CN116744125B - 图像颜色数据处理方法、装置、设备及存储介质 - Google Patents
图像颜色数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116744125B CN116744125B CN202311013749.5A CN202311013749A CN116744125B CN 116744125 B CN116744125 B CN 116744125B CN 202311013749 A CN202311013749 A CN 202311013749A CN 116744125 B CN116744125 B CN 116744125B
- Authority
- CN
- China
- Prior art keywords
- image
- white balance
- initial
- target
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 265
- 238000006243 chemical reaction Methods 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000009877 rendering Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000002441 reversible effect Effects 0.000 claims description 48
- 238000001125 extrusion Methods 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 36
- 230000000875 corresponding effect Effects 0.000 description 28
- 210000005036 nerve Anatomy 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000009966 trimming Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04N9/64—Circuits for processing colour signals
- H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
-
- 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
- G06T2207/20—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Of Color Television Signals (AREA)
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
本申请提供一种图像颜色数据处理方法、装置、设备及存储介质，属于图像处理技术领域，该方法包括：获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型；对初始神经网络模型进行训练，得到初始图像处理模型；对所述初始图像处理模型进行训练，得到目标图像处理模型；对待处理色偏图像进行反渲染处理；对伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征；对目标设备标签进行权重转换处理，得到目标设备权重；对白平衡伪裸数据特征进行设备转换处理，得到与目标设备对应的白平衡伪裸特征数据；对与目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像。本申请能改善多个设备上的图像白平衡校正效果。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像颜色数据处理方法、装置、设备及存储介质。
背景技术
日常生活中，当拍摄的设备的白平衡设置不正确时，拍摄的图像会出现偏蓝或偏红的色差视觉领域，这种图像被称为色偏图像，为提供拍摄的图片质量，对这些色偏图像进行相应的颜色处理后再输出白平衡的图像。
目前，现有技术中，对于每个拍摄设备，都是先通过采集大量的色偏图像和白平衡图像，计算色偏图像和白平衡图像之间的多项式核函数的参数，得到一个校正白平衡的多项式核函数。或者，利用大量色偏图像和白平衡图像训练得到一个固定参数的网络模型。当输入色偏图像时，再从多个多项式核函数中选择相关性最高的多项式核函数组合或固定参数的网络模型将该色偏图像处理成白平衡图像。
然而，发明人发现，现有技术至少存在以下技术问题：由于每个设备都需要大量的色偏图像和白平衡图像作为样本数据，因此得到的多项式核函数/网络模型与设备强相关，当在新的设备处理色偏图像时，由于不同设备拍摄的图像存在固有颜色差异，因此之前计算的多项式核函数/网络模型便不再适用，导致设备泛化性差，存在多个设备上的图像白平衡校正效果差的问题。
发明内容
本申请提供一种图像颜色数据处理方法、装置、设备及存储介质，能改善多个设备上的图像白平衡校正效果。
第一方面，本申请提供一种图像颜色数据处理方法，包括：
获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型；
根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型；
获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块；
获取待处理色偏图像和与所述待处理色偏图像对应的目标设备标签；
采用所述可逆非线性渲染模块对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用所述可逆线性校正模块对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征；
采用所述设备权重模块对所述目标设备标签进行权重转换处理，得到目标设备权重；
根据所述目标设备权重对所述设备转换层进行调整，得到目标设备转换层，并采用所述目标设备转换层对所述白平衡伪裸数据特征进行设备转换处理，得到与所述目标设备对应的白平衡伪裸特征数据；
采用所述可逆非线性渲染模块对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像。
在一种可能的实现方式中，所述根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型，包括：将所述第一样本色偏图像输入所述初始神经网络模型进行校正处理，得到第一网络校正图像；根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行训练，得到初始图像处理模型。
在一种可能的实现方式中，所述根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行训练，得到初始图像处理模型，包括：根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行损失监督处理，得到损失值；根据所述损失值更新所述初始神经网络模型的模型参数，并根据所述模型参数确定更新后的初始神经网络模型；重复所述根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行损失监督处理，得到更新后的损失值，若所述更新后的损失值与前一次更新时的损失值之间的差值小于损失阈值，则根据最后一次更新的模型参数确定初始图像处理模型。
在一种可能的实现方式中，所述根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，包括：将所述目标设备的至少一个色偏图像输入所述初始图像处理模型进行校正处理，得到第二网络校正图像；将所述微调设备标签输入初始图像处理模型进行权重转换处理，得到微调设备权重；根据所述微调设备权重调整初始图像处理模型，得到更新的初始图像处理模型；根据所述第二网络校正图像和所述目标设备的至少一个白平衡图像对所述初始图像处理模型中的可逆线性校正模块、设备转换层和设备权重模块进行训练，得到目标图像处理模型，其中所述目标图像处理模型为所述更新的初始图像处理模型的可逆线性校正模块、设备转换层和设备权重模块的参数发生微调后得到的。
在一种可能的实现方式中，所述对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，包括：对所述待处理色偏图像进行挤压操作与排列处理，得到图像块；对所述图像块进行初步反渲染处理，得到初始中间特征；对所述初始中间特征进行所述挤压操作与排列处理，得到初始中间特征块；对所述初始中间特征块进行反渲染处理，得到伪裸数据特征。
在一种可能的实现方式中，所述对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征，包括：对所述伪裸数据特征进行计算处理，得到平均数特征和方差特征；对所述伪裸特征数据进行归一化处理，得到归一化伪裸特征数据；将所述平均数特征与方差特征进行白平衡校正处理，得到白平衡伪裸数据特征。
在一种可能的实现方式中，所述对所述目标设备标签进行权重转换处理，得到目标设备权重，包括：将所述目标设备标签进行卷积转换，得到初始设备权重；对所述初始设备权重进行所述卷积转换，得到目标设备权重。
在一种可能的实现方式中，所述对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像，包括：对所述白平衡伪裸数据进行可视化图像转化处理，得到白平衡中间特征块；对所述白平衡中间块进行挤压操作与排列逆处理，得到白平衡中间特征；对所述白平衡中间特征进行所述可视化图像转化处理，得到白平衡图像块；对所述白平衡图像块进行所述挤压操作与排列逆处理，得到目标白平衡图像。
在一种可能的实现方式中，所述获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型之后，还包括：对所述第一样本色偏图像进行裁剪处理和/或数据增强处理，得到第二样本色偏图像；对所述第一样本白平衡图像进行裁剪处理和/或数据增强处理，得到第二样本白平衡图像。
第二方面，本申请提供一种图像颜色数据处理装置，包括：
获取模块，用于获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型；
模型训练模块，用于根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型；
所述模型训练模块，还用于获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块；
所述获取模块，还用于获取待处理色偏图像和与所述待处理色偏图像对应的目标设备标签；
图像处理模块，用于采用所述可逆非线性渲染模块对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用所述可逆线性校正模块对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征；
所述图像处理模块，还用于采用所述设备权重模块对所述目标设备标签进行权重转换处理，得到目标设备权重；
所述图像处理模块，还用于根据所述目标设备权重对所述设备转换层进行调整，得到目标设备转换层，并采用所述目标设备转换层对所述白平衡伪裸数据特征进行设备转换处理，得到与所述目标设备对应的白平衡伪裸特征数据；
所述图像处理模块，还用于采用所述可逆非线性渲染模块对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像。
第三方面，本申请提供了一种图像颜色数据处理设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面描述的图像颜色数据处理方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机一项所执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面描述的图像颜色数据处理方法。
本申请提供的图像颜色数据处理方法、装置、设备及存储介质，在处理目标设备的待处理色偏图像前，先通过先获取样本色偏图像和样本白平衡图像训练初始神经网络模型，得到初始图像处理模型，然后再使用目标设备的少量的色偏图像和少量白平衡图像对初始图像处理模型进行训练，得到微调的目标图像处理模型，针对目标设备对初始图像处理模型微调，以使得到的目标图像处理模型能快速地被调整为目标设备所用。再获取待处理色偏图像和对应的目标设备标签，并对待处理色偏图像进行可逆的反渲染处理，之后再进行白平衡处理和对目标设备标签进行权重转换处理，得到目标设备权重，并根据目标设备权重对设备转换层进行调整，得到目标设备转换层，再经过设备转换处理和渲染处理，得到目标白平衡图像，在得到目标白平衡图像的过程中的处理图像的过程是可逆的，提高了不同设备上的图像白平衡处理的精度的同时，还能改善多个设备上的图像白平衡校正效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像颜色数据处理方法的应用场景示意图；
图2为本申请实施例提供的图像颜色数据处理方法的流程示意图；
图3为本申请实施例提供的目标图像处理模型的网络结构示意图；
图4为本申请实施例提供的可逆非线性渲染模块的处理流程示意图；
图5为本申请实施例提供的神经流模块的结构示意图；
图6为本申请实施例提供的归一化处理和白平衡校正处理的流程示意图；
图7为本申请实施例提供的图像颜色数据处理装置的结构示意图；
图8为本申请实施例提供的图像颜色数据处理设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
目前，随着人们对拍摄的图像（Standard RGB标准色彩模式图像，如JPG，PNG格式的图像）的处理要求越来越高，白平衡不正确的sRGB图像，都需要处理成无色差的白平衡sRGB图像。现有技术中，有在每个处理设备上计算多项式核函数的方法，但当在新的设备处理色偏图像时，由于不同设备拍摄的图像存在固有颜色差异，因此之前计算的多项式核函数便不再适用，导致设备泛化性差，存在多个设备上的图像白平衡校正效果差的问题。
此外，现有技术中还有使用神经网络的方法，即基于卷积的编码器将色偏sRGB图像逆回伪裸数据特征，再基于卷积的解码器模块，用于校正伪裸数据特征并将校正后的伪裸数据特征重新渲染为白平衡sRGB图像。但发明人发现处理色偏图像时，由于最大值池化层，导致结构不可逆，使图像处理方法在单一设备上的处理效果受限。另外，由于现有技术在训练神经网络时采用整体更新参数的方式，仍存在多个设备上的图像白平衡校正效果差的问题。
为解决上述技术问题，本申请实施例提供了以下解决问题的技术构思：首先通过可逆的神经网络结构以提高单一设备的色偏图像的白平衡校正效果，并通过少样本学习的训练方法，对训练好的模型进行微调，以提高设备泛化性，进而改善多个设备上的图像白平衡校正效果。
图1为本申请实施例提供的图像颜色数据处理方法的应用场景示意图，如图1所示，包括：拍摄设备101、服务器102和终端103。
其中，拍摄设备101，用于拍摄图像，并将图像发送至服务器102，拍摄设备可以是照相机或其它具有拍摄功能的移动端。服务器102，用于接收从云端、其他服务器或移动端传输的待处理图像和训练图像处理模型，并执行图像白平衡处理操作。终端103，用于显示色偏图像和白平衡图像，可以是显示器、键盘和鼠标。
图2为本申请实施例提供的图像颜色数据处理方法的流程示意图，本实施例的执行主体可以为图1所示实施例中的服务器103或具有图像处理功能的拍摄设备101也可以是其他的计算机的相关设备，对此实施例不作特别限制。
如图2所示，该图像颜色数据处理方法包括：
S201：获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型。
本实施例中，第一样本色偏图像可以是用于训练初始神经网络模型的样本数据。其中，色偏图像可以是有色彩偏差的sRGB（Standard RGB标准色彩模式）图像，色偏图像的尺寸可以表示为C×H×W。其中，C表示该图像的通道数，H 为图像的高度，可以用该图像在垂直维度的像素数表示；W为图像的宽度，可以用该图像在水平维度的像素数表示。例如：3×256×256，表示该图像有红色（Red，R）、绿色（Green，G）、蓝色（Blue，B）三个通道，高为256像素（pixel，px），宽为256px。
第一样本白平衡图像可以是用于训练初始神经网络模型的样本数据，白平衡图像可以是白平衡正常无色差的图像，初始神经网络模型可以是CNN（Convolutional NeuralNetwork，卷积神经网络）。
S202：根据第一样本色偏图像和第一样本白平衡图像对初始神经网络模型进行训练，得到初始图像处理模型。
本实施例中，可采用第一样本色偏图像和第一样本白平衡图像中的一部分图像作为训练集，另一部分图像作为验证集，对初始图像处理模型进行训练并验证，以得到初始图像处理模型。
具体地，在本申请一可选的实施例中，步骤S202包括：
S202a：将第一样本色偏图像输入初始神经网络模型进行校正处理，得到第一网络校正图像。
本实施例中， 校正处理可以是初始神经网络模型根据第一样本色偏图像的标注信息和对相邻像素之间关系的分析，对第一样本色偏图像进行校正的过程。第一网络校正图像与第一样本色偏图像相比，第一网络校正图像更准确和清晰。
S202b：根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行训练，得到初始图像处理模型。
本实施例中，初始图像处理模型可以是经过验证和优化后的神经网络模型。
进一步的，在本申请一可选的实施例中，步骤S202b包括：
步骤b1：根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行损失监督处理，得到损失值。
本实施例中，损失监督处理可以是将第一样本白平衡图像和第一网络校正图像输入到网络训练监督函数中，计算损失值。
步骤b2：根据损失值更新初始神经网络模型的模型参数，并根据模型参数确定更新后的初始神经网络模型。
步骤b3：重复根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行损失监督处理，得到更新后的损失值，若更新后的损失值与前一次更新时的损失值之间的差值小于损失阈值，则根据最后一次更新的模型参数确定初始图像处理模型。
本实施例中，每得到一次损失值，都可以更新一次模型参数，得到更新后的初始神经网络模型。当更新后的损失值与前一次更新时的损失值之间的差值小于损失阈值，则表示损失值趋于稳定，此时表明无需对神经网络模型进行优化，即可将最后一次更新的模型参数的神经网络模型确定为初始图像处理模型。
S203：获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据目标设备的至少一个色偏图像、至少一个白平衡图像和微调设备标签对初始图像处理模型进行训练，得到目标图像处理模型，其中目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块。
参考图3，图3为本申请实施例提供的目标图像处理模型的网络结构示意图。如图3所示，目标图像处理模型包括用于处理设备标签的设备权重模块、用于对图像进行渲染操作和反渲染操作的可逆非线性渲染模块、用于对图像进行白平衡校正的可逆线性校正模块以及用于根据设备权重对图像处理模型调整的设备转换层。
本实施例中，目标设备可以是即将要处理图像的设备，目标设备的至少一个色偏图像和至少一个白平衡图像表示：用于对初始图像处理模型训练的训练集可以是少量的图像，其中，少量指的是数量可以是1、2或3等小于一般训练神经网络模型时所需的样本集中的数。对应的微调设备标签指的是需要进行模型训练的一个或数个目标设备。训练可以是使初始图像处理模型训练得到的目标图像处理模型适用于某个或某类特定的目标设备的过程。
具体的，在本申请一可选的实施例中，步骤S203包括：
S203a：将目标设备的至少一个色偏图像输入初始图像处理模型进行校正处理，得到第二网络校正图像。
本实施例中，得到第二网络校正图像的原理和过程与步骤S202a中得到第一网络校正图像的原理与和过程类似，故本实施例此处不再赘述。
S203b：将微调设备标签输入初始图像处理模型进行权重转换处理，得到微调设备权重。
本实施例中，微调设备标签可以是表示提供色偏图像和白平衡图像的拍摄设备的一组向量，权重转换处理可以是向量转换的过程，微调设备权重可以是需要调整初始图像处理模型的设备转换层的卷积核权重。
S203c：根据微调设备权重调整初始图像处理模型，得到更新的初始图像处理模型。
本实施例中，根据微调设备权重调整初始图像处理模型指的是将微调设备权重作为初始图像处理模型的设备转换层的卷积核权重，以得到更新的初始图像处理模型。
S203d：根据第二网络校正图像、目标设备的至少一个白平衡图像对更新的初始图像处理模型进行训练，得到目标图像处理模型，其中目标图像处理模型为更新的初始图像处理模型的可逆线性校正模块、设备转换层和设备权重模块的参数发生微调后得到的。
本实施例中，目标图像处理模型指的是经过训练之后，能应用于特定的目标设备的图像处理模型。具体地，微调的对象是更新的初始图像处理模型中的可逆线性校正模块、设备转换层和设备权重模块的参数。这些参数的微调指的是以将第二网络校正图像和白平衡图像经过对比并改变参数的数值，通过这种参数优化使第二网络校正图像与白平衡图像之间的颜色差别更小的过程。得到目标图像处理模型的原理和过程与步骤S202b中经过训练得到初始图像处理模型的原理和过程类似，故本实施例此处不再赘述。
S204：获取待处理色偏图像和与待处理色偏图像对应的目标设备标签。
本实施例中，待处理色偏图像指的是需要进行图像颜色处理的图像，经过图像颜色处理的图像被正确地白平衡。设备标签可以是用于表示某个拍摄设备的向量。例如：一共有12台拍摄设备，目标设备为第2台拍摄设备，第2台拍摄设备拍摄的色偏图像为待处理色偏图像，对应的设备标签为[0，1，0，0，0，0，0，0，0，0]。
S205：采用可逆非线性渲染模块对待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用可逆线性校正模块对伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征。
参考图4，图4为本申请实施例提供的可逆非线性渲染模块的处理流程示意图。如图4所示，可逆非线性渲染模块可以包括挤压操作和神经流模块。待处理色偏图像经过反渲染处理后得到的伪裸数据特征可以是待处理图像的轮廓、线条、边缘等数据特征。
具体地，在本申请一可选的实施例中，步骤S205包括：
S205a：对待处理色偏图像进行挤压操作与排列处理，得到图像块。
本实施例中，可采用第一次挤压操作将待处理色偏图像进行挤压操作和排列处理，图像块可以是包括通道数和尺寸的信息块。例如：当待处理色偏图像尺寸为3×256×256，则经过第一次挤压操作，可以得到尺寸为12×128×128的图像块，该图像块的通道数为12，高为128px，宽为128px。
S205b：对图像块进行初步反渲染处理，得到初始中间特征。
参考图5，图5为本申请实施例提供的神经流模块的结构示意图。如图5所示，神经流模块可以包括8个归一化层，8个1×1卷积层和8个加法耦合层，特征1的数据形式输入神经流模块后能被处理成特征2的数据形式输出，同理，特征2的数据形式输入神经流模块后能被处理成特征1的数据形式输出，即神经流模块处理图像的过程是可逆的。本实施例中，可采用神经流模块对图像块进行初步返渲染处理，初始中间特征可以是与图像块尺寸相同的特征数据。例如：图像块尺寸为12×128×128，则经过神经流模块后，可以得到初始中间特征，初始中间特征的尺寸为12×128×128。
S205c：对初始中间特征进行挤压操作与排列处理，得到初始中间特征块。
本实施例中，可采用第二次挤压操作将初始中间特征进行挤压操作和排列处理，第二次挤压操作使得初始中间特征块成为通道数更多，高和宽的尺寸更小的中间特征块。例如：初始中间特征块的尺寸为48×64×64，表示初始中间特征块的通道数为48，高为64px，宽为64px。
S205d：对初始中间特征块进行反渲染处理，得到伪裸数据特征。
本实施例中，反渲染操作可以是渲染操作逆过程，得到的伪裸特征数据表达的图片颜色比待处理色偏图像的图片颜色信息更准确，轮廓也更清晰。例如：伪裸特征数据特征的尺寸为48×64×64，表示伪裸数据特征的通道数为48，高为64px，宽为64px。
具体地，在本申请一可选的实施例中，步骤S205中对伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征，包括：
S205e：对伪裸数据特征进行计算处理，得到平均数特征和方差特征。
本实施例中，计算处理指的是将伪裸数据特征进行平均数和方差的计算得到的数值特征。例如：伪裸数据特征F的尺寸为48×64×64，则经过计算处理，得到平均数特征A尺寸为48×1×1，方差特征V尺寸为48×1×1，表示平均数特征和方差特征的通道数均为48，高均为1px，宽均为1px。
S205f：对伪裸特征数据进行归一化处理，得到归一化伪裸特征数据。
S205g：将平均数特征与方差特征进行白平衡校正处理，得到白平衡伪裸数据特征。
本实施例中，归一化处理可以采用归一化计算公式，白平衡校正处理可采用校正调节计算公式，例如：计算公式为：
上式中，为归一化伪裸特征数据，/>为伪裸特征数据，A为平均数特征，V为方差特征，/>为白平衡伪裸数据特征，/>为白平衡后的方差特征，/>为白平衡后的平均数特征。
参考图 6，图6为本申请实施例提供的归一化处理和白平衡校正处理的流程示意图。当伪裸数据特征F的尺寸为48×64×64，则经过计算处理，得到平均数特征A尺寸为48×1×1，方差特征V尺寸为48×1×1时，经过上式（1）归一化计算公式的归一化计算后的为48×64×64，表示通道数为48，高为64px，宽为64px。/>和/>都可以经过如图6所示的两组3个1×1卷积层得到，/>和/>均为48×1×1，表示白平衡后的方差特征和白平衡后的通道数均为48，高均为1px，宽均为1px。综上，再使用上式（2）校正调节计算公式计算即可得到白平衡伪裸数据特征/>的尺寸为48×64×64，表示白平衡伪裸数据特征的通道数为48，高为64px，宽为64px。
S206：采用设备权重模块对目标设备标签进行权重转换处理，得到目标设备权重。
本实施例中，权重转换处理可以是对一组向量进行运算的过程。目标设备权重可以是设备转换层的卷积核权重。
具体地，在本申请一可选的实施例中，步骤S206包括：
S206a：将目标设备标签进行卷积转换，得到初始设备权重。
S206b：对初始设备权重进行卷积转换，得到目标设备权重。
本实施例中，卷积转换是通过预先设置一个比例，进行卷积计算，得到的卷积核权重则为初始设备权重，再经过一次卷积计算，即可得到目标设备权重。例如：目标设备对应的设备标签为[0，1，0，0，0，0，0，0，0，0]，则经过设备权重模块之后，得到的目标设备权重为[0.34，0.97，0.81，…，0.02]，可以看出，第2台拍摄设备作为一个目标设备，该目标设备权重值最大。
S207：根据目标设备权重对设备转换层进行调整，得到目标设备转换层，并采用目标设备转换层对白平衡伪裸数据特征进行设备转换处理，得到与目标设备对应的白平衡伪裸特征数据。
本实施例中，设备转换层可以包括1×1群卷积，设置为每个群一个通道。白平衡伪裸数据特征经过设备转换层后，可以得到对应的目标设备特定的白平衡伪裸数据特征。得到与目标设备对应的白平衡伪裸特征数据的原理和过程与步骤S205中对伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征的原理和过程类似，故本实施例此处不再赘述。
S208：采用可逆非线性渲染模块对与目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像。
具体地，在本申请一可选的实施例中，步骤S208中对白平衡伪裸数据特征进行设备转换处理，得到与目标设备对应的白平衡伪裸特征数据，包括：
S208a：对白平衡伪裸数据进行可视化图像转化处理，得到白平衡中间特征块。
请继续参照图4，并由上述实施例中的步骤S205中的内容可知，步骤S208是渲染过程，实际可以看作是步骤S205的逆过程。
如图4所示，S208a可采用神经流模块对白平衡伪裸数据进行可视化图像转化处理，即将数字数据转化为可视化图像的处理过程，得到白平衡中间特征块。
S208b：对白平衡中间块进行挤压操作与排列逆处理，得到白平衡中间特征。
本实施例中，可采用挤压操作的逆操作将白平衡中间特征块变换为白平衡中间特征。
S208c：对白平衡中间特征进行可视化图像转化处理，得到白平衡图像块。
本实施例中，可采用神经流模块将白平衡中间特征再次进行可视化图像转化处理，得到白平衡图像块。
S208d：对白平衡图像块进行挤压操作与排列逆处理，得到目标白平衡图像。
本实施例中，可采用挤压操作的逆操作对白平衡图像块进行挤压操作与排列逆处理，得到目标白平衡图像。
例如：目标设备对应的白平衡伪裸数据特征尺寸为48×64×64，则经过神经流模块的逆过程，可以得到白平衡中间特征块，其尺寸可以为48×64×64，表示白平衡中间特征块的通道数为48，高为64px，宽为64px。再经过挤压操作的逆过程后，可以得到白平衡中间特征，其尺寸为12×128×128，表示白平衡中间特征的通道数为12，高为128px，宽为128px。再次经过神经流模块的逆过程后，可以得到白平衡图像块，其尺寸为12×128×128，表示白平衡图像块的通道数为12，高为128px，宽为128px。最后，再次经过挤压操作的逆过程后，可以得到无色偏的目标白平衡图像，该目标白平衡图像尺寸为3×256×256，表示无色偏的sRGB图像的通道数为3，高为256px，宽为256px。
综上，本申请实施例提供的图像颜色数据处理方法，在处理目标设备的待处理色偏图像前，先通过先获取样本色偏图像和样本白平衡图像训练初始神经网络模型，得到初始图像处理模型，然后再使用目标设备的少量的色偏图像和少量白平衡图像对初始图像处理模型进行训练，得到微调的目标图像处理模型。再获取待处理色偏图像和对应的目标设备标签，并对待处理色偏图像进行可逆的反渲染处理，之后再进行白平衡处理和对目标设备标签进行权重转换处理，得到目标设备权重，并根据目标设备权重对设备转换层进行调整，得到目标设备转换层，再经过设备转换处理和渲染处理，得到目标白平衡图像，在得到目标白平衡图像的过程中能针对目标设备对初始图像处理模型微调，使得到的目标图像处理模型能快速地被调整为目标设备所用，且处理图像的过程是一个可逆的过程，提高了不同设备上的图像白平衡处理的精度的同时，还能改善多个设备上的图像白平衡校正效果。
以上述实施例为基础，在本申请一可选的实施例中，步骤S201之后，还包括：
步骤A：对第一样本色偏图像进行裁剪处理和/或数据增强处理，得到第二样本色偏图像。
步骤B：对第一样本白平衡图像进行裁剪处理和/或数据增强处理，得到第二样本白平衡图像。
本实施例中，对第一样本色偏图像和第一样本白平衡图像进行裁剪处理或数据增强处理，或裁剪处理和数据增强处理，得到的第二样本色偏图像和第二样本白平衡图像可以是特征更明显的图像，以丰富训练初始神经网络模型时所用的训练样本。例如：可以将第一样本色偏图像裁剪处理成尺寸为3×256×256的图像。
综上，本申请实施例提供的图像颜色数据处理方法，通过对第一样本色偏图像和第一样本白平衡图像均进行裁剪处理和/或数据增强处理，以减少特征不明显的图像，丰富训练初始神经网络模型的样本，进一步改善训练得到的初始模型的图像白平衡处理效果。
在本申请一可选的实施例中，在步骤S203中的获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签之后，还包括：对目标设备的至少一个色偏图像进行裁剪处理和/或数据增强处理，得到第三样本色偏图像。对目标设备的至少一个白平衡图像进行裁剪处理和/或数据增强处理，得到第三样本白平衡图像。
本实施例中，得到第三样本色偏图像和第三样本白平衡图像的过程和技术效果类似，故本实施例此处不再赘述。
图7为本申请实施例提供的图像颜色数据处理装置的结构示意图，该装置包括：获取模块71、模型训练模块72和图像处理模块73。
其中，获取模块71，用于获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型。
模型训练模块72，用于根据第一样本色偏图像和第一样本白平衡图像对初始神经网络模型进行训练，得到初始图像处理模型。
模型训练模块72，用于获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据目标设备的至少一个色偏图像、至少一个白平衡图像和微调设备标签对初始图像处理模型进行训练，得到目标图像处理模型，其中目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块。
获取模块71，还用于获取待处理色偏图像和与待处理色偏图像对应的目标设备标签。
图像处理模块73，用于采用可逆非线性渲染模块对待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用可逆线性校正模块对伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征。
图像处理模块73，还用于采用设备权重模块对目标设备标签进行权重转换处理，得到目标设备权重。
图像处理模块73，还用于根据目标设备权重对设备转换层进行调整，得到目标设备转换层，并采用目标设备转换层对白平衡伪裸数据特征进行设备转换处理，得到与目标设备对应的白平衡伪裸特征数据；
图像处理模块73，还用于采用可逆非线性渲染模块对与目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像。
在本申请一可选的实施例中，获取模块71，具体用于：将第一样本色偏图像输入初始神经网络模型进行校正处理，得到第一网络校正图像；根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行训练，得到初始图像处理模型。
在本申请一可选的实施例中，模型训练模块72，具体用于根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行损失监督处理，得到损失值；根据损失值更新初始神经网络模型的模型参数，并根据模型参数确定更新后的初始神经网络模型；重复根据第一样本白平衡图像和第一网络校正图像对初始神经网络模型进行损失监督处理，得到更新后的损失值，若更新后的损失值与前一次更新时的损失值之间的差值小于损失阈值，则根据最后一次更新的模型参数确定初始图像处理模型。
在本申请一可选的实施例中，模型训练模块72，进一步用于：将目标设备的至少一个色偏图像输入初始图像处理模型进行校正处理，得到第二网络校正图像；将微调设备标签输入初始图像处理模型进行权重转换处理，得到微调设备权重；根据微调设备权重调整初始图像处理模型，得到更新的初始图像处理模型；根据第二网络校正图像和目标设备的至少一个白平衡图像对更新的初始图像处理模型进行训练，得到目标图像处理模型，其中目标图像处理模型为更新的初始图像处理模型的可逆线性校正模块、设备转换层和设备权重模块的参数发生微调后得到的。
在本申请一可选的实施例中，图像处理模块73，具体用于：对待处理色偏图像进行挤压操作与排列处理，得到图像块；对图像块进行初步反渲染处理，得到初始中间特征；对初始中间特征进行挤压操作与排列处理，得到初始中间特征块；对初始中间特征块进行反渲染处理，得到伪裸数据特征。
在本申请一可选的实施例中，图像处理模块73，还具体用于：对伪裸数据特征进行计算处理，得到平均数特征和方差特征；对伪裸特征数据进行归一化处理，得到归一化伪裸特征数据；将平均数特征与方差特征进行白平衡校正处理，得到白平衡伪裸数据特征。
在本申请一可选的实施例中，图像处理模块73，还具体用于：将目标设备标签进行卷积转换，得到初始设备权重；对初始设备权重进行卷积转换，得到目标设备权重。
在本申请一可选的实施例中，图像处理模块73，还具体用于：对白平衡伪裸数据进行可视化图像转化处理，得到白平衡中间特征块；对白平衡中间块进行挤压操作与排列逆处理，得到白平衡中间特征；对白平衡中间特征进行可视化图像转化处理，得到白平衡图像块；对白平衡图像块进行挤压操作与排列逆处理，得到目标白平衡图像。
在本申请一可选的实施例中，获取模块71在获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型之后，还具体用于：对第一样本色偏图像进行裁剪处理和/或数据增强处理，得到第二样本色偏图像；对第一样本白平衡图像进行裁剪处理和/或数据增强处理，得到第二样本白平衡图像。
本实施例提供的图像颜色数据处理装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图8为本申请实施例提供的图像颜色数据处理设备的硬件结构示意图，如图8所示，该设备包括：至少一个处理器801以及存储器802。
其中，处理器801，用于存储计算机执行指令。
存储器802，用于执行存储器存储的计算机执行指令，以实现上述方法实施例中所涉及的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选的，存储器802既可以是独立的，也可以跟处理器801集成在一起。
当存储器802独立设置时，该服务器还包括总线803，用于连接存储器802和处理器801。
本申请实施例还提供一种计算机可读存储介质， 计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上的图像颜色数据处理方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上的图像颜色数据处理设备方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块组成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器执行本申请各个实施例的方法的部分步骤。
应理解，上述处理器可以是中央处理单元（Central Processing Unit，简称CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific Integrated Circuit，简称ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构（Industry Standard Architecture，简称ISA）总线、外部设备互连（Peripheral Component Interconnect，简称PCI）总线或扩展工业标准体系结构（Extended Industry Standard Architecture，简称EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种图像颜色数据处理方法，其特征在于，包括：
获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型；
根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型；
获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块；
获取待处理色偏图像和与所述待处理色偏图像对应的目标设备标签；
采用所述可逆非线性渲染模块对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用所述可逆线性校正模块对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征；
采用所述设备权重模块对所述目标设备标签进行权重转换处理，得到目标设备权重；
根据所述目标设备权重对所述设备转换层进行调整，得到目标设备转换层，并采用所述目标设备转换层对所述白平衡伪裸数据特征进行设备转换处理，得到与所述目标设备对应的白平衡伪裸特征数据；
采用所述可逆非线性渲染模块对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像；
所述根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，包括：
将所述目标设备的至少一个色偏图像输入所述初始图像处理模型进行校正处理，得到第二网络校正图像；
将所述微调设备标签输入初始图像处理模型进行权重转换处理，得到微调设备权重；
根据所述微调设备权重调整初始图像处理模型，得到更新的初始图像处理模型；
根据所述第二网络校正图像和所述目标设备的至少一个白平衡图像对所述更新的初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型为所述更新的初始图像处理模型的可逆线性校正模块、设备转换层和设备权重模块的参数发生微调后得到的；
所述对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，包括：
对所述待处理色偏图像进行挤压操作与排列处理，得到图像块；
对所述图像块进行初步反渲染处理，得到初始中间特征；
对所述初始中间特征进行所述挤压操作与排列处理，得到初始中间特征块；
对所述初始中间特征块进行反渲染处理，得到伪裸数据特征；
所述对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像，包括：
对所述白平衡伪裸数据进行可视化图像转化处理，得到白平衡中间特征块；
对所述白平衡中间块进行挤压操作与排列逆处理，得到白平衡中间特征；
对所述白平衡中间特征进行所述可视化图像转化处理，得到白平衡图像块；
对所述白平衡图像块进行所述挤压操作与排列逆处理，得到目标白平衡图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型，包括：
将所述第一样本色偏图像输入所述初始神经网络模型进行校正处理，得到第一网络校正图像；
根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行训练，得到初始图像处理模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行训练，得到初始图像处理模型，包括：
根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行损失监督处理，得到损失值；
根据所述损失值更新所述初始神经网络模型的模型参数，并根据所述模型参数确定更新后的初始神经网络模型；
重复所述根据所述第一样本白平衡图像和所述第一网络校正图像对所述初始神经网络模型进行损失监督处理，得到更新后的损失值，若所述更新后的损失值与前一次更新时的损失值之间的差值小于损失阈值，则根据最后一次更新的模型参数确定初始图像处理模型。
4.根据权利要求1所述的方法，其特征在于，所述对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征，包括：
对所述伪裸数据特征进行计算处理，得到平均数特征和方差特征；
对所述伪裸特征数据进行归一化处理，得到归一化伪裸特征数据；
将所述平均数特征与方差特征进行白平衡校正处理，得到白平衡伪裸数据特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标设备标签进行权重转换处理，得到目标设备权重，包括：
将所述目标设备标签进行卷积转换，得到初始设备权重；
对所述初始设备权重进行所述卷积转换，得到目标设备权重。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型之后，还包括：
对所述第一样本色偏图像进行裁剪处理和/或数据增强处理，得到第二样本色偏图像；
对所述第一样本白平衡图像进行裁剪处理和/或数据增强处理，得到第二样本白平衡图像。
7.一种图像颜色数据处理装置，其特征在于，包括：
获取模块，用于获取第一样本色偏图像、第一样本白平衡图像和初始神经网络模型；
模型训练模块，用于根据所述第一样本色偏图像和第一样本白平衡图像对所述初始神经网络模型进行训练，得到初始图像处理模型；
所述模型训练模块，还用于获取目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签，并根据所述目标设备的至少一个色偏图像、至少一个白平衡图像和对应的微调设备标签对所述初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型包括可逆非线性渲染模块、可逆线性校正模块、设备转换层和设备权重模块；
所述获取模块，还用于获取待处理色偏图像和与所述待处理色偏图像对应的目标设备标签；
图像处理模块，用于采用所述可逆非线性渲染模块对所述待处理色偏图像进行反渲染处理，得到伪裸数据特征，并采用所述可逆线性校正模块对所述伪裸数据特征进行白平衡处理，得到白平衡伪裸数据特征；
所述图像处理模块，还用于采用所述设备权重模块对所述目标设备标签进行权重转换处理，得到目标设备权重；
所述图像处理模块，还用于根据所述目标设备权重对所述设备转换层进行调整，得到目标设备转换层，并采用所述目标设备转换层对所述白平衡伪裸数据特征进行设备转换处理，得到与所述目标设备对应的白平衡伪裸特征数据；
所述图像处理模块，还用于采用所述可逆非线性渲染模块对所述与所述目标设备对应的白平衡伪裸数据特征进行渲染处理，得到目标白平衡图像；
所述模型训练模块，具体用于将所述目标设备的至少一个色偏图像输入所述初始图像处理模型进行校正处理，得到第二网络校正图像；将所述微调设备标签输入初始图像处理模型进行权重转换处理，得到微调设备权重；根据所述微调设备权重调整初始图像处理模型，得到更新的初始图像处理模型；根据所述第二网络校正图像和所述目标设备的至少一个白平衡图像对所述更新的初始图像处理模型进行训练，得到目标图像处理模型，其中所述目标图像处理模型为所述更新的初始图像处理模型的可逆线性校正模块、设备转换层和设备权重模块的参数发生微调后得到的；
所述图像处理模块，具体用于对所述待处理色偏图像进行挤压操作与排列处理，得到图像块；对所述图像块进行初步反渲染处理，得到初始中间特征；对所述初始中间特征进行所述挤压操作与排列处理，得到初始中间特征块；对所述初始中间特征块进行反渲染处理，得到伪裸数据特征；
所述图像处理模块，具体用于对所述白平衡伪裸数据进行可视化图像转化处理，得到白平衡中间特征块；对所述白平衡中间块进行挤压操作与排列逆处理，得到白平衡中间特征；对所述白平衡中间特征进行所述可视化图像转化处理，得到白平衡图像块；对所述白平衡图像块进行所述挤压操作与排列逆处理，得到目标白平衡图像。
8.一种图像颜色数据处理设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的图像颜色数据处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的图像颜色数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013749.5A CN116744125B (zh) | 2023-08-14 | 2023-08-14 | 图像颜色数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013749.5A CN116744125B (zh) | 2023-08-14 | 2023-08-14 | 图像颜色数据处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116744125A CN116744125A (zh) | 2023-09-12 |
| CN116744125B true CN116744125B (zh) | 2023-10-24 |
Family
ID=87906418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013749.5A Active CN116744125B (zh) | 2023-08-14 | 2023-08-14 | 图像颜色数据处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116744125B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930596A (zh) * | 2010-07-19 | 2010-12-29 | 赵全友 | 一种复杂光照下的两步法颜色恒常性方法 |
| WO2016184167A1 (zh) * | 2015-10-16 | 2016-11-24 | 中兴通讯股份有限公司 | 一种实现自动白平衡功能的方法和装置 |
| CN111586389A (zh) * | 2020-05-29 | 2020-08-25 | Oppo（重庆）智能科技有限公司 | 图像处理方法及相关装置 |
| CN111818318A (zh) * | 2020-06-12 | 2020-10-23 | 北京阅视智能技术有限责任公司 | 图像处理器的白平衡调谐方法、装置、设备及存储介质 |
| CN112102192A (zh) * | 2020-09-15 | 2020-12-18 | 遵义师范学院 | 一种图像白平衡方法 |
| CN112508812A (zh) * | 2020-12-01 | 2021-03-16 | 厦门美图之家科技有限公司 | 图像色偏校正方法、模型训练方法、装置及设备 |
| 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 |
| CN114240794A (zh) * | 2021-12-21 | 2022-03-25 | 苏州科达科技股份有限公司 | 图像处理方法、系统、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220292635A1 (en) * | 2021-03-11 | 2022-09-15 | Samsung Electronics Co., Ltd. | Method and apparatus with image correction |
-
2023
- 2023-08-14 CN CN202311013749.5A patent/CN116744125B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930596A (zh) * | 2010-07-19 | 2010-12-29 | 赵全友 | 一种复杂光照下的两步法颜色恒常性方法 |
| WO2016184167A1 (zh) * | 2015-10-16 | 2016-11-24 | 中兴通讯股份有限公司 | 一种实现自动白平衡功能的方法和装置 |
| CN111586389A (zh) * | 2020-05-29 | 2020-08-25 | Oppo（重庆）智能科技有限公司 | 图像处理方法及相关装置 |
| CN111818318A (zh) * | 2020-06-12 | 2020-10-23 | 北京阅视智能技术有限责任公司 | 图像处理器的白平衡调谐方法、装置、设备及存储介质 |
| CN112102192A (zh) * | 2020-09-15 | 2020-12-18 | 遵义师范学院 | 一种图像白平衡方法 |
| CN112508812A (zh) * | 2020-12-01 | 2021-03-16 | 厦门美图之家科技有限公司 | 图像色偏校正方法、模型训练方法、装置及设备 |
| 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 |
| CN114240794A (zh) * | 2021-12-21 | 2022-03-25 | 苏州科达科技股份有限公司 | 图像处理方法、系统、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Underwater Image Enhancement via Color Balance and Stationary Wavelet Based Fusion;Sonal Yadav， Krishna Raj;《2020 IEEE International Conference for Innovation in Technology (INOCON)》 * |
| 协同式网络多尺度重叠区域图像偏色检测仿真;陈瑞瑞;;计算机仿真(04);全文 * |
| 基于均值滤波的雾霾图像快速复原算法;唐鉴波;赵波;陈国樑;佟帅;习立坡;;电子设计工程(01);全文 * |
| 基于端到端全卷积网络的自动白平衡算法研究;颜深;《信息科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116744125A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805103B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
| CN107680056B (zh) | 一种图像处理方法及装置 | |
| CN108805265B (zh) | 神经网络模型处理方法和装置、图像处理方法、移动终端 | |
| CN111028137B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| EP3798975A1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
| CN109214996B (zh) | 一种图像处理方法及装置 | |
| CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| KR20200089410A (ko) | 최적의 감마보정 기반 저조도 영상 보정방법 | |
| CN115496668A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
| CN116113976A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
| CN111539975B (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
| CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
| CN116744125B (zh) | 图像颜色数据处理方法、装置、设备及存储介质 | |
| CN107392870A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN111754412B (zh) | 构建数据对的方法、装置及终端设备 | |
| CN111080683A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| Li et al. | Contrast enhancement algorithm for outdoor infrared images based on local gradient-grayscale statistical feature | |
| CN110766153A (zh) | 神经网络模型训练方法、装置及终端设备 | |
| CN116051421A (zh) | 基于多维度的内窥镜图像质量评价方法、装置、设备及介质 | |
| CN113438386B (zh) | 一种应用于视频处理的动静判定方法及装置 | |
| CN116797510A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN115375592A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 |
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 |