[发明专利]一种基于全卷积神经网络和特征金字塔的颜色校正方法

权利要求书

1.一种基于全卷积神经网络和特征金字塔的颜色校正方法，其特征在于，包括如下步骤：

依次对图像进行颜色校正、裁剪、数据增强处理，得到对应的偏色图片，由若干偏色图片构成训练数据集；

构建用于预估图像光源信息的预设全卷积神经网络和特征金字塔模型，利用训练数据集对预设全卷积神经网络和特征金字塔模型进行训练，基于预设的损失函数和优化器，对预设全卷积神经网络和特征金字塔模型的网络参数进行优化调整，直至网络收敛，输出训练好的全卷积神经网络和特征金字塔模型；

利用训练好的全卷积神经网络和特征金字塔模型预估待校正图像的光源信息，利用预估得到的光源信息对待校正图像进行颜色校正；

所述预设全卷积神经网络和特征金字塔模型为：

输入层连接包括两个卷积层的第一层神经网络，第一层神经网络的输出端连接第二层神经网络的输入端；

第二层神经网络包括两个分支和加法器A，其中一个分支包括一个卷积层，另一个分支包括两个深度可分离卷积层，两个分支的输出端均连接加法器A的输入端，加法器A的输出端连接第三层神经网络的输入端；

第三层神经网络包括两个分支和加法器B，其中一个分支包括一个卷积层，另一个分支包括两个深度可分离卷积层，两个分支的输出端均连接加法器B的输入端，加法器B的输出端连接第四层神经网络的输入端；

第四层神经网络包括两个分支和加法器C，其中一个分支包括一个卷积层，另一个分支包括两个深度可分离卷积层，两个分支的输出端均连接加法器C的输入端，加法器C的输出端连接第五层神经网络的输入端；

第五层神经网络包括五个分支和一个拼接器，其中第一个分支包括全局池化单元和一个卷积层，第二个分支包括一个卷积层，第三个分支包括一个深度可分离卷积层，第四个分支包括一个深度可分离卷积层，第五个分支包括一个深度可分离卷积层，五个分支的输出端均连接拼接器的输入端，拼接器的输出端连接第六层神经网络的输入端；

第六层神经网络包括两个卷积层，第六层神经网络的输出端连接包括normalization模型的第七层神经网络。

2.根据权利要求1所述的一种基于全卷积神经网络和特征金字塔的颜色校正方法，其特征在于，对图像进行颜色校正具体为：将图像转换为8bit图像数据格式，利用真实光源信息ground_truth对8bit图像数据进行处理，得到标准图片。

3.根据权利要求2所述的一种基于全卷积神经网络和特征金字塔的颜色校正方法，其特征在于，利用真实光源信息ground_truth对8bit图像数据进行处理，包括：

将8bit图像数据读为RGB格式[R,G,B]，设所对应的真实光源信息ground_truth为[real_R,real_G,real_B]，则：

Gain_R＝max(ground_truth)/real_R

Gain_G＝max(ground_truth)/real_G

Gain_B＝max(ground_truth)/real_B

R′＝min(R*Gain_R,255)

G′＝min(G*Gain_G,255)

B′＝min(B*Gain_B,255)

image＝[R′,G′,B′]

其中，Gain_R、Gain_G、Gain_B分别为R、G、B三通道的增益系数，R′、G′、B′分别为image图像的R、G、B三通道对应值；

利用伽马校正对image图像进行颜色校正，得到image′图像，计算式为：

其中，gamma为伽马校正系数；

将image′图像转换为unit8格式，得到标准图片。

4.根据权利要求2或3所述的一种基于全卷积神经网络和特征金字塔的颜色校正方法，其特征在于，对图像进行裁剪具体为：在[-30°，30°]的范围内随机旋转标准图片，然后对旋转后的标准图片进行裁剪，得到裁剪图片。

5.根据权利要求4所述的一种基于全卷积神经网络和特征金字塔的颜色校正方法，其特征在于，对图像进行数据增强处理具体为：随机生成虚假光源信息fake_ground_truth，利用生成的虚假光源信息fake_ground_truth对裁剪图片进行数据增强，得到偏色图片。