亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種基于分類校正的彩色圖像光源顏色估計(jì)方法與流程

文檔序號:12365698閱讀:415來源:國知局
一種基于分類校正的彩色圖像光源顏色估計(jì)方法與流程

本發(fā)明屬于計(jì)算機(jī)視覺和圖像處理技術(shù)領(lǐng)域,具體涉及一種基于分類校正的彩色圖像光源顏色估計(jì)方法的設(shè)計(jì)。



背景技術(shù):

自然環(huán)境下,同一物體在不同顏色的光的照射下會呈現(xiàn)不同的顏色,比如綠色的樹葉在晨光照射下偏黃色,而在傍晚時分卻偏藍(lán)色。人的視覺系統(tǒng)可以抵制這種光源顏色變化,從而恒定的感知物體的顏色,也就是視覺系統(tǒng)具有顏色恒常性。然而,受技術(shù)條件限制,機(jī)器并不具備這一能力,由物理設(shè)備,比如照相機(jī)拍攝到的圖片由于光源顏色的變化會產(chǎn)生嚴(yán)重的色偏。因此,如何根據(jù)已有的圖像信息去準(zhǔn)確估計(jì)場景中的光源顏色并將其移除從而得到物體在標(biāo)準(zhǔn)白光照射下的顏色就顯得尤為重要。

計(jì)算性顏色恒常正是致力于解決這一問題,它的主要目的是計(jì)算任意一幅圖像所包含的未知光源的顏色,然后用這個計(jì)算得到的光源顏色對原始輸入的圖像進(jìn)行光源顏色校正后在標(biāo)準(zhǔn)的白光下進(jìn)行顯示,得到所謂的標(biāo)準(zhǔn)圖像。由于標(biāo)準(zhǔn)圖像去除了光源顏色的影響,因而對于后續(xù)的計(jì)算任務(wù),比如基于顏色的場景分類,圖像檢索就不存在因色偏而導(dǎo)致的誤分類或誤檢索。

計(jì)算性顏色恒常方法可以分為兩類:基于學(xué)習(xí)的方法和傳統(tǒng)的靜態(tài)方法。傳統(tǒng)的靜態(tài)方法從圖像中提取簡單的特征用于光源估計(jì),這類方法由于估計(jì)的誤差較大,不能很好的滿足工程需要?;诖诵枨?,在傳統(tǒng)非基于學(xué)習(xí)的方法的基礎(chǔ)上誕生了基于學(xué)習(xí)的方法,比較典型的基于學(xué)習(xí)的方法有G.D.Finlayson在2013年提出的方法,參考文獻(xiàn):G.D.Finlayson,“Corrected-moment illuminant estimation”in Proc.Comput.Vis.IEEE Int.Conf.,2013,pp.1904–1911,該方法通過特征提取并利用回歸的方法找到特征與光源之間的關(guān)系。這種方法由于使用了回歸的手段,因而估計(jì)光源的準(zhǔn)確性相對較高,但該方法對所有圖像都使用同一個校正矩陣,導(dǎo)致部分圖像估計(jì)的光源誤差很大,因而無法滿足對估計(jì)光源顏色準(zhǔn)確性要求很高的場合,例如智能機(jī)器人或自動駕駛等的接收圖像的設(shè)備前端。因此,實(shí)現(xiàn)一種對不同的圖像學(xué)習(xí)不同的校正矩陣的方法就顯得尤為重要。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中的圖像場景光源顏色估計(jì)方法無法滿足對估計(jì)光源顏色準(zhǔn)確性要求很高的場合的問題,提出了一種基于分類校正的彩色圖像光源顏色估計(jì)方法。

本發(fā)明的技術(shù)方案為:一種基于分類校正的彩色圖像光源顏色估計(jì)方法,包括以下步驟:

S1、提取訓(xùn)練圖像的邊緣特征:將N幅已知光源的彩色圖像作為原始訓(xùn)練集T,分別與高斯分布求導(dǎo)后的模板G做卷積運(yùn)算,得到圖像每個像素點(diǎn)對應(yīng)的邊緣值,提取邊緣特征,得到N幅訓(xùn)練圖像的邊緣特征矩陣M;

S2、學(xué)習(xí)校正矩陣:通過最小二乘法,學(xué)習(xí)由步驟S1計(jì)算得到的特征矩陣M與N幅訓(xùn)練圖像的標(biāo)準(zhǔn)光源L之間的校正矩陣C;

S3、粗略的光源估計(jì):采用步驟S1中的方法提取測試圖像的邊緣特征,與步驟S2學(xué)習(xí)得到的校正矩陣C相乘,得到粗略的光源估計(jì)結(jié)果L1;

S4、尋找與測試圖像相對應(yīng)的訓(xùn)練圖像:對測試圖像與原始訓(xùn)練集T分別去除光源,再采用S1中的方法分別提取邊緣特征,形成特征空間;在特征空間中找出與測試圖像特征相近的K幅訓(xùn)練圖像,將其作為新的訓(xùn)練集TN;

S5、精準(zhǔn)的光源估計(jì):重復(fù)步驟S1-S4,每次將步驟S1中的訓(xùn)練集T替換為步驟S4中得到的新的訓(xùn)練集TN,訓(xùn)練圖像數(shù)也相應(yīng)的由N變?yōu)镵,直到步驟S4中得到的TN與上一次操作中步驟S4得到的TN相同為止,把最后一次操作中步驟S3得到的光源估計(jì)結(jié)果L1作為最終光源估計(jì)結(jié)果。

進(jìn)一步地,步驟S1中高斯分布求導(dǎo)后的模板G為高斯梯度算子。

進(jìn)一步地,步驟S1中提取邊緣特征的計(jì)算公式為:

<mrow> <msub> <mi>M</mi> <mrow> <mi>x</mi> <mi>y</mi> <mi>z</mi> </mrow> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mn>1</mn> </msub> </msubsup> <msubsup> <mi>R</mi> <mi>i</mi> <mi>x</mi> </msubsup> <msubsup> <mi>G</mi> <mi>i</mi> <mi>y</mi> </msubsup> <msubsup> <mi>B</mi> <mi>i</mi> <mi>z</mi> </msubsup> </mrow> <msub> <mi>N</mi> <mn>1</mn> </msub> </mfrac> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>+</mo> <mi>y</mi> <mo>+</mo> <mi>z</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

式中Ri、Gi、Bi分別表示每個像素點(diǎn)在R、G、B三個通道的邊緣值,N1表示圖像中像素點(diǎn)的個數(shù),Mxyz為不同x,y,z下對應(yīng)的邊緣特征的值,x,y,z是滿足x≥0,y≥0,z≥0且x+y+z=3的所有組合。

進(jìn)一步地,步驟S4中K的取值范圍為

進(jìn)一步地,步驟S4具體包括以下分步驟:

S41、對原始N幅訓(xùn)練圖像去除標(biāo)準(zhǔn)光源L,并采用步驟S1中的方法提取邊緣特征;

S42、對測試圖像去除步驟S3中粗略估計(jì)的光源L1,并采用步驟S1中的方法提取邊緣特征,與步驟S41中N幅訓(xùn)練圖像提取的邊緣特征共同形成特征空間;

S43、在特征空間中找出與測試圖像特征距離最相近的K幅圖像,作為測試圖像的新訓(xùn)練圖像集合TN。

進(jìn)一步地,步驟S43中的特征距離為歐式距離。

本發(fā)明的有益效果是:本發(fā)明首先在一組已知光源顏色的圖像上提取圖像的邊緣特征,然后通過最小二乘法進(jìn)行學(xué)習(xí),得到邊緣特征與光源之間的校正矩陣,再對待處理的測試圖像提取邊緣特征并與校正矩陣相乘,得到粗略的光源估計(jì);之后通過在特征空間尋找K幅鄰近圖像的方式找到與待處理測試圖像特征相近的一類訓(xùn)練圖像,從而重新學(xué)習(xí),得到精準(zhǔn)的光源估計(jì)。由于待處理的測試圖像與訓(xùn)練圖像在特征空間的距離不同,適當(dāng)調(diào)節(jié)對應(yīng)訓(xùn)練圖像數(shù)K的值,可以得到更好的適于不同類型訓(xùn)練圖像的結(jié)果,這里K是唯一的參數(shù)。本發(fā)明涉及參數(shù)少(僅有一個參數(shù)K),并且由于提取的特征簡單且數(shù)量較少,所以還擁有計(jì)算簡單、速度快等特點(diǎn);此外,本發(fā)明是基于學(xué)習(xí)的方法,所以處理效果好,精確度高,非常適合于對光源顏色的估計(jì)準(zhǔn)確度要求比較高的場合,例如內(nèi)置在智能機(jī)器人或自動駕駛的接收圖像設(shè)備的前端等。

附圖說明

圖1為本發(fā)明提供的一種基于分類校正的彩色圖像光源顏色估計(jì)方法流程圖。

圖2為本發(fā)明實(shí)施例一的待處理的測試圖像tools_ph-ulm.gif。

圖3為本發(fā)明實(shí)施例一的各步驟估計(jì)的光源與真實(shí)光源之間的誤差值示意圖。

圖4為本發(fā)明實(shí)施例一的最終光源估計(jì)結(jié)果與真實(shí)光源對比示意圖。

圖5為本發(fā)明實(shí)施例二的利用步驟S5計(jì)算的光源顏色值對原始測試圖像進(jìn)行色調(diào)校正后的結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明的實(shí)施例作進(jìn)一步的說明。

本發(fā)明提供了一種基于分類校正的彩色圖像光源顏色估計(jì)方法,如圖1所示,包括以下步驟:

S1、提取訓(xùn)練圖像的邊緣特征:將N幅已知光源的彩色圖像作為原始訓(xùn)練集T,分別與高斯分布求導(dǎo)后的模板G做卷積運(yùn)算,得到圖像每個像素點(diǎn)對應(yīng)的邊緣值,提取邊緣特征,得到N幅訓(xùn)練圖像的邊緣特征矩陣M。

其中,高斯分布求導(dǎo)后的模板G為高斯梯度算子。

提取邊緣特征的計(jì)算公式為:

<mrow> <msub> <mi>M</mi> <mrow> <mi>x</mi> <mi>y</mi> <mi>z</mi> </mrow> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mn>1</mn> </msub> </msubsup> <msubsup> <mi>R</mi> <mi>i</mi> <mi>x</mi> </msubsup> <msubsup> <mi>G</mi> <mi>i</mi> <mi>y</mi> </msubsup> <msubsup> <mi>B</mi> <mi>i</mi> <mi>z</mi> </msubsup> </mrow> <msub> <mi>N</mi> <mn>1</mn> </msub> </mfrac> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>+</mo> <mi>y</mi> <mo>+</mo> <mi>z</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

式中Ri、Gi、Bi分別表示每個像素點(diǎn)在R、G、B三個通道的邊緣值,N1表示圖像中像素點(diǎn)的個數(shù),Mxyz為不同x,y,z下對應(yīng)的邊緣特征的值,x,y,z是滿足x≥0,y≥0,z≥0且x+y+z=3的所有組合,總的組合數(shù)為19,所以這里可以得到19個邊緣特征。

S2、學(xué)習(xí)校正矩陣:通過最小二乘法,學(xué)習(xí)由步驟S1計(jì)算得到的特征矩陣M與N幅訓(xùn)練圖像的標(biāo)準(zhǔn)光源L之間的校正矩陣C。

S3、粗略的光源估計(jì):采用步驟S1中的方法提取測試圖像的邊緣特征,與步驟S2學(xué)習(xí)得到的校正矩陣C相乘,得到粗略的光源估計(jì)結(jié)果L1。

S4、尋找與測試圖像相對應(yīng)的訓(xùn)練圖像:對測試圖像與原始訓(xùn)練集T分別去除光源,再采用S1中的方法分別提取邊緣特征,形成特征空間;在特征空間中找出與測試圖像特征相近的K幅訓(xùn)練圖像(K的取值范圍為),將其作為新的訓(xùn)練集TN。

該步驟具體包括以下分步驟:

S41、對原始N幅訓(xùn)練圖像去除標(biāo)準(zhǔn)光源L,并采用步驟S1中的方法提取邊緣特征。

S42、對測試圖像去除步驟S3中粗略估計(jì)的光源L1,并采用步驟S1中的方法提取邊緣特征,與步驟S41中N幅訓(xùn)練圖像提取的邊緣特征共同形成特征空間。

S43、在特征空間中找出與測試圖像特征距離最相近的K幅圖像,作為測試圖像的新訓(xùn)練圖像集合TN。

其中,步驟S43中的特征距離為歐式距離。

S5、精準(zhǔn)的光源估計(jì):重復(fù)步驟S1-S4,每次將步驟S1中的訓(xùn)練集T替換為步驟S4中得到的新的訓(xùn)練集TN,訓(xùn)練圖像數(shù)也相應(yīng)的由N變?yōu)镵,直到步驟S4中得到的TN與上一次操作中步驟S4得到的TN相同為止,把最后一次操作中步驟S3得到的光源估計(jì)結(jié)果L1作為最終光源估計(jì)結(jié)果。

經(jīng)過步驟S5之后計(jì)算出來的圖像的最終光源估計(jì)結(jié)果L1可以直接用于后續(xù)的計(jì)算機(jī)視覺應(yīng)用,比如用輸入的原彩色圖像的每個顏色通道的分量除以L1,可以達(dá)到去除彩色圖像中光源顏色的目的。此外,圖像的白平衡以及顏色校正也需要用到S5計(jì)算出來的最終光源估計(jì)結(jié)果L1。

下面以一個具體實(shí)施例對本發(fā)明提供的一種基于分類校正的彩色圖像光源顏色估計(jì)方法作進(jìn)一步說明:

實(shí)施例一:

下載目前國際公認(rèn)的用于估計(jì)場景光源顏色的圖像庫SFU object的所有圖片(共321幅)及其對應(yīng)的真實(shí)光源顏色(標(biāo)準(zhǔn)光源)L,圖像大小均為468×637,選圖像庫前214幅圖像作為訓(xùn)練集圖像,選擇剩余圖像中一幅圖像tools_ph-ulm.gif(如圖2所示)作為待處理的測試圖像進(jìn)行測試,所有圖像都沒有經(jīng)過任何相機(jī)本身的預(yù)處理(如色調(diào)校正,gamma值校正)。則本發(fā)明的詳細(xì)步驟如下:

S1、提取訓(xùn)練圖像的邊緣特征:將214幅已知光源的彩色圖像作為原始訓(xùn)練集T,分別與高斯分布求導(dǎo)后的模板G(高斯梯度算子)做卷積運(yùn)算,得到圖像每個像素點(diǎn)對應(yīng)的邊緣值,再分別提取19維的邊緣特征,最后得到大小為214*19的訓(xùn)練集圖像的邊緣特征矩陣M。

S2、學(xué)習(xí)校正矩陣:通過最小二乘法,學(xué)習(xí)由步驟S1計(jì)算得到的特征矩陣M與214幅訓(xùn)練圖像的標(biāo)準(zhǔn)光源L之間的校正矩陣,得到大小為19*3的校正矩陣C:

C=[-150.0689,-30.1462,-21.5186;-96.5582,-196.1642,-348.5298;52.6551,76.4461,115.5982;-200.5289,-240.3650,-179.6495;-79.6311,72.4539,125.1126;-56.1276,-130.2963,-226.1518;683.9180,552.9035,366.8781;214.1444,-15.5379,-52.8198;-149.3407,138.0260,397.1888;154.6218,240.3336,128.2161;156.5752,-50.6503,69.4182;22.7103,90.3730,274.5781;-65.9786,-384.7642,-66.2556;-112.7044,-104.0913,-12.8868;-349.7427,81.5115,-215.8972;-79.0109,-48.0727,-32.2072;-98.2723,-22.7039,-51.2091;108.6481,-52.0896,-265.9989;172.6056,171.2726,95.1991]。

S3、粗略的光源估計(jì):采用步驟S1中的方法提取測試圖像的19維邊緣特征,得到大小為1*19的測試圖像的邊緣特征矩陣M1:

M1=[0.0002,0.0004,0.0002,0.0014,0.0017,0.0012,0.0015,0.0013,0.0014,0.0036,0.0040,0.0031,0.0037,0.0034,0.0039,0.0037,0.0032,0.0034,0.0035]。

再將M1與步驟S2學(xué)習(xí)得到的校正矩陣C相乘,得到粗略的光源估計(jì)結(jié)果L1=[0.1985,0.2151,0.2360]。

S4、尋找與測試圖像相對應(yīng)的訓(xùn)練圖像:對測試圖像與具有214幅圖像的原始訓(xùn)練集T分別去除光源,再采用S1中的方法分別提取19維邊緣特征,形成特征空間。在特征空間中找出與測試圖像特征相近的K幅訓(xùn)練圖像,從而得到與其特征相近的一類圖像,將這K幅圖像作為新的訓(xùn)練集TN。本發(fā)明實(shí)施例中,選取K=100。

該步驟具體包括以下分步驟:

S41、對原始214幅訓(xùn)練圖像去除標(biāo)準(zhǔn)光源L,并采用步驟S1中的方法提取19維邊緣特征,得到大小為214*19的特征矩陣M0。

S42、對測試圖像去除步驟S3中粗略估計(jì)的光源L1,并采用步驟S1中的方法提取邊緣特征,得到大小為1*19的特征矩陣M2:

M2=[0.0060,0.0089,0.0038,0.0366,0.0371,0.0224,0.0365,0.0282,0.0285,0.0937,0.0900,0.0581,0.0921,0.0790,0.0909,0.0768,0.0673,0.0664,0.0777]。

再將M2與步驟S41中214幅訓(xùn)練圖像提取的邊緣特征M0共同形成特征空間。

S43、在特征空間中找出與測試圖像特征距離最相近的100幅圖像,作為測試圖像的新訓(xùn)練圖像集合TN。

S5、精準(zhǔn)的光源估計(jì):重復(fù)步驟S1-S4,每次將步驟S1中的訓(xùn)練集T替換為步驟S4中得到的新的訓(xùn)練集TN,訓(xùn)練圖像數(shù)也相應(yīng)的由N變?yōu)镵,直到步驟S4中得到的TN與上一次操作中步驟S4得到的TN相同為止,把最后一次操作中步驟S3得到的光源估計(jì)結(jié)果L1作為最終光源估計(jì)結(jié)果。

本發(fā)明實(shí)施例中,為節(jié)約時間,重復(fù)操作兩次即可。重復(fù)操作一次后得到的光源估計(jì)結(jié)果為L1=[0.3412,0.3591,0.3168],重復(fù)操作兩次后得到的光源估計(jì)結(jié)果為L1=[0.3312,0.3365,0.3430]。將執(zhí)行兩次后得到的光源估計(jì)結(jié)果L1=[0.3312,0.3365,0.3430]作為最終光源估計(jì)結(jié)果。

如圖3所示,第一個柱子表示步驟S3中粗略估計(jì)的光源與真實(shí)光源之間角度誤差值,第二個柱子是步驟S5中重復(fù)操作一次之后估計(jì)的光源與真實(shí)光源之間的角度誤差值,第三個柱子是步驟S5中重復(fù)操作兩次之后估計(jì)的光源與真實(shí)光源之間的角度誤差值。三個柱子之間連接的折線反應(yīng)了估計(jì)誤差的下降趨勢,表明估計(jì)的光源越來越準(zhǔn)確。

如圖4所示為步驟S5最終計(jì)算得到的三原色空間下紅色和綠色分量的響應(yīng)的方向與真實(shí)光源紅色和綠色分量的響應(yīng)的方向,圖4表明由步驟S5計(jì)算得到的響應(yīng)值與真實(shí)場景光源顏色的信息很接近。

下面以一個具體實(shí)施例對本發(fā)明最終得到的光源估計(jì)結(jié)果以圖像的色調(diào)校正為例作一個實(shí)際應(yīng)用時的簡單示范:

實(shí)施例二:

利用步驟S5計(jì)算得到的各個顏色分量下的光源顏色值,分別校正原始輸入圖像的每個顏色分量的像素值。以步驟S3中輸入的測試圖像的一個像素點(diǎn)(0.335,0.538,0.601)為例,其校正后的結(jié)果為(0.335/0.3312,0.538/0.3365,0.601/0.3430)=(1.0115,1.5988,1.7522),歸一化處理之后變?yōu)?0.2319,0.3665,0.4016),然后將校正后的值乘上標(biāo)準(zhǔn)白光系數(shù)得到(0.1339,0.2116,0.2319)作為最終輸出的校正圖像的像素值,原始輸入圖像的其它像素點(diǎn)也做類似的計(jì)算,最后得到校正后的彩色圖像,如圖5所示。

本領(lǐng)域的普通技術(shù)人員將會意識到,這里所述的實(shí)施例是為了幫助讀者理解本發(fā)明的原理,應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實(shí)施例。本領(lǐng)域的普通技術(shù)人員可以根據(jù)本發(fā)明公開的這些技術(shù)啟示做出各種不脫離本發(fā)明實(shí)質(zhì)的其它各種具體變形和組合,這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1