【技术实现步骤摘要】
本专利技术属于计算机及信息服务，特别涉及对色偏图像进行白平衡校正的多光源颜色恒常性方法，具体涉及一种基于颜色解耦的多光源颜色恒常性方法及系统。
技术介绍
1、人类视觉系统具有感知环境光照变化，并消除光源影响的能力，这种能力称为颜色恒常性(color constancy，cc)。计算机颜色恒常性通过模拟这种能力来校正由环境与设备引起的图像色偏，是计算机视觉领域的一项基础任务。
2、目前大多数颜色恒常性算法旨在解决单光源问题，即假设场景中各处照明均匀。单光源颜色恒常性任务的主要目标是为场景生成一组光源颜色，主要分为三种方法：基于统计的方法、基于色域映射的方法和基于学习的方法。基于统计的方法提出了许多关于反射率属性的经典假设，例如gray-world，white-patch和gray-edge。这类方法计算速度快，但仅适用于特定场景。基于色域映射的方法假设一个相机的规范能够通过大量真实数据构造，他们通过输入图像的色域到规范色域的映射函数获得光源。基于学习的方法通过大量训练样本学习光源推理。一些研究使用贝叶斯、svr等回归算法推理光源。一些研究利用实例化匹配，为各种语义类计算相应的代表颜色或为不同的场景设计不同的算法。近年来，卷积神经网络(cnn)被用于颜色恒常性任务。其中一些方法利用cnn直接回归光源，如ds-net、fc4、c4、igtn、clcc等。一些方法，如ccc、ffcc等，提出同一场景下，光源的变化会导致图像频域空间的位置变化，可以使用cnn通过空间定位的方式推断光源。还有一些方法通过聚类的方式生成候选光源，将
3、然而，现实场景的光照往往是不均匀的，因此多光源颜色恒常性任务被提出。早期多光源颜色恒常性方法大多基于局部预测，这些方法假设局部区域内的照明是均匀的。riess等人基于物理模型二色反射模型预测局部光源。gijsenij等人将图像分区，使用传统单光源算法预测局部光源。uchimi等人将图像划分为超像素，并为每个超像素绘制体现位置与物体颜色关系的颜色线。joze等人将图像划分为不同的表面并计算代表色以进行颜色映射。beigpour将局部光源预测定义为条件随机场内的能量最小化问题。mutimbu等人基于patch构建金字塔因子图，对不同尺度的子图的预测结果进行加权组合。最早的基于cnn的多光源方法patchcnn也基于patch。然而，局部区域内光照均匀这一假设显然不符合现实情况。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供一种基于颜色解耦的多光源颜色恒常性方法及系统，其基于编码器-解码器结构提出了一个能够实现颜色解耦的像素级多光源颜色恒常性网络，并利用物体颜色感知模块解耦光源和内容，利用对比度协调模块解耦光源颜色，解决了多光源颜色恒常性问题。
2、根据本专利技术说明书的一方面，提供一种基于颜色解耦的多光源颜色恒常性方法，包括：
3、获取待校正的色偏图像；
4、将所述待校正的色偏图像输入训练后的像素级多光源颜色恒常性模型cdnet，输出像素级光源图的预测值，并通过von kries变换进行像素级校正，得到恢复到白平衡的图像；
5、其中，所述像素级多光源颜色恒常性模型cdnet的训练，包括：
6、构建多光源颜色恒常性数据集；
7、构建像素级多光源颜色恒常性模型cdnet，包括像素级光源预测网络、场景内容颜色感知模块ccam和对比度协调模块cham，并由光源预测损失、语义相似度损失、对比度协调损失共同约束；所述像素级光源预测网络包括编码器和解码器，输入图像经编码器生成图像特征图，再由解码器预测像素级光源图；所述场景内容颜色感知模块ccam学习场景在白光下的特征表示，从中分离出颜色特征，并通过评估内容对光源预测的影响程度，将场景内容-颜色特征针对性地融合进光源推理过程；所述对比度协调模块cham根据光源差异度与空间位置先验，对不同像素的特征表示进行不同程度的拉近或推远，引导模型学习能够判别光源颜色差异程度的特征；
8、利用构建的多光源颜色恒常性数据集进行模型训练，保存训练好的像素级多光源颜色恒常性模型cdnet。
9、作为进一步的技术方案，所述场景内容颜色感知模块ccam，还包括：
10、使用大规模预训练模型提取色偏图像的场景内容特征；
11、使用语义特征学习模块校准场景内容特征，通过在训练阶段使用白平衡图像和语义相似度损失以纠正内容特征表示；
12、使用标准色匹配和再校准场景内容颜色；
13、对特征进行整合，预测各区域场景内容对光源预测的影响程度。
14、作为进一步的技术方案，使用标准色匹配和再校准场景内容颜色，包括：
15、进行标准色采样和标准色编码，以及计算场景内容特征与标准色特征的相关性。
16、作为进一步的技术方案，所述对比度协调模块cham，还包括：
17、根据像素间的光源差异度将像素分为同源光源、异源光源或相似光源组；
18、增强同源光源特征表示的独特性和异源光源特征表示的区分性；
19、为相似光源的特征分配细粒度的边界系数，使不同光源差异度的像素的特征表示具有软区分性。
20、作为进一步的技术方案，利用构建的多光源颜色恒常性数据集进行模型训练，还包括：
21、对数据集中的图像样本进行数据增强，将数据集分为训练集、验证集和测试集；
22、将增强后的图像样本输入构建的像素级多光源颜色恒常性模型，生成光源预测特征图、语义特征图和像素级光源预测图，通过损失函数计算三部分损失，并进行反向传播；
23、每轮训练完成后，在验证集上测试模型效果，保存在验证集上表现最好的模型。
24、根据本专利技术说明书的一方面，提供一种基于颜色解耦的多光源颜色恒常性系统，包括：
25、第一主模块，用于获取待校正的色偏图像；
26、第二主模块，用于将所述待校正的色偏图像输入训练后的像素级多光源颜色恒常性模型cdnet，输出像素级光源图的预测值，并通过von kries变换进行像素级校正，得到恢复到白平衡的图像；
27、其中，所述像素级多光源颜色恒常性模型cdnet的训练，包括：
28、构建多光源颜色恒常性数据集；
29、构建像素级多光源颜色恒常性模型cdnet，包括像素级光源预测网络、场景内容颜色感知模块ccam和对比度协调模块cham，并由光源预测损失、语义相似度损失、对比度协调损失共同约束；所述像素级光源预测网络包括编码器和解码器，输入图像经编码器生成图像特征图，再由解码器预测像素级光源图；所述场景内容颜色感知模块ccam学习场景在白光下的特征表示，从中分离出颜色特征，并通过评估内容对光源预测的影响程度，将场景内容-颜色特征针对性地融合进光源推理过程；所述对比度协调模块c本文档来自技高网...
【技术保护点】
1.一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，包括：
2.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，所述场景内容颜色感知模块CCAM，还包括：
3.根据权利要求2所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，使用标准色匹配和再校准场景内容颜色，包括：
4.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，所述对比度协调模块CHAM，还包括：
5.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，利用构建的多光源颜色恒常性数据集进行模型训练，还包括：
6.一种基于颜色解耦的多光源颜色恒常性系统，其特征在于，包括：
7.一种基于颜色解耦的多光源颜色恒常性系统，其特征在于，包括存储器和处理器；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至5任一项权利要求所述的一种基于颜色解耦的多光源颜色恒常性方法的步骤。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存
...【技术特征摘要】
1.一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，包括：
2.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，所述场景内容颜色感知模块ccam，还包括：
3.根据权利要求2所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，使用标准色匹配和再校准场景内容颜色，包括：
4.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，所述对比度协调模块cham，还包括：
5.根据权利要求1所述一种基于颜色解耦的多光源颜色恒常性方法，其特征在于，利用构建的多光源颜色恒常性数据...
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。