(100,149,237)、(0,191,255)、(127,255,212)、(144,238,144);标准色彩值为(199,100,4)、(195,53,2)、(255,0,0)、(195,100,16)、(195,70,29)、(32,72,132)(42,120,150)、(0,74,74)、(24,204,33)、(20,204,11),那么红色分量的训练数据为如下矩阵:
20513363 199
25511724 195
22766521 255
255192203 195
255105180 195
147112219 32
100149237 42
0191255 0
127255212 24
144238144 20
绿色分量的训练数据为如下矩阵:
20513363 100
25511724 53
22766521 0
255192203 100
255105180 70
147112219 72
100149237 74
0191255 204
127255212 204
144238144 100
蓝色分量的训练数据为如下矩阵:
20513363 4
25511724 2
22766521 0
255192203 16
255105180 29
147112219 132
100149237 150
0191255 74
127255212 33
144238144 11
上述训练数据的每一行为一个训练样本,基于各色彩分量的训练数据,分别采用核岭回归算法进行曲线拟合(模型训练),以建立采样色彩值与各色彩分量的映射关系,从而得到各色彩分量的目标预测模型,通过各色彩分量的目标预设模型可以预测原始色彩值对应的各色彩分量的标准值。
为了验证核岭回归算法的拟合效果,基于相同的训练数据,使用岭回归算法和最小二乘法进行曲线拟合,在图2中,虚线表示拟合后的曲线,实线表示训练数据(原数据)构建的曲线,如图2所示,核岭回归算法具有更好拟合效果,因此使用核岭回归算法训练得到的目标预测模型,可精确预测各颜色的各色彩分量的值。
需要注意的是,为避免目标预测模型欠拟合,基于不同预设颜色的采样色彩值和标准色彩值进行模型训练,实现扩充训练数据,以提高校准精度,实现对不同颜色的标准RGB值进行预测。而为了避免目标预测模型过拟合,需要尽量减少训练样本的采样误差。
在本发明的其他实施例中,上述深度学习模型也可采用支持向量回归算法(SVR)。KRR与SVR的学习形式是相同的。两个都有/inlinel2正则项,只是两者的损失函数不同。KRR使用的是均方误差,而SVR使用的是epsilon-insensitive的损失函数。
需要说明是,核岭回归算法和支持向量机的回归算法均为本领域的常规算法,其原理和算法训练过程为公知常识,在此不作赘述。
优选地,接收目标颜色的原始色彩值之前,包括:
对目标颜色的原始颜色亮度进行采样和识别,得到目标颜色的原始色彩值。
可预先将智能灯设置为目标颜色,然后智能灯的目标颜色进行图像采样,并识别目标颜色的原始颜色亮度,可得到目标的原始色彩值。在具体实施时,可根据实际情况自行选择采样和识别方法。
优选地,对目标颜色的原始颜色亮度进行采样和识别,得到目标颜色的原始色彩值,包括:
对目标颜色的原始颜色亮度进行采样,得到采样图像;
对采样图像进行白平衡调整,得到白平衡处理后的采样图像;
对白平衡处理后的采样图像进行滤波算法后,通过PCA算法计算出采样图像的主要颜色,得到目标颜色的原始色彩值。
具体实施时,可采用CCD高清摄像头采集目标颜色的原始颜色亮度,得到采样图像。
将采样图像进行白平衡处理,可以使得采样图像的颜色显示更准确,有助于获得准确的原始色彩值。在本实施例中,以标准白光为调校标准,对采样图像进行分析补色,并基于色温处理原理对采样图像的亮度进行补偿,实现采样图像的白平衡调整。
然后通过滤波算法对采样图像进行滤波处理,以实现对采样图像的图像增强,以实现对采样图像的颜色进行校正,去除采样图像中的杂色。
PCA算法(主元分析法)是一种常用的数据分析方法,通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维。在本实施例中,通过PCA算法计算采样图像的主要颜色,从而得到目标颜色的原始色彩值。其中PCA算法的计算过程和应用方法为本领域的公知常识,在此不对PCA算法的处理过程进行详细说明。
将得到的目标颜色的原始色彩值上报至服务器,由服务器接收该目标颜色的原始色彩值后,执行本实施例的基于机器学习的颜色校准方法。
优选地,上述滤波算法可采用retinex算法或同态滤波算法。
retinex算法是一种图像增强方法,包括SSR和MSR两种,retinex算法的基本思想是在原始图像中,通过某种方法去除或降低入射光图像的影响,尽量保留物体本质的反射属性图像。而同态滤波算法的采用的一种线性滤波在不同域的非线性映射,是把频率滤波和空域灰度变换结合起来的一种图像处理方法,根据图像的照度/反射率模型作为频域处理的基础,利用压缩亮度范围和增强对比来改善图像的质量。retinex算法和同态滤波算法的处理过程为本领域的公知常识,在此不再赘述。
实施例2
本实施例提供一种基于机器学习的颜色校准装置,该装置用于实现上述实施例及优选实施例方式,已经进行过说明的不再赘述,如下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能实现并被构想的。
图3是本发明实施例的基于机器学习的颜色校准装置的结构框图,如图3所示,该装置包括:
原始色彩值采集模块31,用于接收目标颜色的原始色彩值;
标准值预测模块32,用于将原始色彩值分别输入各色彩分量的目标预测模型,输出目标颜色的各色彩分量的校准值;将各色彩分量的校准值组成标准色彩值;
颜色校准模块33,用于根据标准色彩值,校准目标颜色的颜色偏差。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
实施例3
图4为本发明实施例的一种电子设备的结构示意图,如图4所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图4所示。该电子设备包括处理器、存储器、输入装置和输出装置;其中该电子设备中处理器的数量可以是一个或多个,图4中以一个处理器为例;电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器作为一种计算机可读存储介质,可以包括高速随机存取存储器、非易失性存储器等,可用于存储操作系统、软件程序、计算机可执行程序和数据库,如本发明实施例1的基于机器学习的颜色校准方法对应的程序指令/模块,还可以包括内存,可用于为操作系统和计算机程序提供运行环境。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。
处理器用于提供计算和控制能力,可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。处理器通过运行存储在存储器中的计算机可执行程序、软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现实施例1的基于机器学习的颜色校准方法。
该电子设备的输出装置可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
该电子设备还可包括网络接口/通信接口,该电子设备的网络接口用于与外部的终端通过网络连接通信。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所述更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现实施例1的基于机器学习的颜色校准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硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例4
本发明实施例提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于实现基于机器学习的颜色校准方法,该方法包括:
接收目标颜色的原始色彩值;
将原始色彩值分别输入各色彩分量的目标预测模型,输出目标颜色的各色彩分量的校准值;
将各色彩分量的校准值组成标准色彩值;
根据标准色彩值,校准目标颜色的颜色偏差。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述实施例的基于机器学习的颜色校准方法操作,还可以执行本发明任意实施例所提供的基于机器学习的颜色校准方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是手机,个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的基于机器学习的颜色校准方法。
值得注意的是,上述基于机器学习的颜色校准方法的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种基于机器学习的颜色校准方法,其特征在于,包括以下步骤:
根据预设的采样点配置规则,配置预设颜色的采样色彩值,得到采样色彩值集合;
获取所述预设颜色的标准色彩值;
将所述标准色彩值的各色彩分量分别与所述采样色彩值集合中的采样色彩值进行组合,得到各色彩分量的训练数据,包括:
将所述采样色彩值集合中的每个采样色彩值与所述标准色彩值的各色彩分量进行组合,得到若干样本向量;
将包含同一色彩分量的样本向量组成样本矩阵,得到各色彩分量的样本矩阵;
将所述各色彩分量的样本矩阵作为各色彩分量的训练数据;
通过所述各色彩分量的训练数据分别独立训练深度学习模型,得到所述各色彩分量的目标预测模型;
接收目标颜色的原始色彩值;
将所述原始色彩值分别输入各色彩分量的目标预测模型,输出所述目标颜色的各色彩分量的校准值,其中,所述各色彩分量均具有独立的目标预测模型,所述各色彩分量的目标预测模型通过各色彩分量的训练数据训练深度学习模型得到,所述各色彩分量的训练数据通过分别构建R分量、G分量和B分量的样本矩阵获取;
将所述各色彩分量的校准值组成标准色彩值;
根据所述标准色彩值,校准所述目标颜色的颜色偏差。
2.如权利要求1所述的基于机器学习的颜色校准方法,其特征在于,所述预设的采样点配置规则为单色亮度采样法、混色亮度采样法、强化采样法、平均采样法中的任意一种。
3.如权利要求1所述的基于机器学习的颜色校准方法,其特征在于,所述深度学习模型采用核岭回归算法或支持向量回归算法。
4.如权利要求1所述的基于机器学习的颜色校准方法,其特征在于,所述接收目标颜色的原始色彩值之前,包括:
对所述目标颜色的原始颜色亮度进行采样和识别,得到所述目标颜色的原始色彩值。
5.如权利要求4所述的基于机器学习的颜色校准方法,其特征在于,所述对所述目标颜色的原始颜色亮度进行采样和识别,得到所述目标颜色的原始色彩值,包括:
对所述目标颜色的原始颜色亮度进行采样,得到采样图像;
对所述采样图像进行白平衡调整,得到白平衡处理后的采样图像;
对所述白平衡处理后的采样图像进行滤波算法后,通过PCA算法计算出所述采样图像的主要颜色,得到所述目标颜色的原始色彩值。
6.一种基于机器学习的颜色校准装置,其特征在于,包括:
目标预测模型训练模块,根据预设的采样点配置规则,配置预设颜色的采样色彩值,得到采样色彩值集合;
获取所述预设颜色的标准色彩值;
将所述标准色彩值的各色彩分量分别与所述采样色彩值集合中的采样色彩值进行组合,得到各色彩分量的训练数据,包括:
将所述采样色彩值集合中的每个采样色彩值与所述标准色彩值的各色彩分量进行组合,得到若干样本向量;
将包含同一色彩分量的样本向量组成样本矩阵,得到各色彩分量的样本矩阵;
将所述各色彩分量的样本矩阵作为各色彩分量的训练数据;
通过所述各色彩分量的训练数据分别独立训练深度学习模型,得到所述各色彩分量的目标预测模型;
原始色彩值采集模块,用于接收目标颜色的原始色彩值;
标准值预测模块,用于将所述原始色彩值分别输入各色彩分量的目标预测模型,输出所述目标颜色的各色彩分量的校准值,其中,所述各色彩分量均具有独立的目标预测模型,所述各色彩分量的目标预测模型通过各色彩分量的训练数据训练深度学习模型得到,所述各色彩分量的训练数据通过分别构建R分量、G分量和B分量的样本矩阵获取;将所述各色彩分量的校准值组成标准色彩值;
颜色校准模块,用于根据所述标准色彩值,校准所述目标颜色的颜色偏差。
7.一种电子设备,包括存储器、处理器以及存储所述存储器上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权利要求1至5任一项所述的基于机器学习的颜色校准方法。
8.一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,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的基于机器学习的颜色校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322378.3A CN113516132B (zh) | 2021-03-25 | 2021-03-25 | 基于机器学习的颜色校准方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322378.3A CN113516132B (zh) | 2021-03-25 | 2021-03-25 | 基于机器学习的颜色校准方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516132A CN113516132A (zh) | 2021-10-19 |
CN113516132B true CN113516132B (zh) | 2024-05-03 |
Family
ID=78062003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322378.3A Active CN113516132B (zh) | 2021-03-25 | 2021-03-25 | 基于机器学习的颜色校准方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516132B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196633A (zh) * | 2011-03-08 | 2011-09-21 | 广州市雅江光电设备有限公司 | 一种色光灯具色彩校正方法 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN108024107A (zh) * | 2017-12-06 | 2018-05-11 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN108574835A (zh) * | 2017-03-10 | 2018-09-25 | 上海顺久电子科技有限公司 | 一种校正设备屏幕中图像色彩的方法及装置 |
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 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及系统 |
CN108965642A (zh) * | 2017-05-18 | 2018-12-07 | 柯尼卡美能达株式会社 | 色彩值校正控制方法、记录介质以及图像形成装置 |
CN109035346A (zh) * | 2018-08-13 | 2018-12-18 | 北京中科慧眼科技有限公司 | 一种相机颜色标定方法、装置与自动驾驶系统 |
CN109523485A (zh) * | 2018-11-19 | 2019-03-26 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
CN109525749A (zh) * | 2018-11-07 | 2019-03-26 | 厦门亿联网络技术股份有限公司 | 一种校正图像色彩偏差的方法及装置 |
CN109903256A (zh) * | 2019-03-07 | 2019-06-18 | 京东方科技集团股份有限公司 | 模型训练方法、色差校正方法、装置、介质和电子设备 |
CN110211065A (zh) * | 2019-05-23 | 2019-09-06 | 九阳股份有限公司 | 一种食材图像的颜色校正方法和装置 |
CN111355941A (zh) * | 2020-04-01 | 2020-06-30 | 深圳市菲森科技有限公司 | 图像颜色实时校正方法、装置和系统 |
WO2020156653A1 (en) * | 2019-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Method for generating image data for machine learning based imaging algorithms |
CN111738970A (zh) * | 2020-06-19 | 2020-10-02 | 无锡英菲感知技术有限公司 | 图像融合方法、装置及计算机可读存储介质 |
CN112073703A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市景阳科技股份有限公司 | 一种色彩校正矩阵的调整方法、装置、终端设备及介质 |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021006366A1 (ko) * | 2019-07-05 | 2021-01-14 | 엘지전자 주식회사 | 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법 |
-
2021
- 2021-03-25 CN CN202110322378.3A patent/CN113516132B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196633A (zh) * | 2011-03-08 | 2011-09-21 | 广州市雅江光电设备有限公司 | 一种色光灯具色彩校正方法 |
CN108574835A (zh) * | 2017-03-10 | 2018-09-25 | 上海顺久电子科技有限公司 | 一种校正设备屏幕中图像色彩的方法及装置 |
CN108965642A (zh) * | 2017-05-18 | 2018-12-07 | 柯尼卡美能达株式会社 | 色彩值校正控制方法、记录介质以及图像形成装置 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN108024107A (zh) * | 2017-12-06 | 2018-05-11 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及系统 |
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 |
CN109035346A (zh) * | 2018-08-13 | 2018-12-18 | 北京中科慧眼科技有限公司 | 一种相机颜色标定方法、装置与自动驾驶系统 |
CN109525749A (zh) * | 2018-11-07 | 2019-03-26 | 厦门亿联网络技术股份有限公司 | 一种校正图像色彩偏差的方法及装置 |
CN109523485A (zh) * | 2018-11-19 | 2019-03-26 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
WO2020156653A1 (en) * | 2019-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Method for generating image data for machine learning based imaging algorithms |
CN109903256A (zh) * | 2019-03-07 | 2019-06-18 | 京东方科技集团股份有限公司 | 模型训练方法、色差校正方法、装置、介质和电子设备 |
CN110211065A (zh) * | 2019-05-23 | 2019-09-06 | 九阳股份有限公司 | 一种食材图像的颜色校正方法和装置 |
CN111355941A (zh) * | 2020-04-01 | 2020-06-30 | 深圳市菲森科技有限公司 | 图像颜色实时校正方法、装置和系统 |
CN111738970A (zh) * | 2020-06-19 | 2020-10-02 | 无锡英菲感知技术有限公司 | 图像融合方法、装置及计算机可读存储介质 |
CN112073703A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市景阳科技股份有限公司 | 一种色彩校正矩阵的调整方法、装置、终端设备及介质 |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Deep Learning Underwater Image Color Correction and Contrast Enhancement Based on Hue Preservation;Chia-Hung Yeh等;IEEE;第1-6页 * |
基于学习向量量化网络的指定颜色物体的识别;袁野, 仲崇权, 杨素英, 欧宗瑛;计算机工程与应用(10);第100-102页 * |
基于机器学习的纺织品颜色校正;徐睿;中国优秀硕士学位论文全文数据库 工程科技I辑;第B024-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516132A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062876B (zh) | 用于校正模型训练和图像校正的方法和装置及电子设备 | |
WO2018149253A1 (zh) | 图像处理的方法和设备 | |
CN106531060A (zh) | Led显示装置亮色度校正方法及装置 | |
US20210006760A1 (en) | Meta-learning for camera adaptive color constancy | |
CN111861922A (zh) | 颜色校正矩阵的调整方法及装置、存储介质 | |
Li et al. | A revision of CIECAM02 and its CAT and UCS | |
Zhuo et al. | A K-PLSR-based color correction method for TCM tongue images under different illumination conditions | |
CN113676639A (zh) | 图像处理方法、处理装置、电子设备及介质 | |
CN113516132B (zh) | 基于机器学习的颜色校准方法、装置、设备及介质 | |
CN108574835B (zh) | 一种校正设备屏幕中图像色彩的方法及装置 | |
CN115426487B (zh) | 色彩校正矩阵调整方法、装置、电子设备及可读存储介质 | |
US10097731B2 (en) | Change degree deriving device, change degree deriving system and known color body | |
CN112712568A (zh) | 颜色亮度识别方法、装置、设备及介质 | |
CN100515094C (zh) | 影像色温校正方法 | |
CN104869379B (zh) | 白平衡补偿方法及电子装置 | |
US9270962B2 (en) | Method of eliminating color cast of image in photographic device | |
CN113542593B (zh) | 一种图像处理方法、装置及终端设备 | |
CN107340240B (zh) | 变化程度导出装置、变化程度导出系统及已知颜色体 | |
DE102015113930B4 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungssystem und Verfahren zur Bildverarbeitung | |
CN117768791B (zh) | 一种基于神经网络的跨相机图像白平衡方法和系统 | |
Valle et al. | Some experimental results on sparsely connected autoassociative morphological memories for the reconstruction of color images corrupted by either impulsive or gaussian noise | |
CN113556525B (zh) | 色温调整方法、装置、计算机设备和存储介质 | |
CN104766301B (zh) | 一种基于图像的单色采集算法 | |
CN107492365B (zh) | 获得色域映射拟合函数的方法及装置 | |
CN115150603A (zh) | 色彩空间的转换方法、装置、终端和计算机可读存储介质 |
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 |