【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种增益值计算模型训练方法、色差校正方法和系统、设备。
技术介绍
1、目前，随着计算机视觉技术的不断发展，基于拼接的全局影像技术逐渐在汽车领域中得到应用，其广泛的使用场景也使全局影像技术成为使用最多的功能之一。通常，车载全局影像由前、后、左、右4个相机的图像拼接而成，但是在车载场景下，由于相机安装位置、环境光照、内参等因素的差异，极易造成拼接过后的图像存在明显的色差，因此在拼接前要对图像进行自动白平衡(awb)处理。
2、传统的awb主要包括以下算法：(1)灰度世界算法：其算法流程为，计算图像三通道的平均值ravg、gavg、bavg以及全图平均值allavg；计算三通道各自的调节增益kr＝allavg/ravg，kg＝allavg/gavg，kb＝allavg/bavg；对原图三个通道通过增益值进行调整：r*kr，g*kg，b*kb。(2)完美反射算法：其算法流程为，计算图像中每个像素点r、g、b三个通道之和并保存，按照r+g+b值的前10％或其他比例计算阈值t；再次遍历图像中的每个点，计算r+g+b大于t的所有点的r、g、b分量的累积和及其均值；根据均值和r+g+b的最大值计算各个通道的增益，对图像进行处理，并将其量化到0-255范围内。灰度世界方法原理较为简单，但当图像中颜色比较单一时，算法效果会显著下降，完美反射算法容易受到阈值参数的影响，部分场景下容易出现画面泛白的问题。
3、基于神经网络的awb算法，中国专利技术专利《一种使用神经网络进行图像白平衡校正的方法及装
4、综上所述，现有的白平衡相关技术对于一些特殊场景无法产生足够好的效果，具有一定局限性，且基于神经网络的方法也没有考虑到拼接所使用的多幅图像之间的影响。
技术实现思路
1、鉴于以上现有技术的缺陷，本专利技术提供一种增益值计算模型训练方法、色差校正方法和系统、设备，以解决现有的几种方案适应性和稳定性差、精确度低的技术问题。
2、为实现上述目的及其它相关目的，本专利技术提供了一种白平衡增益值计算模型的训练方法，包括如下步骤：获取多张图像；输入多张所述图像至神经网络模型中，以提取所述图像的光源估计权重，得到多个权重矩阵；根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量；根据每张所述图像的光源估计向量计算损失值，并根据该损失值调整所述神经网络模型的参数，从而得到训练好的白平衡增益值计算模型。
3、于本专利技术一实施例中，所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：计算每张所述图像及其对应的权重矩阵的第一加权和；通过l2范数对所述第一加权和进行归一化，得到每张所述图像的第一光源估计向量。
4、于本专利技术一实施例中，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：计算每张所述图像的第一光源估计向量与标准灰度图像的光源估计向量之间的余弦值；对每张所述图像计算得到的余弦值求和，得到所述损失值。
5、于本专利技术一实施例中，两张所述图像之间具有融合区域；所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：计算每张所述图像及其对应的权重矩阵的位于所述融合区域的第二加权和；通过l2范数对所述第二加权和进行归一化，得到每张所述图像的位于所述融合区域的第二光源估计向量。
6、于本专利技术一实施例中，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：计算每个所述融合区域对应的两个第二光源估计向量的差值；计算所有融合区域的所述差值的绝对值之和，得到所述损失值。
7、于本专利技术一实施例中，所述获取多张图像的步骤包括：获取多张原始图像；对多张所述原始图像分别进行尺寸转换得到多张标准图像；对多张所述标准图像分别进行灰度处理得到多张灰度图像；所述输入多张所述图像至神经网络模型中的步骤包括：输入多张所述灰度图像至神经网络模型中；所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：根据每张所述标准图像及其对应的权重矩阵，计算每张所述图像的光源估计向量。
8、于本专利技术一实施例中，所述输入多张所述图像至神经网络模型中，以提取所述图像的光源估计权重，得到多个权重矩阵的步骤包括：输入多张所述图像至所述神经网络模型的特征提取网络中，以提取所述图像的图像特征；输入所述图像特征至所述神经网络模型的特征融合网络中，以融合所述图像特征得到多个所述权重矩阵。
9、为实现上述目的及其它相关目的，本专利技术还提供了一种全局影像色差校正方法，包括如下步骤：获取多张待处理图像；输入多张所述待处理图像至按照如上任一项所述的白平衡增益值计算模型的训练方法训练得到的白平衡增益值计算模型中，得到每张所述待处理图像对应的光源估计向量；根据每个所述光源估计向量，得到每张所述待处理图像的各通道增益值；计算每张所述待处理图像各通道像素值与所述增益值的乘积，得到每张所述待处理图像校正后的图像。
10、为实现上述目的及其它相关目的，本专利技术还提供了一种全局影像色差校正系统，包括：图像获取单元，用于获取多张待处理图像；白平衡增益值计算模型，按照如上任一项所述的白平衡增益值计算模型的训练方法训练得到，用于接收多张所述待处理图像，得到每张所述待处理图像对应的光源估计向量；以及图像校正单元，用于根据每个所述光源估计向量，得到每张所述待处理图像的各通道增益值，并计算每张所述待处理图像各通道像素值与所述增益值的乘积，得到每张所述待处理图像校正后的图像。
11、为实现上述目的及其它相关目的，本专利技术还提供了一种电子设备，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；所述处理器用于执行所述存储器中存储的计算机程序，以实现如上实施例提供的全局影像色差校正方法。
12、为实现上述目的及其它相关目的，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使计算机执行如上实施例提供的全局影像色差校正方法。
13、本专利技术的有益效果：本专利技术提出的一种增益值计算模型训练方法、色差校正方法和系统、设备，该模型训练方法通过神经网络模型提取光源估计权重，再根据光源估计权重以及图像计算光源估计向量，光源估计向量的每个元素值分别对应图像的各通道增益，训练得到的模型能够更好地适应不同光照环境的影响，且不需要针对特定相机或场景进行适应，对于不同相机获取的图像具本文档来自技高网...
【技术保护点】
1.一种白平衡增益值计算模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：
3.根据权利要求2所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：
4.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，两张所述图像之间具有融合区域；所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：
5.根据权利要求4所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：
6.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，所述获取多张图像的步骤包括：
7.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，所述输入多张所述图像至神经网络模型中，以提取所述图像的光源估计权重，得到多个权重矩阵的步骤包括：>
8.一种全局影像色差校正方法，其特征在于，包括如下步骤：
9.一种全局影像色差校正系统，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求8所述的方法。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于使计算机执行如权利要求8所述的方法。
...【技术特征摘要】
1.一种白平衡增益值计算模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：
3.根据权利要求2所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：
4.根据权利要求1所述的白平衡增益值计算模型的训练方法，其特征在于，两张所述图像之间具有融合区域；所述根据每张所述图像及其对应的权重矩阵，计算每张所述图像的光源估计向量的步骤包括：
5.根据权利要求4所述的白平衡增益值计算模型的训练方法，其特征在于，所述根据每张所述图像的光源估计向量计算损失值的步骤包括：
6.根据权...
【专利技术属性】
技术研发人员：孙永派，刘杨，张禾，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。