[发明专利]一种多尺度颜色恒常性计算的算法

说明书

本发明公开了一种多尺度颜色恒常性计算的算法，要解决的是现有颜色恒定性计算的算法得到的结果不准确的问题。本发明具体步骤如下：步骤一，准备充分多的需要计算颜色恒常性的图片并且对需要计算颜色恒常性的图片进行预处理；步骤二，通过特征聚合网络获得特征金字塔；步骤三，利用网络训练获得颜色恒常性计算结果。本方法通过神经网络将底层特征和高层特征相结合并使用多个尺度做预测，既能够学习到物体的语义信息，又能够定位物体的具体位置，即获得了多尺度的语义信息，这能够获得更加准确的估计结果；本方法可以在具有任意尺度的物体的图片集的情况下准确估计颜色恒常性，使用前景广阔。

技术领域

本发明涉及计算机视觉系统领域，具体是一种多尺度颜色恒常性计算的算法。

背景技术

为了提高计算机视觉系统的稳定性，计算机学者们将颜色恒常性理论引入计算机视觉，提出了颜色恒常性计算理论。颜色恒常性是当物体的颜色因光照条件改变而改变时，个体对该物体表面的颜色知觉仍趋于一致的知觉特性。颜色恒常性计算的目的就是要消除光照对图像颜色的影响，从而得到物体表面与光照无关的颜色特性，为计算机视觉系统提供类似于人类视觉系统的颜色恒常性感知功能。

颜色恒定性计算的算法可以分为基于统计的算法和基于学习的算法两类。基于统计的算法主要基于自然场景的某些统计假设,其中典型的方法是White-Patch(白块假设)。它假设RGB通道的最大响应是由白色补丁引起的。Van De Weijer等人提出了一个基于统计的算法的统一框架，包括max-RGB(RGB最大值方法)，Gray-World(灰度世界方法)，GeneralGray-World(广义灰度世界方法)和Shades of Gray(灰度阴影方法)等。基于学习的方法从训练数据中学习模型以估计光源颜色。这些方法相对于基于统计的方法具有相对较高的准确性。Bianco等人将非重叠图像块馈送到CNN(卷集神经网络)以获得一组局部光源估计，并且将图像块的局部估计汇总以获得全局光源。Hu等人提出了一种完全卷积的网络结构，该方法先从高级特征中学习局部颜色估计和相应的置信度权重，然后将局部估计置信加权汇总产生全局光源估计。FC4(带置信加权池的完全卷积颜色恒常性)模型中，Hu(胡)等人从高层中提取高级语义特征，这个特征可以学习到图片中的对象，而学习到具有固有颜色对象的有利于颜色恒常性的计算。但是高层特征图尺度过小缺乏对对象(尤其是小物体)具体位置的学习，因此会对光照颜色的估计产生影响，影响结果的准确性。

发明内容

本发明实施例的目的在于提供一种多尺度颜色恒常性计算的算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种多尺度颜色恒常性计算的算法，具体步骤如下：

步骤一，准备充分多的需要计算颜色恒常性的图片并且对需要计算颜色恒常性的图片进行预处理；

步骤二，通过特征聚合网络获得特征金字塔：从自上向下将网络高层的语义信息传递到网络底层，从而使得每一个尺度的特征都具有强语义，然后再进行颜色恒常性计算，卷积神经网络的高层包含了语义特征，而语义特征能够使网络正确区分图片中物体是什么，从而进一步估计该物体表面光照的颜色；而卷积神经网络的底层包含了具体的细节特征，能够使网络准确定位所学习到的物体的具体位置，这有利于局部光照的估计，因此，可以将高层语义信息和底层空间信息相结合得到特征金字塔；

步骤三，利用网络训练获得颜色恒常性计算结果。

作为本发明实施例进一步的方案：步骤一中需要计算颜色恒常性的图片采用颜色恒常性开源数据集中的图片。

作为本发明实施例进一步的方案：颜色恒常性开源数据集包括reprocessedColor Checker(重新处理的颜色板)、NUS(纳斯)和Cube(多维)数据集。