[發明專利]用于校正模型訓練和圖像校正的方法和裝置及電子設備

有效

• 申請號: 201811208111.6
• 申請日: 2018-10-17
• 公開（公告）號: CN111062876B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 肖雪;許譯天
• 申請（專利權）人: 北京地平線機器人技術研發有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京市正見永申律師事務所 11497
• 代理人: 黃小臨;馮玉清

本申請涉及用于校正模型訓練和圖像校正的方法和裝置及電子設備。根據一示例性實施例，提供一種色彩校正模型訓練方法，其可包括：獲取色卡的圖像；使用色卡的圖像來訓練神經網絡，從而獲得第一色彩校正模型；利用所述第一色彩校正模型對色彩空間中的任意原始原色值進行校正，以獲得對應的目標原色值；以及使用所述任意原始原色值作為輸入數據，并且使用對應的目標原色值作為監督數據，來訓練第二色彩校正模型。本申請的方案可以實現具有良好的校正效果和硬件友好度的圖像色彩校正方案，因此能廣泛應用于各種電子設備中。

技術領域

本申請總體上涉及圖像處理領域，更特別地，涉及用于訓練色彩校正模型的方法和裝置，使用該色彩校正模型進行圖像色彩校正的方法和裝置、以及相關的電子設備。

背景技術

用戶在通過相機、手機上的攝像頭等拍攝圖像時，期望圖像能夠反映真實場景，但是，由于受到環境光和相機自身曝光等因素的影響，相機獲得的原始圖像信號和真實場景相比往往存在一定的偏差。例如，場景中的環境光可能使得相機拍攝的圖像產生色偏，比如在日光燈下拍攝的圖像偏綠，而在鎢絲燈下拍攝的圖片偏黃等等。因此，為了解決該問題，圖像色彩校正被廣泛應用于各類拍照設備中。

現有的圖像色彩校正方法包括線性擬合、多項式擬合以及神經網絡顏色校正等。其中，傳統的線性擬合和多項式擬合方法一般利用幾個采樣點的RGB數據來進行校正，數據缺乏造成校正精度不理想，而且模型的泛化能力較差，因此不能很好地表達圖像的回歸效果。基于神經網絡的校正模型雖然可以通過采用大量訓練數據而實現高的校正精度和廣泛的適用領域，但是神經網絡校正模型的參數量較大，所涉及的計算量較大，而且需要大量的乘法器，對硬件實現并不友好，尤其是對于具有有限硬件資源的便攜式移動電子設備而言。此外，傳統的圖像色彩校正方法還不能有效地消除環境光的變化對圖像色彩的影響。

因此，鑒于目前的圖像色彩校正方法的諸多不足之處，仍期望提供改進的圖像校正方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種色彩校正模型訓練方法和裝置、圖像色彩校正方法和裝置、以及相關的電子設備，其通過首先訓練神經網絡模型，再使用神經網絡模型來訓練其他非神經網絡色彩校正模型，可以實現具有良好的校正效果和硬件友好度的圖像色彩校正方案。

根據本申請的一個方面，提供了一種色彩校正模型訓練方法，包括：獲取色卡的圖像；使用色卡的圖像來訓練神經網絡，從而獲得第一色彩校正模型；利用所述第一色彩校正模型對色彩空間中的任意原始原色值進行校正，以獲得對應的目標原色值；以及使用所述任意原始原色值作為輸入數據，并且使用對應的目標原色值作為監督數據，來訓練第二色彩校正模型。

在一些實施例中，所述第二色彩校正模型是基于非神經網絡的色彩校正模型。

在一些實施例中，所述第一色彩校正模型是反向傳播神經網絡模型，所述第二色彩校正模型是線性回歸模型。

在一些實施例中，訓練第二色彩校正模型包括：將所述色彩空間中的任意原始原色值和對應的目標原色值按范圍分為多個區塊；分別使用所述多個區塊來訓練第二色彩校正模型，以獲得分別與所述多個區塊對應的多個第二色彩校正子模型，所述第二色彩校正模型由多個第二色彩校正子模型組成。

在一些實施例中，將所述色彩空間中的任意原始原色值和對應的目標原色值按范圍分為多個區塊包括：在所述色彩空間的每個維度上進行均勻分塊。

在一些實施例中，所述色卡的圖像包括不同色溫下的圖像，從而所述第一色彩校正模型和所述第二色彩校正模型基于色溫來執行色彩校正。

在一些實施例中，所述色彩空間包括RGB、YUV、HSV、Lab、CMYK中的任意一個。

根據本申請的另一個方面，提供了一種圖像色彩校正方法，包括：接收待校正圖像；以及使用上述第二色彩校正模型來校正所述待校正圖像。