一种基于深度卷积神经网络的岩渣图像偏色校正方法技术

本发明专利技术提供一种基于深度卷积神经网络的岩渣图像偏色校正方法，涉及图像校正技术领域。该方法包括：获取多个标准图像以及对应的偏色图像；将标准图像和偏色图像从RGB颜色空间转换到CIELab颜色空间；基于标准图像和偏色图像的CIELab颜色值，进行卷积神经网络训练，以建立偏色校正模型；对于新的偏色岩渣图像，采用偏色校正模型进行偏色校正，以输出经校正的岩渣图像。通过将岩渣样本图像从RGB空间转换至CIELab空间，更适合于后端岩渣图片的分类检测，利用卷积神经网络建立校正模型，实现了对岩渣图像的偏色校正，以小的代价获得较高的图像质量。图像质量。图像质量。

【技术实现步骤摘要】
一种基于深度卷积神经网络的岩渣图像偏色校正方法


[0001]本专利技术涉及图像校正
，具体涉及一种基于深度卷积神经网络的岩渣图像偏色校正方法。

技术介绍

[0002]全断面硬岩隧道掘进机(TBM)是由导向、掘进、支护、出渣等系统集成的工厂化隧道施工高端装备。其中，出渣系统中岩渣图像的分类判定可以预测地质情况，判定掘进机掘进的岩石状况。近年来通过现场边缘侧安装终端实现实时检测岩渣图像的分类。但是由于掘进装备现成环境恶劣，光照条件复杂，在拍摄岩渣图片过程中，拍摄场景变化或者光照条件的变化，都会造成图像的颜色失真(color distortion)，真实感差不利于后端图片的分类检测。
[0003]根据RGB三基色原理，偏色可认为是有入射光在摄像头R、G、B三个通道发生非线性响应引起的，从而造成图像颜色失真(color distoration)。常见的图像偏色校正方法主要有几类：
[0004](1)多项式回归法：基于映射的颜色进行校正，通过采集标准色板的颜色，对自然光照下采集的偏色图像的进行映射校正。
[0005](2)BP神经网络法：BP神经网络通过输入层、隐层、输出层的网络结构，对标准色卡的色块值进行训练，从待校正的色卡图片上提取出RGB值作为输入值，色卡标准值作为监督值，进行训练和测试，输出校正的新图像。
[0006](3)支持向量机(SVM)法：通过非线性变换将输入空间变换到一个高维空间，然后在高维空间中求取最优线性分类面。
[0007]虽然目前偏色校正方法有很多，但实际应用于掘进现场环境实时岩渣图像偏色处理的成熟方法并不多，校正算法目前技术的缺点：RGB三原色空间可以简单计算出偏色系数，但具有局限性，当用欧氏距离来刻画两种颜色之间差异时，计算出的两种颜色之间的差距无法正确表征人们实际所感知的两种颜色之间的真实差；灰色平衡法针对满足“灰度世界假设”，计算与中性点的色度距离来判断是否偏色，但不适合过亮或过暗或颜色单一的图像；白平衡法也不具有通用性，当拍摄物体没有白色或高光部分存在时，偏色检测结果是失真的。

技术实现思路

[0008]本专利技术的目的在于，针对上述现有技术的不足，提供一种基于深度卷积神经网络的岩渣图像偏色校正方法，以解决岩渣图像的偏色校正问题。
[0009]为实现上述目的，本专利技术采用的技术方案如下：
[0010]本专利技术提供了一种基于深度卷积神经网络的岩渣图像偏色校正方法，该方法包括：
[0011]获取多个标准图像以及对应的偏色图像，标准图像表示在标准光照光源下采集获
得的岩渣图像，偏色图像表示在非标准光照下采集获得的岩渣图像；
[0012]将标准图像和偏色图像从RGB颜色空间转换到CIELab颜色空间；
[0013]基于标准图像和偏色图像的CIELab颜色值，进行卷积神经网络训练，以建立偏色校正模型；
[0014]对于新的偏色岩渣图像，采用偏色校正模型进行偏色校正，以输出经校正的岩渣图像。
[0015]可选地，所述将标准图像和偏色图像从RGB颜色空间转换到CIELab颜色空间，包括：
[0016]利用下式将标准图像和偏色图像从RGB颜色空间转换到XYZ空间，
[0017][0018]其中，R、G、B表示图像的三原色值，X、Y、Z表示图像从RGB颜色空间转XYZ空间后计算出来的值；
[0019]然后利用下式将标准图像和偏色图像从XYZ空间转换到CIELab颜色空间，
[0020]L＝116f(Y/Y
n
)
‑
16
[0021]a＝500[f(X/X
n
)
‑
f(Y/Y
n
)][0022]b＝200[f(Y/Y
n
)
‑
f(Z/Z
n
)][0023]其中，L、a、b表示图像的CIELab颜色值，X
n
、Y
n
、Z
n
表示预设参考图像白点的三原色刺激值，函数f为如下函数：
[0024][0025]可选地，X
n
、Y
n
、Z
n
的默认值依次为95.047、100.0、108.883。
[0026]可选地，所述基于标准图像和偏色图像的CIELab颜色值，进行卷积神经网络训练，以建立偏色校正模型，包括：将偏色图像的CIELab颜色值作为卷积神经网络的输入，并且将对应的标准图像的CIELab颜色值作为卷积神经网络的输出，进行卷积神经网络训练，得到颜色校正系数和卷积神经网络的权值，以建立偏色校正模型。
[0027]可选地，进行卷积神经网络训练时，采用改进的深度卷积神经网络LeNet
‑
L网络结构，改进的深度卷积神经网络LeNet
‑
L网络结构如下：该网络结构基于LeNet
‑
5网络结构，增加一层全连接层，该网络结构从输入层到输出层总共9层，包括输入层、2层卷积层、2层池化层、3层全连接层和输出层。
[0028]可选地，进行卷积神经网络训练时，对于拍摄的岩渣图像，首先在图像中随机选取一部分区域作为训练样本，从所述一部分样本中学习特征，然后将学习到的特征作为滤波器，与原始整张图像进行卷积运算，从而得到原始图像任一位置的不同特征的激活值；
[0029]卷积层的卷积操作运算公式如下：
[0030][0031]其中，l代表卷积层数，代表第l层的第j个特征图，f是激活函数，M
j
是第l
‑
1层的第j个特征图，N代表卷积核，选5
×
5的卷积核进行滤波，为第l层的第j个特征图对应的偏置，激活函数用来判断每个神经元的输出有没有达到阈值，只有前面的树突传递的信号加权和值大于预设特定的阈值时，后面的神经元才会被激活。
[0032]可选地，激活函数f采用RELU激活函数，如下式所示：
[0033]f(x)＝max(0,x)
[0034]该激活函数为不饱和非线性函数，其中x是特征图中任一神经单元，当输入信号x＜0时，激活函数输出为0，当x＞0时，激活函数输出等于输入。
[0035]可选地，在子采样过程中，子采样公式如下所示：
[0036][0037]其中，k为权重系数，函数down为池化函数。
[0038]可选地，所述对于新的偏色岩渣图像，采用偏色校正模型进行偏色校正，以输出经校正的岩渣图像，包括：
[0039]输入新的偏色岩渣图像；
[0040]将新的偏色岩渣图像从RGB颜色空间转换到CIELab颜色空间；
[0041]采用偏色校正模型对新的偏色岩渣图像的CIELab颜色值进行偏色校正，以输出校正结果；
[0042]将校正结果变换至RGB颜色空间，以获得经校正的岩渣图像。
[0043]本专利技术的有益效果包括：
[0044]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的岩渣图像偏色校正方法，其特征在于，所述方法包括：获取多个标准图像以及对应的偏色图像，所述标准图像表示在标准光照光源下采集获得的岩渣图像，所述偏色图像表示在非标准光照下采集获得的岩渣图像；将所述标准图像和所述偏色图像从RGB颜色空间转换到CIELab颜色空间；基于所述标准图像和所述偏色图像的CIELab颜色值，进行卷积神经网络训练，以建立偏色校正模型；对于新的偏色岩渣图像，采用所述偏色校正模型进行偏色校正，以输出经校正的岩渣图像。2.根据权利要求1所述的基于深度卷积神经网络的岩渣图像偏色校正方法，其特征在于，所述将所述标准图像和所述偏色图像从RGB颜色空间转换到CIELab颜色空间，包括：利用下式将所述标准图像和所述偏色图像从RGB颜色空间转换到XYZ空间，其中，R、G、B表示图像的RGB三原色值，X、Y、Z表示图像从RGB颜色空间转XYZ空间后计算出来的值；然后利用下式将所述标准图像和所述偏色图像从XYZ空间转换到CIELab颜色空间，L＝116f(Y/Y
n
)
‑
16a＝500[f(X/X
n
)
‑
f(Y/Y
n
)]b＝200[f(Y/Y
n
)
‑
f(Z/Z
n
)]其中，L、a、b表示图像的CIELab颜色值，X
n
、Y
n
、Z
n
表示预设参考图像白点的三原色刺激值，函数f为如下函数：3.根据权利要求2所述的基于深度卷积神经网络的岩渣图像偏色校正方法，其特征在于，X
n
、Y
n
、Z
n
的默认值依次为95.047、100.0、108.883。4.根据权利要求1所述的基于深度卷积神经网络的岩渣图像偏色校正方法，其特征在于，所述基于所述标准图像和所述偏色图像的CIELab颜色值，进行卷积神经网络训练，以建立偏色校正模型，包括：将所述偏色图像的CIELab颜色值作为卷积神经网络的输入，并且将对应的标准图像的CIELab颜色值作为卷积神经网络的输出，进行卷积神经网络训练，得到颜色校正系数和卷积神经网络的权值，以建立偏色校...

【专利技术属性】
技术研发人员：王珩，张艾森，侯建勤，余芸，何斌，
申请(专利权)人：上海工业自动化仪表研究院有限公司，
类型：发明
国别省市：