CN114531578A - 光源光谱获取方法和设备 - Google Patents

光源光谱获取方法和设备 Download PDF

Info

Publication number
CN114531578A
CN114531578A CN202011325598.3A CN202011325598A CN114531578A CN 114531578 A CN114531578 A CN 114531578A CN 202011325598 A CN202011325598 A CN 202011325598A CN 114531578 A CN114531578 A CN 114531578A
Authority
CN
China
Prior art keywords
light source
information
shooting scene
spectrum
light sources
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
Application number
CN202011325598.3A
Other languages
English (en)
Other versions
CN114531578B (zh
Inventor
周茂森
钱彦霖
何名桂
钱康
杨永兴
王妙锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202011325598.3A priority Critical patent/CN114531578B/zh
Priority to PCT/CN2021/131622 priority patent/WO2022105850A1/zh
Priority to US18/037,723 priority patent/US20230410463A1/en
Publication of CN114531578A publication Critical patent/CN114531578A/zh
Application granted granted Critical
Publication of CN114531578B publication Critical patent/CN114531578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
    • H04N23/13—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths with multiple sensors
    • H04N23/16—Optical arrangements associated therewith, e.g. for beam-splitting or for colour correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
    • H04M1/72439—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages for image or video messaging
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/12—Picture reproducers
    • H04N9/31—Projection devices for colour picture display, e.g. using electronic spatial light modulators [ESLM]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/12—Picture reproducers
    • H04N9/31—Projection devices for colour picture display, e.g. using electronic spatial light modulators [ESLM]
    • H04N9/3179—Video signal processing therefor
    • H04N9/3182—Colour adjustment, e.g. white balance, shading or gamut
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Image Analysis (AREA)
  • Color Television Image Signal Generators (AREA)

Abstract

本申请提供一种光源光谱获取方法和设备。该方法包括：获取当前拍摄场景下的第一信息，所述第一信息包括以下至少一种：RGB传感器生成的第一图像或者第一多光谱传感器上各个像素接收到的光线的光强度；将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率；根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。该方法得到的光源光谱接近真实光源光谱，依据该光源光谱进行白平衡处理和色彩矫正处理后，图像的色彩更加接近被摄物真实色彩，提升了用户体验。

Description

光源光谱获取方法和设备
技术领域
本申请涉及终端领域，尤其涉及一种光源光谱获取方法和设备。
背景技术
用户拍照时，RGB传感器记录的光强度是光源光谱、物体材质反射率谱和响应函数的积分结果。光源不同时，由于光源光谱不同，导致RGB传感器记录的光强度不同，根据该光强度计算得到的色彩值也不同，可见图像的颜色受光源的影响较大。可通过白平衡处理以及色彩矫正处理去除光源的影响，而光源光谱可用于指导白平衡处理以及色彩矫正处理。
现有技术中，在相机中增加多光谱传感器，多光谱传感器记录各个像素接收到的光线的光强度后，对各个像素接收到的光线的光强度进行插值处理，将插值后得到的光谱作为光源光谱。
然而，上述方法得到的光源光谱实质是光源光谱、物体材质反射率谱和响应函数的积分结果，并不是单纯的光源光谱，上述方法得到的光源光谱准确度不高。
发明内容
本申请提供一种光源光谱获取方法和设备，用于获取准确度更高的光源光谱。
第一方面，本申请提供一种光源光谱获取方法，包括：获取当前拍摄场景下的第一信息，所述第一信息包括以下至少一种：RGB传感器生成的第一图像或者第一多光谱传感器上各个像素接收到的光线的光强度；将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率；根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。
一种可能的实现方式中，所述将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率之前，所述方法还包括：获取训练样本，所述训练样本包括不同拍摄场景下的第一信息以及不同拍摄场景下的光源对应的光源类别；使用所述训练样本训练所述第一模型。
一种可能的实现方式中，所述获取训练样本，包括：构建数据集，所述数据集包括M×N组数据，每组数据对应一种拍摄场景，每种拍摄场景对应一种光源和一种被摄物，M为光源的数量，N为被摄物数量，每组数据包括：对应拍摄场景下的第一信息；对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别；根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本。
一种可能的实现方式中，所述M×N组数据中每组数据还包括：第二信息，所述第二信息包括：对应拍摄场景下的光源的光谱以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱；所述对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别，包括：获取每组数据中的第二信息，得到M×N组第二信息；根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析。
一种可能的实现方式中，所述根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析，包括：根据M×N组第二信息，确定所述数据集中M种光源的分类标准；根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析。
一种可能的实现方式中，所述根据M×N组第二信息，确定所述数据集中M种光源的分类标准，包括：针对N种被摄物中的每种被摄物，从所述被摄物对应的M组第二信息中任取两组，得到
Figure BDA0002794152680000021
对组合；针对每对组合，计算所述组合对应的二维数据点，得到
Figure BDA0002794152680000022
个二维数据点，所述二维数据点包括平均颜色距离和光源光谱相似指标；根据所述
Figure BDA0002794152680000023
个二维数据点，确定所述分类标准。
一种可能的实现方式中，所述针对每对组合，计算所述组合对应的二维数据点，包括：根据所述组合中一组第二信息，计算各个像素的第一RGB值；根据所述组合中另一组第二信息，计算各个像素的第二RGB值；根据各个像素的第一RGB值和各个像素的第二RGB值，确定所述组合对应的平均颜色距离。
一种可能的实现方式中，所述针对每对组合，计算所述组合对应的二维数据点，包括：根据所述组合中一组第二信息包含的光源的光谱和所述组合中另一组第二信息中包含的光源的光谱，确定所述组合对应的光源光谱相似指标。
一种可能的实现方式中，所述根据所述
Figure BDA0002794152680000024
个二维数据点，确定所述分类标准，包括：根据所述
Figure BDA0002794152680000025
个二维数据点，绘制二维交会图；从所述二维交会图的横坐标上确定第一参数，使得纵坐标小于预设值，且横坐标小于所述第一参数的二维点数据点的数量所占的比例超过预设阈值；将所述第一参数作为所述分类标准。
一种可能的实现方式中，所述根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析，包括：采用k均值聚类算法对所述数据集中M种光源的光谱进行聚类分析，任意两个聚类中心之间的光源光谱相似指标大于所述分类标准，在每个聚类内部，任意两个光源之间的光谱相似指标小于所述分类标准。
一种可能的实现方式中，所述第一模型包括第一分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率；所述根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本，包括：将每组数据中的第一信息以及对应拍摄场景下的光源对应的光源类别作为一个训练样本。
一种可能的实现方式中，所述第一模型包括第一分支和第二分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率，所述第二分支用于输出当前拍摄场景下各个像素对应的物体材质反射率谱；所述根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本，包括：将每组数据中的第一信息、对应拍摄场景下的光源对应的光源类别以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱作为一个训练样本。
一种可能的实现方式中，所述第一分支包括第一结构和全连接层，所述第一结构下采样L次后转为所述全连接层，所述第一结构包括卷积层、激活函数以及最大池化层，所述第一分支的损失函数为交叉熵，L大于等于1；所述第二分支包括P个残差块，每个残差块包括第一卷积层、第一激活函数、第二卷积层以及第二激活函数，所述第二分支的损失函数为L2，P大于等于1。
一种可能的实现方式中，所述根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱，包括：将当前拍摄场景下的光源属于各类光源的概率作为求和加权权重，对各类光源的光谱进行求和处理，得到当前拍摄场景下的光源的光谱。
第二方面，本申请提供一种电子设备，包括：RGB传感器、多光谱传感器以及处理器；所述处理器用于，获取当前拍摄场景下的第一信息，所述第一信息包括以下至少一种：所述RGB传感器生成的第一图像或者所述多光谱传感器上各个像素接收到的光线的光强度；所述处理器还用于，将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率；所述处理器还用于，根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。
一种可能的实现方式中，所述处理器将所述第一信息输入第一模型之前，还用于：获取训练样本，所述训练样本包括不同拍摄场景下的第一信息以及不同拍摄场景下的光源对应的光源类别；使用所述训练样本训练所述第一模型。
一种可能的实现方式中，所述处理器具体用于：构建数据集，所述数据集包括M×N组数据，每组数据对应一种拍摄场景，每种拍摄场景对应一种光源和一种被摄物，M为光源的数量，N为被摄物数量，每组数据包括：对应拍摄场景下的第一信息；对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别；根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本。
一种可能的实现方式中，所述M×N组数据中每组数据还包括：第二信息，所述第二信息包括：对应拍摄场景下的光源的光谱以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱；所述处理器具体用于：获取每组数据中的第二信息，得到M×N组第二信息；根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析。
一种可能的实现方式中，所述处理器具体用于：根据M×N组第二信息，确定所述数据集中M种光源的分类标准；根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析。
一种可能的实现方式中，所述处理器具体用于：针对N种被摄物中的每种被摄物，从所述被摄物对应的M组第二信息中任取两组，得到
Figure BDA0002794152680000031
对组合；针对每对组合，计算所述组合对应的二维数据点，得到
Figure BDA0002794152680000032
个二维数据点，所述二维数据点包括平均颜色距离和光源光谱相似指标；根据所述
Figure BDA0002794152680000033
个二维数据点，确定所述分类标准。
一种可能的实现方式中，所述处理器具体用于：根据所述组合中一组第二信息，计算各个像素的第一RGB值；根据所述组合中另一组第二信息，计算各个像素的第二RGB值；根据各个像素的第一RGB值和各个像素的第二RGB值，确定所述组合对应的平均颜色距离。
一种可能的实现方式中，所述处理器具体用于：根据所述组合中一组第二信息包含的光源的光谱和所述组合中另一组第二信息中包含的光源的光谱，确定所述组合对应的光源光谱相似指标。
一种可能的实现方式中，所述处理器具体用于：根据所述
Figure BDA0002794152680000034
个二维数据点，绘制二维交会图；从所述二维交会图的横坐标上确定第一参数，使得纵坐标小于预设值，且横坐标小于所述第一参数的二维点数据点的数量所占的比例超过预设阈值；将所述第一参数作为所述分类标准。
一种可能的实现方式中，所述处理器具体用于：采用k均值聚类算法对所述数据集中M种光源的光谱进行聚类分析；任意两个聚类中心之间的光源光谱相似指标大于所述分类标准，在每个聚类内部，任意两个光源之间的光谱相似指标小于所述分类标准。
一种可能的实现方式中，所述第一模型包括第一分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率；所述处理器具体用于：将每组数据中的第一信息以及对应拍摄场景下的光源对应的光源类别作为一个训练样本。
一种可能的实现方式中，所述第一模型包括第一分支和第二分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率，所述第二分支用于输出当前拍摄场景下各个像素对应的物体材质反射率谱；所述处理器具体用于：将每组数据中的第一信息、对应拍摄场景下的光源对应的光源类别以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱作为一个训练样本。
一种可能的实现方式中，所述第一分支包括第一结构和全连接层，所述第一结构下采样L次后转为所述全连接层，所述第一结构包括卷积层、激活函数以及最大池化层，所述第一分支的损失函数为交叉熵，L大于等于1；所述第二分支包括P个残差块，每个残差块包括第一卷积层、第一激活函数、第二卷积层以及第二激活函数，所述第二分支的损失函数为L2，P大于等于1。
一种可能的实现方式中，所述处理器具体用于：将当前拍摄场景下的光源属于各类光源的概率作为求和加权权重，对各类光源的光谱进行求和处理，得到当前拍摄场景下的光源的光谱。
第三方面，本申请提供一种电子设备，包括：RGB传感器、多光谱传感器、存储器以及处理器，所述RGB传感器用于生成当前拍摄场景下的第一图像，所述多光谱传感器用于记录所述多光谱传感器上各个像素接收到的光线的光强度，所述处理器用于和所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面提供的方法。
第四方面，本申请提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序在被执行时，实现上述第一方面提供的方法。
本申请提供的光源光谱获取方法和设备，用户触发打开终端设备的相机后，一方面，手机上的RGB传感器生成当前拍摄场景的原图，另一方面，手机上的多光谱传感器记录多光谱传感器上各个像素接收到的光线的光强度，将RGB传感器生成的原图和/或多光谱传感器上各个像素接收到的光线的光强度输入预先训练的模型，该模型输出当前拍摄场景下的光源属于各类光源的概率，将该概率作为求和加权权重，依据该求和加权权重和各类光源的光谱，确定当前拍摄场景下的光源的光谱。由于该方法得到的光源光谱接近真实光源光谱，依据该光源光谱进行白平衡处理和色彩矫正处理后，图像的色彩更加接近被摄物真实色彩，提升了用户体验。
附图说明
图1为本申请实施例提供的应用场景图；
图2为本申请实施例提供的RGB传感器的示意图一；
图3为本申请实施例提供的RGB传感器的示意图二；
图3A为本申请实施例提供的光源光谱的示意图；
图3B为本申请实施例提供的RGB传感器和多光谱传感器的示意图；
图4为本申请实施例提供的多光谱传感器的示意图；
图5为本申请实施例提供的通过多光谱传感器获取光源光谱的原理图；
图6为本申请提供的光源光谱获取方法的一实施例的流程图；
图7为本申请提供的RGB传感器上各像素RGB值的计算原理图；
图8为本申请实施例提供的构建数据集的流程图；
图9为本申请实施例提供的拍摄场景示意图一；
图10为本申请实施例提供的拍摄场景示意图二；
图11为本申请实施例提供的平均颜色距离的计算过程流程图；
图12为本申请实施例提供的二维交会图；
图13为本申请实施例提供的聚类结果示意图；
图14为本申请实施例提供的第一模型的结构示意图一；
图15为本申请实施例提供的残差块的结构示意图；
图16为本申请实施例提供的第一模型的结构示意图二；
图17为本申请实施例提供的第一模型的结构示意图三；
图18为本申请实施例提供的当前拍摄场景下的光源的光谱的计算原理图；
图19为本申请实施例提供的通过第一模型得到的光源光谱和通过图5所示方式得到的光源光谱的对比图一；
图20为本申请实施例提供的通过第一模型得到的光源光谱和通过图5所示方式得到的光源光谱的对比图二；
图21为本申请实施例提供的电子设备100的结构示意图。
具体实施方式
图1为本申请实施例提供的应用场景图。参见图1所示，用户拍照时，光源发出的光线照射到被摄物上，被摄物的反射光线入射到相机。参见图2所示，相机内设置有色彩滤镜阵列(Color Filter Array，CFA)和RGB传感器。CFA设置在RGB传感器上，CFA包括红、绿蓝三种颜色的滤光片，三种颜色的滤光片可按照图2所示方式排列，RGB传感器被划分为多个像素，CFA上的滤光片和RGB传感器上的像素一一对应。参见图3所示，以一红色滤光片为例，假设该红色滤光片对应像素A，经过该红色滤光片的过滤后，只有红色光线能到达像素A，因此像素A对应的颜色通道为红色通道。RGB传感器用于记录各个像素接收到的光线的光强度。
图2中，RGB传感器记录的光强度满足公式1：
Figure BDA0002794152680000051
其中，c表示像素x对应的颜色通道，Ic表示RGB传感器记录的像素x接收到的光线的光强度，L(λ)为光源光谱，R(λ,x)为像素x对应的物体材质反射率谱，Cc(λ)为c的响应函数。c的响应函数指的是RGB传感器记录的光强度与入射光线的光强度的比值随波长变化的函数，Cc(λ)在终端设备开发过程中标定得到。
光源光谱L(λ)是指在光源对应的波长范围内，光源的光强度随波长的变化曲线。比如，参见图3A所示，一日光灯对应的波长范围为380～780nm，该日光灯的光强度随波长的变化曲线为图3A所示意的曲线，则图3A所示意的曲线称为该日光灯的光源光谱。
由公式1可以看出，RGB传感器记录的光强度是光源光谱、物体材质反射率谱和响应函数的积分结果。光源不同时，由于光源光谱不同，导致RGB传感器记录的光强度不同，根据该光强度计算得到的色彩值也不同，该色彩值用于渲染形成图像，可见渲染形成的图像的颜色会受光源的影响。比如：一白色物体在日光灯的照射下，渲染形成的图像的颜色接近物体本身的颜色，但是，把该白色物体放在红色发光二极管(Light Emitting Diode，LED)灯的照射下，由于光源发生变化，渲染形成的图像的颜色受红色LED灯的影响偏红。
在一些实施例中，针对每个像素，RGB传感器将该像素接收到的光线的光强度转换为该像素对应颜色通道的色彩值，将周围像素对应的颜色通道的色彩值作为该像素其他颜色通道的色彩值，从而得到该像素的RGB值。RGB传感器将各个像素的RGB值传输给图像信号处理(Image Signal Processing，ISP)模块，ISP模块对RGB传感器输出的各个像素的RGB值进行白平衡处理以及色彩矫正处理，其中，白平衡处理用于去除光源的影响，避免因光源而引起的偏色，色彩矫正处理用于在白平衡处理后，把各个像素的RGB值转换为标准观察者空间(CIE XYZ)。准确的光源光谱可以指导上述两个处理过程。
在一些实施例中，通过如下方式获取光源光谱：
参见图3B所示，在相机中增加多光谱传感器，多光谱传感器和RGB传感器可以共用同一组镜头，或者，多光谱传感器和RGB传感器各自有独立的镜头，图3B中以多光谱传感器和RGB传感器各自有独立的镜头为例示意，多光谱传感器和RGB传感器设置在各自的镜头后面。参见图4所示，和RGB传感器类似，多光谱传感器上也设置有CFA，光线通过镜头入射到CFA上，与RGB传感器上的CFA不同的是，多光谱传感器上的CFA包含多种颜色的滤光片，图4中以CFA包含赤、橙、黄、绿、青、蓝、紫八种颜色滤光片为例示意。
与RGB传感器类似，多光谱传感器可记录各个像素接收到的光线的光强度，参见图4所示，每个像素对应的一种颜色通道，将每个像素接收到的光线的光强度作为对应颜色通道的光强度，可得到八种颜色通道的光强度。将八种颜色通道的光强度绘制在一起，得到图5示意的八个离散点，对图5所示八个离散点进行插值处理，可得到光强度随波长的变化曲线，将该曲线作为光源光谱。
然而，多光谱传感器记录的光强度也满足公式1，通过上述方法得到的光源光谱实质是光源光谱、物体材质反射率谱和响应函数的积分结果，并不是单纯的光源光谱，上述方法得到的光源光谱准确度不高。
为解决上述技术问题，本申请实施例提供一种光源光谱获取方法，该光源光谱获取方法应用于配置有RGB传感器和多光谱传感器的终端设备，该终端设备包括但不限于手机、平板电脑、笔记本电脑、智慧屏、数码相机等。以手机为例，用户触发打开手机的相机后，一方面，手机上的RGB传感器生成当前拍摄场景的原图。另一方面，手机上的多光谱传感器记录多光谱传感器上各个像素接收到的光线的光强度，将RGB传感器生成的原图和/或多光谱传感器记录的各个像素接收到的光线的光强度输入预先训练的模型，模型输出当前拍摄场景下的光源属于各类光源的概率，将该概率作为求和加权权重，依据该求和加权权重和各类光源的光谱，确定当前拍摄场景下的光源的光谱。该方法得到的光源光谱接近真实光源光谱，依据该光源光谱进行白平衡处理和色彩矫正处理后，图像的色彩更加接近被摄物真实色彩，提升了用户体验。
图6为本申请提供的光源光谱获取方法的一实施例的流程图。如图6所示，本实施例提供的光源光谱获取方法应用在用户触发打开终端设备的相机后，该方法具体包括：
S601、RGB传感器生成当前拍摄场景的原图。
当前拍摄场景的原图为根据RGB传感器上各个像素的RGB值生成的图片。本申请实施例中，将当前拍摄场景的原图称为当前拍摄场景下的第一图像。
针对每个像素，RGB传感器将该像素接收到的光线的光强度转换为该像素对应颜色通道的色彩值，将周围像素对应的颜色通道的色彩值作为该像素其他颜色通道的色彩值，从而得到该像素的RGB值。
举例来说：
参见图7所示，滤光片1的颜色为红色，滤光片2的颜色为绿色，滤光片3的颜色为蓝色。滤光片1对应RGB传感器上的像素A，滤光片2对应RGB传感器上的像素B，滤光片3对应RGB传感器上的像素C。RGB传感器对像素A接收到的光线的光强度进行转换，可得到像素A的R值。对像素B接收到的光线的光强度进行转换，可得到像素B的G值。对像素C接收到的光线的光强度进行转换，可得到像素C的B值。可将像素B的G值作为像素A的G值，将像素C的B值作为像素A的B值，则像素A的RGB值为(R1，G1，B1)。
S602、多光谱传感器记录多光谱传感器上各个像素接收到的光线的光强度。
S602中多光谱传感器为终端设备内配置的多光谱传感器，为方便区分，下文将该多光谱传感器称为第一多光谱传感器。
S603、将第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率。
其中，第一信息包括以下至少一种：RGB传感器生成的第一图像或者第一多光谱传感器上各个像素接收到的光线的光强度。
需要说明的是：可以仅将当前拍摄场景的原图输入第一模型，或者仅将第一多光谱传感器上各个像素接收到的光线的光强度输入第一模型，或者将当前拍摄场景的原图和第一多光谱传感器上各个像素接收到的光线的光强度均输入第一模型。
在S603之前，需对第一模型进行训练，首先，获取训练样本，该训练样本包括不同拍摄场景下的第一信息以及不同拍摄场景下的光源对应的光源类别，然后，使用该训练样本训练第一模型。
下面介绍获取训练样本的过程：
由于已知光源有很多，有的光源的光谱和其他光源的光谱很相似，因此，为了减小第一模型的计算压力，可对已知光源进行分类，根据分类结果和预先构建的数据集获取训练样本。
下面对构建数据集的过程、对已知光源进行分类的过程以及根据分类结果和数据集获取训练样本的过程逐一介绍。
首先介绍构建数据集的过程：
在终端设备开发过程中，针对任一已知光源，该已知光源包括但不限于：日光、阴影、阴天、钨丝灯、白色荧光灯或者闪光灯，执行如下操作，参见图8所示：
S10、打开光源，测试人员使用照度计测量光源的光谱。
照度计测量得到的光谱在后续对光源进行分类的过程中使用。
S11、测试人员将被摄物放置在光源照射下。
一种可能的实现方式中，将被摄物放置在光源正下方。S10使用的光源和S11使用的被摄物构成一种拍摄场景。
S12、使用终端设备拍摄被摄物。
参见图9所示，可将终端设备正对被摄物，调整终端设备的视场角，使得被摄物处于终端设备的视场角对应的拍摄范围内，然后再触发拍照。
从终端设备的RGB传感器中获取原图，从第一多光谱传感器中获取第一多光谱传感器上各个像素接收到的光线的光强度。该原图和各个像素接收到的光线的光强度在后续获取训练样本的过程中使用。RGB传感器生成原图的过程参见S601，本实施例在此不再赘述。
S13、在终端设备拍摄被摄物的同一位置处，使用多光谱相机拍摄被摄物。
对多光谱相机拍摄得到的多光谱图像进行处理，得到光谱相机内多光谱传感器上各个像素对应的物体材质反射率谱，该物体材质反射率谱在后续对光源进行分类的过程中使用。
一种可能的实现方式中，多光谱相机内设置有多光谱传感器，为方便区分，将该多光谱传感器称为第二多光谱传感器，第二多光谱传感器的尺寸和RGB传感器尺寸相同，第二多光谱传感器上的像素和RGB传感器上的像素一一对应。可利用公式1反推得到第二多光谱传感器上各个像素对应的物体材质反射率谱，具体的，从多光谱图像中提取第二多光谱传感器上各个像素对应的颜色通道的色彩值，根据各个像素对应的颜色通道的色彩值反推得到各个像素对应的颜色通道的光强度IC，S10中测量得到了L(λ)，如前文所述，Cc(λ)为已知，则可利用公式1反推得到第二多光谱传感器上各个像素对应的物体材质反射率谱。
参见图10所示，使用多光谱相机拍摄被摄物之前，将多光谱相机的视场角调整为终端设备拍摄被摄物时所用的视场角，将多光谱相机的拍摄角度调整为终端设备拍摄被摄物时所用的拍摄角度，然后再触发拍照。
经过S10-S13的采集过程，得到一组数据，该组数据包括：对应拍摄场景下的第一信息和第二信息，该第二信息包括：对应拍摄场景下的光源的光谱以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱。其中，RGB传感器生成的原图以及第一多光谱传感器记录的第一多光谱传感器上各个像素接收到的光线的光强度用于后续获取训练样本；照度计测量得到的光谱以及第二多光谱传感器上各个像素对应的物体材质反射率谱用于对已知光源进行分类。
S14、保持被摄物不变，改变已知光源，重复S10-S13。
本申请实施例假设有M种光源，通过上述S11-S14可得到同一被摄物对应的M组数据。改变被摄物，重复S11-S14可得到另一被摄物对应的M组数据，假设被摄物有N种，则可得到M×N组数据，该M×N组数据构成上述数据集，每组数据对应一种拍摄场景，每种拍摄场景对应一种光源和一种被摄物。
以上为构建数据集的过程。
下面介绍对已知光源进行分类的过程：
一种可能的实现方式中，参见上文数据集构建过程，数据集中有M种光源，对已知光源进行分类指的是对该M种光源的光谱进行聚类分析，得到数据集中每种拍摄场景下的光源对应的光源类别。
对M种光源的光谱进行聚类分析时，从数据集中获取每组数据中的第二信息，得到M×N组第二信息，根据M×N组第二信息，对数据集中M种光源的光谱进行聚类分析。
具体的，首先根据M×N组第二信息，确定数据集中M种光源的分类标准，然后根据该分类标准，对数据集中M种光源的光谱进行聚类分析。
下面对分类标准的确定过程以及根据分类标准对M种光源的光谱进行聚类分析的过程逐一介绍。
下面介绍分类标准的确定过程：
针对N种被摄物中的每种被摄物，从该被摄物对应的M组第二信息中任取两组，得到
Figure BDA0002794152680000081
对组合，针对每对组合，通过下文提供的方法计算对应的二维数据点。该二维数据点包括平均颜色距离和光源光谱相似指标；根据
Figure BDA0002794152680000082
个二维数据点，确定分类标准。
下面介绍二维数据点的计算过程：
以一对组合为例，该对组合对应的平均颜色距离和该对组合对应的光源光谱相似指标构成该对组合的二维数据点。因此，二维数据点的计算过程包括两个方面的计算，一方面，计算该对组合对应的平均颜色距离，该平均颜色距离反映两张图像的色彩的差异。另一方面，计算该对组合对应的光源光谱相似指标。
下面介绍平均颜色距离的计算过程，参见图11所示：
S20、根据该对组合中一组第二信息，计算各个像素的第一RGB值。
首先，采用如下公式计算各个像素对应的的光强度：
Figure BDA0002794152680000091
其中，c表示像素x对应的颜色通道，Ic表示像素x对应的光强度，L(λ)表示该组第二信息中的光源的光谱，R(λ,x)表示该组第二信息中第二多光谱传感器上各个像素对应的物体材质反射率谱，Cc(λ)为c的响应函数。
然后，对各个像素对应的光强度进行转换，得到各个像素对应的颜色通道的色彩值，针对每个像素，将该像素周围像素对应的颜色通道的色彩值作为该像素其他颜色通道的色彩值，从而得到该像素的第一RGB值。具体过程可参见S601，本申请在此不再赘述。
S21、根据该对组合中另一组第二信息，计算各个像素的第二RGB值。
根据另一组第二信息，计算各个像素的第二RGB值的方式和S20类似，本申请不再赘述。
S22、根据S20计算的各个像素的第一RGB值以及S21计算的各个像素的第二RGB值，计算每个像素对应的颜色距离。
针对任一像素，通过如下公式计算该像素对应的颜色距离：
Figure BDA0002794152680000092
其中，(R1，G1，B1)为S20计算的各个像素的RGB值，(R2，G2，B2)为S21计算的各个像素的RGB值。
S23、对所有像素均进行上述S22的计算，得到所有像素对应的颜色距离，然后对所有像素对应的颜色距离求取平均，将得到的平均值作为上述平均颜色距离。
以上为平均颜色距离的计算过程。
下面介绍光源光谱相似指标的计算过程：
可通过如下公式计算一对组合对应的光源光谱相似指标：
Figure BDA0002794152680000093
其中，RMSE表示一对组合对应的光源光谱相似指标，
Figure BDA0002794152680000094
为该对组合中一组第二信息中光源的光谱上波长i的光强度，
Figure BDA0002794152680000095
为该对组合中另一组第二信息中光源的光谱上波长i的光强度，N表示两组第二信息中光源的光谱上共有波长的数量。该光源光谱相似指标越小，光源光谱相似度越大。
以上为光源光谱相似指标的计算过程。
通过上述第一方面的计算，可以得到一对组合对应的平均颜色距离，通过上述第二方面的计算，可以得到一对组合对应的光源光谱相似指标。该平均颜色距离和该光源光谱相似指标的对应关系可作为该对组合对应的二维数据点。
对
Figure BDA0002794152680000096
对组合均做如上处理，得到
Figure BDA0002794152680000097
个二维数据点。
以上为二维数据点的计算过程。
下面介绍确定分类标准的过程：
根据
Figure BDA0002794152680000098
个二维数据点，绘制二维交会图，横坐标代表光源光谱相似指标，纵坐标代表平均颜色距离，根据图上
Figure BDA0002794152680000099
个二维数据点的分布确定分类标准。
举例来说：
将上述
Figure BDA00027941526800000910
个二维数据点绘制在一张图上后，得到图12所示二维交会图。可预先设置一个阈值，比如：95％。平均颜色距离小于5度时，两个图像的色彩差异不显著，可将5度作为预设值，从二维交会图的横坐标上确定第一参数，使得纵坐标小于预设值，横坐标小于第一参数的二维点数据点的数量所占的比例超过预设阈值，该第一参数则可作为上述分类标准。参见图12所示，纵坐标小于5度，横坐标小于0.004的二维点数据点的数量所占的比例超过了95％，则可将该0.004作为分类标准。
以上为确定分类标准的过程。
下面介绍根据分类标准对M种光源的光谱进行聚类分析的过程。
采用k均值聚类算法(k-means clustering algorithm，k-means)对M种光源的光谱进行聚类分析，在聚类分析的过程中保证任意两个聚类中心之间的光源光谱相似指标大于上述分类标准，在每个聚类内部，任意两个光源之间的光源光谱相似指标小于上述分类标准，得到光源的类别数量以及M种光源各自对应的光源类别。
示例性的，图13示出了一种聚类结果，参见图13所示，通过上述聚类分析，得到5类光源。分别用类别1、类别2、类别3、类别4、类别5示意。
以上为根据分类标准对M种光源的光谱进行聚类分析的过程。
下面介绍根据分类结果和数据集获取训练样本的过程：
可根据数据集中每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本。
第一模型的结构不同时，需要获取的训练样本不同，下面介绍第一模型的几种可能的设计结构。
一种可能的实现方式中，参见图14所示，第一模型包括八个残差块和第一分支，将S601得到的原图和/或S602得到的第一多光谱传感器上各个像素接收到的光线的光强度输入第一个残差块后，经过八个残差块和第一分支的处理，第一分支便会输出当前拍摄场景下的光源属于各类光源的概率。
参见图14所示，第一分支通过第一结构下采样4次后转为全连接层，第一结构包括：卷积层、激活函数以及最大池化层。卷积层可以为C(3,3,64)，C(3,3,64)表示64通道且核大小为3*3的卷积层，激活函数可采用ReLu，最大池化层可以为Max_pool2d(2,2)，Max_pool2d(2,2)表示核大小为2*2的最大池化层。全连接层尺寸为(1*光谱类别数量)。第一分支的损失函数为交叉熵。一次训练所抓取的训练样本数量batch size设为64，优化器为Adam，学习率服从多项式衰减，学习率的初始值设为1×10-5。光谱类别数量设为上述聚类分析得到的数量。
需要说明的是：上述下采样4次仅是一种示例，本申请对下采样次数不限制。
参见图15所示，每个残差块的图像尺寸为W*H*64。W与H为图像的宽和高，64表示通道数量。每个残差块包括：卷积层1、激活函数1、卷积层2、激活函数2，卷积层1和卷积层2可以为C(3,3,64)，激活函数1和激活函数2可采用ReLu。
训练图14所示第一模型时，训练样本中包含数据需要有：RGB传感器生成的原图、第一多光谱传感器上各个像素接收到的光线的光强度以及光源类别。可将每组数据中的第一信息以及对应拍摄场景下的光源对应的光源类别作为一个训练样本。以数据集中M×N组数据中一组数据为例，假设聚类分析的结果为：该组数据对应的光源类别为类别A；该组数据中的RGB传感器生成的原图为原图A，该组数据中第一多光谱传感器上各个像素接收到的光线的光强度为向量A，则该原图A、向量A和类别A构成一个训练样本，如表1所示。
表1
训练样本 原图A 向量A 类别A
训练第一模型时，每次一个batch数量的样本输入，计算梯度，更新模型参数，迭代多次之后，模型达到最优。
另一种可能的实现方式中，参见图16所示，第一模型包括八个残差块、第一分支以及第二分支，将S601得到的原图和/或S602得到的第一多光谱传感器上各个像素接收到的光线的光强度输入第一个残差块后，第一分支输出当前拍摄场景下的光源属于各类光源的概率，第二分支输出当前拍摄场景下各个像素对应的物体材质反射率谱。
其中，八个残差块和第一分支的结构参见图14和图15，本实施例在此不再赘述。第二分支包括八个残差块，每个残差块结构和图15所示残差块的结构相同。第二分支的损失函数为L2。batch size设为64，优化器为Adam，学习率服从多项式衰减，学习率的初始值设为1×10-5，物体材质反射率谱为31通道。
需要说明的是：上述第二分支包括八个残差块仅是一种示例，本申请对第二分支中残差块的数量不限制。
训练图16所示第一模型时，训练样本中包含数据需要有：RGB传感器生成的原图、第一多光谱传感器上各个像素接收到的光线的光强度、光源类别以及第二多光谱传感器上各个像素对应的物体材质反射率谱。可将每组数据中的第一信息、对应拍摄场景下的光源对应的光源类别以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱作为一个训练样本。以数据集中M×N组数据中一组数据为例，假设聚类分析的结果为：该组数据对应的光源类别为类别A；该组数据中的RGB传感器生成的原图为原图A，该组数据中第一多光谱传感器上各个像素接收到的光线的光强度为向量A1，该组数据中第二多光谱传感器上各个像素对应的物体材质反射率谱为向量A2，则该原图A、向量A1、向量A2和类别A构成一个训练样本，如表2所示。
表2
训练样本 原图A 向量A1 向量A2 类别A
训练第一模型时，每次一个batch数量的样本输入，计算梯度，更新模型参数，迭代多次之后，模型达到最优。
又一种可能的实现方式中，参见图17所示，第一模型可包括八个残差块和第二分支。将S601得到的原图和/或S602得到的第一多光谱传感器上各个像素接收到的光线的光强度输入第一个残差块后，第二分支输出RGB传感器上各个像素对应的物体材质反射率谱。
其中，八个残差块结构参见图15，第二分支的结构参见图16，本实施例在此不再赘述。
训练图17所示第一模型时，训练样本中包含数据需要有：RGB传感器生成的原图、第一多光谱传感器上各个像素接收到的光线的光强度以及第二多光谱传感器上各个像素对应的物体材质反射率谱。其中，RGB传感器生成的原图、第一多光谱传感器上各个像素接收到的光线的光强度以及第二多光谱传感器上各个像素对应的物体材质反射率谱可以从上文构建的数据集中提取。以数据集中M×N组数据中一组数据为例，该组数据中的RGB传感器生成的原图为原图A，该组数据中第一多光谱传感器上各个像素接收到的光线的光强度为向量A1，该组数据中第二多光谱传感器上各个像素对应的物体材质反射率谱为向量A2，则该原图A、向量A1和向量A2构成一个训练样本，如表3所示。
表3
训练样本 原图A 向量A1 向量A2
S604、根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。
一种可能的实现方式中，将当前拍摄场景下的光源属于各类光源的概率作为求和加权权重，对各类光源的光谱进行求和处理，得到当前拍摄场景下的光源的光谱。
一种可能的实现方式中，各类光源的光谱可以为上述聚类分析得到的各个聚类中心的光谱。
下面举例说明：
假设上述聚类分析得到5类光源，当前拍照场景下的光源属于各类光源的概率分别为A％，B％，C％，D％以及E％。各类光源的光谱分为参见图18所示，将A％，B％，C％，D％以及E％作为求和加权权重，通过图18方式求取当前拍摄场景下的光源的光谱。
如前文所描述，第一模型的输入可以为RGB传感器生成原图，也可以为第一多光谱传感器上各个像素接收到的光线的光强度，还可以为RGB传感器生成原图和第一多光谱传感器上各个像素接收到的光线的光强度。第一模型的输入不同的，第一模型的输出有差异，S604得到的光谱相应的也有差异。针对每种输入，计算S604得到的光谱和照度计实际测量的光谱之间的光源光谱相似指标。示例性的，表4示出了三种输入对应的光源光谱相似指标，表4中将第一多光谱传感器上各个像素接收到的光线的光强度简称为光强度，将RGB传感器生成原图简称为原图。从表4可以看出，和仅输入RGB传感器生成原图或第一多光谱传感器上各个像素接收到的光线的光强度相比，将RGB传感器生成原图和第一多光谱传感器上各个像素接收到的光线的光强度均输入第一模型时，S604确定的光源光谱和照度计实际测量的光谱最相似。
表4
输入 RMSE
原图 0.0057
原图+光强度 0.0038
光强度 0.0041
图19示出了通过第一模型得到的光源光谱和通过图5所示方式得到的光源光谱的对比图一。图19中AMS为通过图5所示方式得到的光源光谱，Estimated为通过第一模型得到的光源光谱，Ground Truth为照度计实际测量的光源光谱。横坐标为波长，纵坐标为光强度的归一化值。经计算，AMS和Ground Truth之间的光源光谱相似指标RMSE_G＝0.0083，Estimated和Ground Truth之间的光源光谱相似指标RMSE_G＝0.0041，可见，相比于图5所示方式得到的光源光谱，通过第一模型得到的光源光谱和照度计实际测量的光源光谱更接近。
图20示出了通过第一模型得到的光源光谱和通过图5所示方式得到的光源光谱的对比图二。同样的，图15中AMS为通过图5所示方式得到的光源光谱，Estimated为通过第一模型得到的光源光谱，Ground Truth为照度计实际测量的光源光谱。横坐标为波长，纵坐标为光强度的归一化值。经计算，AMS和Ground Truth之间的相似指标RMSE_G＝0.0093，Estimated和Ground Truth之间的相似指标RMSE_G＝0.0050，可见，相比于图5所示方式得到的光源光谱，通过第一模型得到的光源光谱和照度计实际测量的光源光谱更接近。
由于通过第一模型得到的光源光谱接近真实光源光谱，依据该光源光谱进行白平衡处理和色彩矫正处理后，图像的色彩更加接近被摄物真实色彩，提升了用户体验。
本申请实施例提供的光源光谱获取方法，用户触发打开终端设备的相机后，一方面，手机上的RGB传感器生成当前拍摄场景的原图，另一方面，手机上的多光谱传感器记录多光谱传感器上各个像素接收到的光线的光强度，将RGB传感器生成的原图和/或多光谱传感器上各个像素接收到的光线的光强度输入预先训练的模型，该模型输出当前拍摄场景下的光源属于各类光源的概率，将该概率作为求和加权权重，依据该求和加权权重和各类光源的光谱，确定当前拍摄场景下的光源的光谱。由于该方法得到的光源光谱接近真实光源光谱，依据该光源光谱进行白平衡处理和色彩矫正处理后，图像的色彩更加接近被摄物真实色彩，提升了用户体验。
图21示出了电子设备100的结构示意图。电子设备100可以包括处理器110，外部存储器接口120，内部存储器121，通用串行总线(universal serial bus，USB)接口130，充电管理模块140，电源管理模块141，电池142，音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，按键190，马达191，指示器192，摄像头193，显示屏194等。
其中，摄像头193包括RGB传感器、多光谱传感器以及ISP处理器。RGB传感器和多光谱传感器均和ISP处理器连接。RGB传感器用于生成当前拍摄场景的原图，多光谱传感器用于记录多光谱传感器上各个像素接收到的光线的光强度。
一种可能的实现方式中，第一模型安装在RGB传感器中，RGB传感器和多光谱传感器相连，多光谱传感器将记录的各个像素接收到的光线的光强度发送给RGB传感器，RGB传感器生成当前拍摄场景的原图后，将第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率，RGB传感器进一步根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。并将该光源的光谱发送给ISP处理器，用于指导白平衡处理和色彩矫正处理过程。
另一种可能的实现方式中，第一模型安装在多光谱传感器中，RGB传感器和多光谱传感器相连，RGB传感器将生成的当前拍摄场景的原图发送给多光谱传感器，多光谱传感器记录多光谱传感器上各个像素接收到的光线的光强度，并将第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率，多光谱传感器进一步根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。并将该光源的光谱发送给ISP处理器，用于指导白平衡处理和色彩矫正处理过程。
另一种可能的实现方式中，第一模型安装在ISP处理器中，RGB传感器和多光谱传感器均和ISP处理器连接，多光谱传感器将记录的各个像素接收到的光线的光强度发送给ISP处理器，RGB传感器将生成的当前拍摄场景的原图发送给ISP处理器，ISP处理器将第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率，进一步根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。该光源的光谱用于指导白平衡处理和色彩矫正处理过程。
另一种可能的实现方式中，第一模型安装在处理器110中，RGB传感器和多光谱传感器均和处理器110连接，多光谱传感器将记录的各个像素接收到的光线的光强度发送给处理器110，RGB传感器将生成的当前拍摄场景的原图发送给处理器110，处理器110将第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率，进一步根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。并将该光源的光谱发送给ISP处理器，用于指导白平衡处理和色彩矫正处理过程。
可以理解的是，本发明实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中，电子设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。
处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了系统的效率。
在一些实施例中，处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和/或通用串行总线(universal serial bus，USB)接口等。
I2C接口是一种双向同步串行总线，包括一根串行数据线(serial data line，SDA)和一根串行时钟线(derail clock line，SCL)。在一些实施例中，处理器110可以包含多组I2C总线。处理器110可以通过不同的I2C总线接口分别耦合触摸传感器180K，充电器，闪光灯，摄像头193等。例如：处理器110可以通过I2C接口耦合触摸传感器180K，使处理器110与触摸传感器180K通过I2C总线接口通信，实现电子设备100的触摸功能。
I2S接口可以用于音频通信。在一些实施例中，处理器110可以包含多组I2S总线。处理器110可以通过I2S总线与音频模块170耦合，实现处理器110与音频模块170之间的通信。在一些实施例中，音频模块170可以通过I2S接口向无线通信模块160传递音频信号，实现通过蓝牙耳机接听电话的功能。
PCM接口也可以用于音频通信，将模拟信号抽样，量化和编码。在一些实施例中，音频模块170与无线通信模块160可以通过PCM总线接口耦合。在一些实施例中，音频模块170也可以通过PCM接口向无线通信模块160传递音频信号，实现通过蓝牙耳机接听电话的功能。所述I2S接口和所述PCM接口都可以用于音频通信。
UART接口是一种通用串行数据总线，用于异步通信。该总线可以为双向通信总线。它将要传输的数据在串行通信与并行通信之间转换。在一些实施例中，UART接口通常被用于连接处理器110与无线通信模块160。例如：处理器110通过UART接口与无线通信模块160中的蓝牙模块通信，实现蓝牙功能。在一些实施例中，音频模块170可以通过UART接口向无线通信模块160传递音频信号，实现通过蓝牙耳机播放音乐的功能。
MIPI接口可以被用于连接处理器110与显示屏194，摄像头193等外围器件。MIPI接口包括摄像头串行接口(camera serial interface，CSI)，显示屏串行接口(displayserial interface，DSI)等。在一些实施例中，处理器110和摄像头193通过CSI接口通信，实现电子设备100的拍摄功能。处理器110和显示屏194通过DSI接口通信，实现电子设备100的显示功能。
GPIO接口可以通过软件配置。GPIO接口可以被配置为控制信号，也可被配置为数据信号。在一些实施例中，GPIO接口可以用于连接处理器110与摄像头193，显示屏194，无线通信模块160，音频模块170，传感器模块180等。GPIO接口还可以被配置为I2C接口，I2S接口，UART接口，MIPI接口等。
USB接口130是符合USB标准规范的接口，具体可以是Mini USB接口，Micro USB接口，USB Type C接口等。USB接口130可以用于连接充电器为电子设备100充电，也可以用于电子设备100与外围设备之间传输数据。也可以用于连接耳机，通过耳机播放音频。该接口还可以用于连接其他电子设备，例如AR设备等。
可以理解的是，本发明实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备100的结构限定。在本申请另一些实施例中，电子设备100也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。
充电管理模块140用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块140可以通过电子设备100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时，还可以通过电源管理模块141为电子设备供电。
电源管理模块141用于连接电池142，充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入，为处理器110，内部存储器121，显示屏194，摄像头193，和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量，电池循环次数，电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块141也可以设置于处理器110中。在另一些实施例中，电源管理模块141和充电管理模块140也可以设置于同一个器件中。
电子设备100通过GPU，显示屏194，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏194和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器110可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像，视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emittingdiode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的，AMOLED)，柔性发光二极管(flex light-emittingdiode，FLED)，Miniled，MicroLed，Micro-oLed，量子点发光二极管(quantum dot lightemitting diodes，QLED)等。在一些实施例中，电子设备100可以包括1个或N个显示屏194，N为大于1的正整数。
电子设备100可以通过ISP，摄像头193，视频编解码器，GPU，显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如，拍照时，打开快门，光线通过镜头被传递到摄像头感光元件上，光信号转换为电信号，摄像头感光元件将所述电信号传递给ISP处理，转化为肉眼可见的图像。ISP还可以对图像的噪点，亮度，肤色进行算法优化。ISP还可以对拍摄场景的曝光，色温等参数优化。在一些实施例中，ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，CMOS)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB，YUV等格式的图像信号。在一些实施例中，电子设备100可以包括1个或N个摄像头193，N为大于1的正整数。
数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号。例如，当电子设备100在频点选择时，数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样，电子设备100可以播放或录制多种编码格式的视频，例如：动态图像专家组(moving picture experts group，MPEG)1，MPEG2，MPEG3，MPEG4等。
NPU为神经网络(neural-network，NN)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用，例如：图像识别，人脸识别，语音识别，文本理解等。
外部存储器接口120可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器121可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。处理器110通过运行存储在内部存储器121的指令，和/或存储在设置于处理器中的存储器的指令，执行电子设备100的各种功能应用以及数据处理。
电子设备100可以通过音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，以及应用处理器等实现音频功能。例如音乐播放，录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中，音频模块170可以设置于处理器110中，或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A，也称“喇叭”，用于将音频电信号转换为声音信号。电子设备100可以通过扬声器170A收听音乐，或收听免提通话。
受话器170B，也称“听筒”，用于将音频电信号转换成声音信号。当电子设备100接听电话或语音信息时，可以通过将受话器170B靠近人耳接听语音。
麦克风170C，也称“话筒”，“传声器”，用于将声音信号转换为电信号。当拨打电话或发送语音信息时，用户可以通过人嘴靠近麦克风170C发声，将声音信号输入到麦克风170C。电子设备100可以设置至少一个麦克风170C。在另一些实施例中，电子设备100可以设置两个麦克风170C，除了采集声音信号，还可以实现降噪功能。在另一些实施例中，电子设备100还可以设置三个，四个或更多麦克风170C，实现采集声音信号，降噪，还可以识别声音来源，实现定向录音功能等。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130，也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform，OMTP)标准接口，美国蜂窝电信工业协会(cellular telecommunications industry association of the USA，CTIA)标准接口。
按键190包括开机键，音量键等。按键190可以是机械按键。也可以是触摸式按键。电子设备100可以接收按键输入，产生与电子设备100的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示，也可以用于触摸振动反馈。例如，作用于不同应用(例如拍照，音频播放等)的触摸操作，可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作，马达191也可对应不同的振动反馈效果。不同的应用场景(例如：时间提醒，接收信息，闹钟，游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯，可以用于指示充电状态，电量变化，也可以用于指示消息，未接来电，通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195，或从SIM卡接口195拔出，实现和电子设备100的接触和分离。电子设备100可以支持1个或N个SIM卡接口，N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡，Micro SIM卡，SIM卡等。同一个SIM卡接口195可以同时插入多张卡。所述多张卡的类型可以相同，也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。电子设备100通过SIM卡和网络交互，实现通话以及数据通信等功能。在一些实施例中，电子设备100采用eSIM，即：嵌入式SIM卡。eSIM卡可以嵌在电子设备100中，不能和电子设备100分离。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (30)

1.一种光源光谱获取方法，其特征在于，所述方法包括：
获取当前拍摄场景下的第一信息，所述第一信息包括以下至少一种：RGB传感器生成的第一图像或者第一多光谱传感器上各个像素接收到的光线的光强度；
将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率；
根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率之前，所述方法还包括：
获取训练样本，所述训练样本包括不同拍摄场景下的第一信息以及不同拍摄场景下的光源对应的光源类别；
使用所述训练样本训练所述第一模型。
3.根据权利要求2所述的方法，其特征在于，所述获取训练样本，包括：
构建数据集，所述数据集包括M×N组数据，每组数据对应一种拍摄场景，每种拍摄场景对应一种光源和一种被摄物，M为光源的数量，N为被摄物数量，每组数据包括：对应拍摄场景下的第一信息；
对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别；
根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本。
4.根据权利要求3所述的方法，其特征在于，所述M×N组数据中每组数据还包括：第二信息，所述第二信息包括：对应拍摄场景下的光源的光谱以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱；
所述对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别，包括：
获取每组数据中的第二信息，得到M×N组第二信息；
根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析。
5.根据权利要求4所述的方法，其特征在于，所述根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析，包括：
根据M×N组第二信息，确定所述数据集中M种光源的分类标准；
根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析。
6.根据权利要求5所述的方法，其特征在于，所述根据M×N组第二信息，确定所述数据集中M种光源的分类标准，包括：
针对N种被摄物中的每种被摄物，从所述被摄物对应的M组第二信息中任取两组，得到
Figure FDA0002794152670000011
对组合；
针对每对组合，计算所述组合对应的二维数据点，得到
Figure FDA0002794152670000012
个二维数据点，所述二维数据点包括平均颜色距离和光源光谱相似指标；
根据所述
Figure FDA0002794152670000013
个二维数据点，确定所述分类标准。
7.根据权利要求6所述的方法，其特征在于，所述针对每对组合，计算所述组合对应的二维数据点，包括：
根据所述组合中一组第二信息，计算各个像素的第一RGB值；
根据所述组合中另一组第二信息，计算各个像素的第二RGB值；
根据各个像素的第一RGB值和各个像素的第二RGB值，确定所述组合对应的平均颜色距离。
8.根据权利要求6所述的方法，其特征在于，所述针对每对组合，计算所述组合对应的二维数据点，包括：
根据所述组合中一组第二信息包含的光源的光谱和所述组合中另一组第二信息中包含的光源的光谱，确定所述组合对应的光源光谱相似指标。
9.根据权利要求6-8任一项所述的方法，其特征在于，所述根据所述
Figure FDA0002794152670000021
个二维数据点，确定所述分类标准，包括：
根据所述
Figure FDA0002794152670000022
个二维数据点，绘制二维交会图；
从所述二维交会图的横坐标上确定第一参数，使得纵坐标小于预设值，且横坐标小于所述第一参数的二维点数据点的数量所占的比例超过预设阈值；
将所述第一参数作为所述分类标准。
10.根据权利要求5-9任一项所述的方法，其特征在于，所述根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析，包括：
采用k均值聚类算法对所述数据集中M种光源的光谱进行聚类分析，任意两个聚类中心之间的光源光谱相似指标大于所述分类标准，在每个聚类内部，任意两个光源之间的光谱相似指标小于所述分类标准。
11.根据权利要求3-10任一项所述的方法，其特征在于，所述第一模型包括第一分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率；
所述根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本，包括：
将每组数据中的第一信息以及对应拍摄场景下的光源对应的光源类别作为一个训练样本。
12.根据权利要求3-10任一项所述的方法，其特征在于，所述第一模型包括第一分支和第二分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率，所述第二分支用于输出当前拍摄场景下各个像素对应的物体材质反射率谱；
所述根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本，包括：
将每组数据中的第一信息、对应拍摄场景下的光源对应的光源类别以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱作为一个训练样本。
13.根据权利要求12所述的方法，其特征在于，
所述第一分支包括第一结构和全连接层，所述第一结构下采样L次后转为所述全连接层，所述第一结构包括卷积层、激活函数以及最大池化层，所述第一分支的损失函数为交叉熵，L大于等于1；
所述第二分支包括P个残差块，每个残差块包括第一卷积层、第一激活函数、第二卷积层以及第二激活函数，所述第二分支的损失函数为L2，P大于等于1。
14.根据权利要求1-13任一项所述的方法，其特征在于，所述根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱，包括：
将当前拍摄场景下的光源属于各类光源的概率作为求和加权权重，对各类光源的光谱进行求和处理，得到当前拍摄场景下的光源的光谱。
15.一种电子设备，其特征在于，包括：RGB传感器、多光谱传感器以及处理器；
所述处理器用于，获取当前拍摄场景下的第一信息，所述第一信息包括以下至少一种：所述RGB传感器生成的第一图像或者所述多光谱传感器上各个像素接收到的光线的光强度；
所述处理器还用于，将所述第一信息输入第一模型，得到当前拍摄场景下的光源属于各类光源的概率；
所述处理器还用于，根据当前拍摄场景下的光源属于各类光源的概率以及各类光源的光谱，确定当前拍摄场景下的光源的光谱。
16.根据权利要求15所述的电子设备，其特征在于，所述处理器将所述第一信息输入第一模型之前，还用于：
获取训练样本，所述训练样本包括不同拍摄场景下的第一信息以及不同拍摄场景下的光源对应的光源类别；
使用所述训练样本训练所述第一模型。
17.根据权利要求16所述的电子设备，其特征在于，所述处理器具体用于：
构建数据集，所述数据集包括M×N组数据，每组数据对应一种拍摄场景，每种拍摄场景对应一种光源和一种被摄物，M为光源的数量，N为被摄物数量，每组数据包括：对应拍摄场景下的第一信息；
对所述数据集中M种光源的光谱进行聚类分析，得到每种拍摄场景下的光源对应的光源类别；
根据每组数据中的第一信息以及每种拍摄场景下的光源对应的光源类别，获取训练样本。
18.根据权利要求17所述的电子设备，其特征在于，所述M×N组数据中每组数据还包括：第二信息，所述第二信息包括：对应拍摄场景下的光源的光谱以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱；
所述处理器具体用于：
获取每组数据中的第二信息，得到M×N组第二信息；
根据M×N组第二信息，对所述数据集中M种光源的光谱进行聚类分析。
19.根据权利要求18所述的电子设备，其特征在于，所述处理器具体用于：
根据M×N组第二信息，确定所述数据集中M种光源的分类标准；
根据所述分类标准，对所述数据集中M种光源的光谱进行聚类分析。
20.根据权利要求19所述的电子设备，其特征在于，所述处理器具体用于：
针对N种被摄物中的每种被摄物，从所述被摄物对应的M组第二信息中任取两组，得到
Figure FDA0002794152670000031
对组合；
针对每对组合，计算所述组合对应的二维数据点，得到
Figure FDA0002794152670000032
个二维数据点，所述二维数据点包括平均颜色距离和光源光谱相似指标；
根据所述
Figure FDA0002794152670000033
个二维数据点，确定所述分类标准。
21.根据权利要求20所述的电子设备，其特征在于，所述处理器具体用于：
根据所述组合中一组第二信息，计算各个像素的第一RGB值；
根据所述组合中另一组第二信息，计算各个像素的第二RGB值；
根据各个像素的第一RGB值和各个像素的第二RGB值，确定所述组合对应的平均颜色距离。
22.根据权利要求20所述的电子设备，其特征在于，所述处理器具体用于：
根据所述组合中一组第二信息包含的光源的光谱和所述组合中另一组第二信息中包含的光源的光谱，确定所述组合对应的光源光谱相似指标。
23.根据权利要求20-22任一项所述的电子设备，其特征在于，所述处理器具体用于：
根据所述
Figure FDA0002794152670000041
个二维数据点，绘制二维交会图；
从所述二维交会图的横坐标上确定第一参数，使得纵坐标小于预设值，且横坐标小于所述第一参数的二维点数据点的数量所占的比例超过预设阈值；
将所述第一参数作为所述分类标准。
24.根据权利要求19-23任一项所述的电子设备，其特征在于，所述处理器具体用于：
采用k均值聚类算法对所述数据集中M种光源的光谱进行聚类分析；任意两个聚类中心之间的光源光谱相似指标大于所述分类标准，在每个聚类内部，任意两个光源之间的光谱相似指标小于所述分类标准。
25.根据权利要求17-24任一项所述的电子设备，其特征在于，所述第一模型包括第一分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率；
所述处理器具体用于：
将每组数据中的第一信息以及对应拍摄场景下的光源对应的光源类别作为一个训练样本。
26.根据权利要求17-24任一项所述的电子设备，其特征在于，所述第一模型包括第一分支和第二分支，所述第一分支用于输出当前拍摄场景下的光源属于各类光源的概率，所述第二分支用于输出当前拍摄场景下各个像素对应的物体材质反射率谱；
所述处理器具体用于：
将每组数据中的第一信息、对应拍摄场景下的光源对应的光源类别以及对应拍摄场景下第二多光谱传感器上各个像素对应的物体材质反射率谱作为一个训练样本。
27.根据权利要求26所述的电子设备，其特征在于，
所述第一分支包括第一结构和全连接层，所述第一结构下采样L次后转为所述全连接层，所述第一结构包括卷积层、激活函数以及最大池化层，所述第一分支的损失函数为交叉熵，L大于等于1；
所述第二分支包括P个残差块，每个残差块包括第一卷积层、第一激活函数、第二卷积层以及第二激活函数，所述第二分支的损失函数为L2，P大于等于1。
28.根据权利要求15-27任一项所述的电子设备，其特征在于，所述处理器具体用于：
将当前拍摄场景下的光源属于各类光源的概率作为求和加权权重，对各类光源的光谱进行求和处理，得到当前拍摄场景下的光源的光谱。
29.一种电子设备，其特征在于，包括：RGB传感器、多光谱传感器、存储器以及处理器，所述RGB传感器用于生成当前拍摄场景下的第一图像，所述多光谱传感器用于记录所述多光谱传感器上各个像素接收到的光线的光强度，所述处理器用于和所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-14中任一项所述的方法。
30.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序；所述计算机程序在被执行时，实现上述权利要求1-14任一项所述的方法。
CN202011325598.3A 2020-11-23 2020-11-23 光源光谱获取方法和设备 Active CN114531578B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011325598.3A CN114531578B (zh) 2020-11-23 2020-11-23 光源光谱获取方法和设备
PCT/CN2021/131622 WO2022105850A1 (zh) 2020-11-23 2021-11-19 光源光谱获取方法和设备
US18/037,723 US20230410463A1 (en) 2020-11-23 2021-11-19 Method for Obtaining Light Source Spectrum and Device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011325598.3A CN114531578B (zh) 2020-11-23 2020-11-23 光源光谱获取方法和设备

Publications (2)

Publication Number Publication Date
CN114531578A true CN114531578A (zh) 2022-05-24
CN114531578B CN114531578B (zh) 2023-11-07

Family

ID=81619320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011325598.3A Active CN114531578B (zh) 2020-11-23 2020-11-23 光源光谱获取方法和设备

Country Status (3)

Country Link
US (1) US20230410463A1 (zh)
CN (1) CN114531578B (zh)
WO (1) WO2022105850A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024103746A1 (zh) * 2022-11-18 2024-05-23 华为技术有限公司 图像处理方法、电子设备、计算机程序产品及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10145619A (ja) * 1996-11-11 1998-05-29 Toyo Ink Mfg Co Ltd 色シミュレーション方法
CN1275004A (zh) * 1999-02-06 2000-11-29 阿尔卡塔尔公司 光传输系统和发送机以及接收机
WO2004045219A1 (ja) * 2002-11-12 2004-05-27 Sony Corporation 光源推定装置、光源推定方法、撮像装置および画像処理方法
CA2488029A1 (en) * 2003-11-25 2005-05-25 Xerox Corporation Spectral multiplexing of images to provide a composite image
CN101079954A (zh) * 2007-06-26 2007-11-28 北京中星微电子有限公司 实现白平衡校正的方法及装置
US20100073504A1 (en) * 2007-01-29 2010-03-25 Park Jong-Il Method of multispectral imaging and an apparatus thereof
US20150256806A1 (en) * 2014-03-07 2015-09-10 Canon Kabushiki Kaisha Image processing apparatus and method therefor
CN105721845A (zh) * 2014-12-19 2016-06-29 全视技术有限公司 用于电子照相机的自动白平衡系统
US20180260975A1 (en) * 2017-03-13 2018-09-13 Adobe Systems Incorporated Illumination estimation from a single image
WO2019104047A1 (en) * 2017-11-22 2019-05-31 Gopro, Inc. Global tone mapping
CN109885890A (zh) * 2019-01-23 2019-06-14 中国地质大学（武汉） 一种基于颜色熵的光源光谱优化方法及系统
CN110602403A (zh) * 2019-09-23 2019-12-20 华为技术有限公司 一种暗光下拍照的方法及电子设备
CN110830794A (zh) * 2019-11-29 2020-02-21 Oppo广东移动通信有限公司 光源检测方法、终端及存储介质
WO2020073959A1 (zh) * 2018-10-12 2020-04-16 华为技术有限公司 图像捕捉方法及电子设备
CN111294576A (zh) * 2020-02-13 2020-06-16 展讯通信（上海）有限公司 一种自动白平衡处理方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8503771B2 (en) * 2010-12-20 2013-08-06 Samsung Techwin Co., Ltd. Method and apparatus for estimating light source
CN108388905B (zh) * 2018-03-21 2019-07-19 合肥工业大学 一种基于卷积神经网络和邻域上下文的光源估计方法
US10791310B2 (en) * 2018-10-02 2020-09-29 Intel Corporation Method and system of deep learning-based automatic white balancing
WO2020172888A1 (zh) * 2019-02-28 2020-09-03 华为技术有限公司 一种图像处理方法和装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10145619A (ja) * 1996-11-11 1998-05-29 Toyo Ink Mfg Co Ltd 色シミュレーション方法
CN1275004A (zh) * 1999-02-06 2000-11-29 阿尔卡塔尔公司 光传输系统和发送机以及接收机
WO2004045219A1 (ja) * 2002-11-12 2004-05-27 Sony Corporation 光源推定装置、光源推定方法、撮像装置および画像処理方法
CA2488029A1 (en) * 2003-11-25 2005-05-25 Xerox Corporation Spectral multiplexing of images to provide a composite image
US20100073504A1 (en) * 2007-01-29 2010-03-25 Park Jong-Il Method of multispectral imaging and an apparatus thereof
CN101079954A (zh) * 2007-06-26 2007-11-28 北京中星微电子有限公司 实现白平衡校正的方法及装置
US20150256806A1 (en) * 2014-03-07 2015-09-10 Canon Kabushiki Kaisha Image processing apparatus and method therefor
CN105721845A (zh) * 2014-12-19 2016-06-29 全视技术有限公司 用于电子照相机的自动白平衡系统
US20180260975A1 (en) * 2017-03-13 2018-09-13 Adobe Systems Incorporated Illumination estimation from a single image
WO2019104047A1 (en) * 2017-11-22 2019-05-31 Gopro, Inc. Global tone mapping
WO2020073959A1 (zh) * 2018-10-12 2020-04-16 华为技术有限公司 图像捕捉方法及电子设备
CN109885890A (zh) * 2019-01-23 2019-06-14 中国地质大学（武汉） 一种基于颜色熵的光源光谱优化方法及系统
CN110602403A (zh) * 2019-09-23 2019-12-20 华为技术有限公司 一种暗光下拍照的方法及电子设备
CN110830794A (zh) * 2019-11-29 2020-02-21 Oppo广东移动通信有限公司 光源检测方法、终端及存储介质
CN111294576A (zh) * 2020-02-13 2020-06-16 展讯通信（上海）有限公司 一种自动白平衡处理方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024103746A1 (zh) * 2022-11-18 2024-05-23 华为技术有限公司 图像处理方法、电子设备、计算机程序产品及存储介质

Also Published As

Publication number Publication date
CN114531578B (zh) 2023-11-07
US20230410463A1 (en) 2023-12-21
WO2022105850A1 (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN111179282B (zh) 图像处理方法、图像处理装置、存储介质与电子设备
WO2021135707A1 (zh) 机器学习模型的搜索方法及相关装置、设备
CN105430358B (zh) 一种图像处理方法及装置、终端
CN112533115B (zh) 一种提升扬声器的音质的方法及装置
CN112954251B (zh) 视频处理方法、视频处理装置、存储介质与电子设备
CN112446832A (zh) 一种图像处理方法及电子设备
CN111866318A (zh) 多光谱成像方法、多光谱成像装置、移动终端和存储介质
CN113744257A (zh) 图像融合方法、装置、终端设备以及存储介质
CN113052056A (zh) 一种视频处理的方法以及装置
WO2022105850A1 (zh) 光源光谱获取方法和设备
WO2022022319A1 (zh) 一种图像处理方法、电子设备、图像处理系统及芯片系统
CN116668656B (zh) 图像处理方法及电子设备
CN113473013A (zh) 图像美化效果的显示方法、装置和终端设备
CN114444705A (zh) 模型更新方法及装置
CN112308202A (zh) 一种确定卷积神经网络的决策因素的方法及电子设备
CN112037157A (zh) 数据处理方法及装置、计算机可读介质及电子设备
CN113660369B (zh) 来电处理及模型训练方法、装置、终端设备和存储介质
CN115546858A (zh) 人脸图像处理方法和电子设备
CN114390406B (zh) 一种控制扬声器振膜位移的方法及装置
CN114338962B (zh) 成像方法和装置
CN114332331A (zh) 一种图像处理方法和装置
CN116362977B (zh) 一种消除图像中干涉图案的方法及装置
CN115600653B (zh) 神经网络模型的部署方法及装置
CN116912602B (zh) 图像处理模型的训练方法、图像处理方法及电子设备
CN111294905B (zh) 图像处理方法、图像处理装置、存储介质与电子设备

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