图像的光照校正方法、装置、计算机设备和存储介质与流程

本技术涉及图像处理与计算机视觉，特别是涉及图像的光照校正方法、装置、计算机设备和存储介质。

背景技术：

1、随着数字化建设的不断深入，对智慧交通、智慧安检、智慧物流以及自动驾驶的需求越来越强，对图像质量的要求也越来越高。在计算机视觉领域，光源的颜色对场景中物体图像颜色有着重要的影响，同一物体表面在不同的光源照射下会产生不同的反射光谱从而呈现出不同的颜色，从而对图像目标的采集识别以及追踪定位产生直接的影响。因此需要对图像进行光照校正。光照校正的主要目的就是消除光源类型变化对目标物体颜色的影响，从而得到物体表面真正的颜色特征。其处理结果的好坏直接影响着后续处理任务的性能。

2、目前光照校正的方案为：首先在普通光源下测得颜色样本的rgb三刺激值以及获取在标准照明条件下样本颜色在ciexyz颜色空间的xyz标准值后，建立色彩校正模型并根据自变量校正矩阵m来计算样本颜色的rgb理论值；然后通过调整亮度系数来获取调整后的样本颜色xyz标准值，并将样本颜色rgb理论值转换到ciexyz颜色空间得到xyz值，计算此xyz值与调整亮度后样本颜色xyz标准值的色差平均值。然后将色差平均值作为目标函数，通过模拟退火算法求取目标函数取得最优解时对应的校正矩阵m。最后根据模拟退火算法所得校正矩阵m重新计算样本颜色rgb理论值，并通过调节亮度调整系数不断计算校正矩阵m使得计算所得理论值与样本颜色测量值之间满足亮度约束条件，完成光照校正。该方案的缺点在于：该方案在色彩图像校正时需要进行颜色空间变换，在颜色变换过程中存在颜色信息丢失，导致校正准确率不高的问题。

3、针对相关技术中在颜色变换过程中存在颜色信息丢失，导致校正准确率不高的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本实施例中提供了一种图像的光照校正方法、装置、计算机设备和存储介质，以解决相关技术中在颜色变换过程中存在颜色信息丢失，导致校正准确率不高的问题。

2、第一个方面，在本实施例中提供了一种图像的光照校正方法，包括：

3、获取待校正图像，将所述待校正图像输入到训练完备的预测模型中进行在颜色空间下的色度信息预测，得到色度信息；

4、其中，所述预测模型的训练过程为：

5、从标准数据集中提取出在颜色空间下的训练集；

6、基于所述训练集，获取支持向量回归的惩罚因子和核参数的目标组合；

7、根据所述目标组合和所述训练集，对所述预测模型的训练，得到训练完备的所述预测模型；

8、将所述色度信息输入到训练完备的校正模型中进行图像的光照校正，得到目标图像。

9、在其中的一些实施例中，从标准数据集中提取出在颜色空间下的训练集，包括：

10、获取标准数据集；

11、以不同阶的颜色矩阵为依据，对所述标准数据集中的室内图像进行预处理，得到在rgb颜色空间下的特征向量；

12、对所述特征向量进行划分，得到训练集。

13、在其中的一些实施例中，以不同阶的颜色矩阵为依据，对所述标准数据集中的室内图像进行预处理，得到在rgb颜色空间下的特征向量，包括：

14、以不同阶的颜色矩阵为依据，对所述标准数据集中的室内图像进行特征提取，得到所述室内图像的多维特征；

15、将每幅所述室内图像对应的所述多维特征映射到归一化的rgb颜色空间中，得到特征向量。

16、在其中的一些实施例中，所述标准数据集为11种不同光源下和30个不同场景下采集的至少321幅的室内图像。

17、在其中的一些实施例中，基于所述训练集，获取支持向量回归的惩罚因子和核参数的目标组合，包括：

18、基于所述训练集，初始化海马算法参数；

19、采用混沌映射策略，生成海马群体的初始种群和所述初始种群的初始位置；

20、确定所述初始种群中每个海马个体的第一适应度值；基于所述第一适应度值确定精英个体和对应的第一位置；

21、在运动阶段，基于动态切换概率策略，更新所述第一位置，得到第二位置；

22、在捕食阶段，更新所述第二位置，得到第三位置；处理修正所述海马算法参数中的边界变量，确定所有所述海马个体的第二适应度值；排序所述第二适应度值，得到排序结果；

23、在繁殖阶段，基于所述排序结果，将所述初始种群划分为雌性种群和雄性种群；根据所述雌性种群和所述雄性种群，生成子代个体；确定所有所述子代个体的第二适应度值；

24、从所述子代个体、所述雌性种群以及所述雄性种群中筛选出符合适应度值要求的二代种群；

25、根据所述二代种群和所述海马算法参数中的最大迭代次数进行迭代，直到满足终止条件，得到支持向量回归的惩罚因子和核参数的目标组合。

26、在其中的一些实施例中，在运动阶段，基于动态切换概率策略，更新所述第一位置，得到第二位置，包括：

27、在运动阶段，基于动态切换概率策略，切换全局搜索模式和局部搜索模式；

28、在动态切换因子大于标准正态分布值时，采用全局搜索模式，更新所述第一位置，得到第二位置；

29、在动态切换因子小于或等于标准正态分布值时，采用局部搜索模式，更新所述第一位置，得到第二位置。

30、在其中的一些实施例中，在捕食阶段，更新所述第二位置，得到第三位置，包括：

31、在捕食阶段，基于预设的动态步长，更新所述第二位置，得到第三位置；所述动态步长与迭代次数相关。

32、在其中的一些实施例中，在繁殖阶段，根据所述雌性种群和所述雄性种群，生成子代个体，包括：

33、在繁殖阶段，在动态扰动机制下，根据所述雌性种群和所述雄性种群，生成子代个体。

34、在其中的一些实施例中，所述的图像的光照校正方法，所述方法还包括：

35、从标准数据集中提取出在颜色空间下的测试集；

36、以均方根误差、拟合决定系数为衡量指标，基于所述测试集，测量所述预测模型的预测效果。

37、第二个方面，在本实施例中提供了一种图像的光照校正装置，包括：

38、第一处理模块，用于获取待校正图像，将所述待校正图像输入到训练完备的预测模型中进行在颜色空间下的色度信息预测，得到色度信息；

39、训练模块，用于训练所述预测模型；其中，所述预测模型的训练过程为：

40、从标准数据集中提取出在颜色空间下的训练集；

41、基于所述训练集，获取支持向量回归的惩罚因子和核参数的目标组合；

42、根据所述目标组合、所述训练集，对所述预测模型的训练，得到训练完备的所述预测模型；

43、第二处理模块，用于将所述色度信息输入到训练完备的校正模型中进行图像的光照校正，得到目标图像。

44、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的图像的光照校正方法。

45、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的图像的光照校正方法。

46、与相关技术相比，在本实施例中提供的图像的光照校正方法、装置、计算机设备和存储介质，通过获取待校正图像，将待校正图像输入到训练完备的预测模型中进行在颜色空间下的色度信息预测，得到色度信息；其中，预测模型的训练过程为：从标准数据集中提取出在颜色空间下的训练集；基于训练集，获取支持向量回归的惩罚因子和核参数的目标组合；根据目标组合和训练集，对预测模型的训练，得到训练完备的预测模型；将色度信息输入到训练完备的校正模型中进行图像的光照校正，得到目标图像，解决了相关技术中在颜色变换过程中存在颜色信息丢失，导致校正准确率不高的问题，利用训练完备的预测模型能够在颜色空间下的色度信息预测的特性来避免颜色信息丢失的发生，再结合训练完备的校正模型，来保障光照校正的准确率。

47、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。