[发明专利]生成基于机器学习的成像算法的图像数据的方法

权利要求书

1.一种用于处理图像数据的方法，其特征在于，所述方法包括以下步骤：

在存储器(2)中存储表示图像的图像数据I_WEB(101)，其中所述图像数据I_WEB为RGB格式；

在图像信号处理器(3)中接收所述图像数据I_WEB(102)；

通过对所述图像数据I_WEB应用反向伽马校正将所述图像数据I_WEB转换为线性RGB格式(103)；

对所述线性RGB格式图像数据I_WEB应用观察者颜色映射函数(104)；

将所述应用观察者颜色映射函数后的图像数据I_WEB转换为光谱匹配色彩空间的图像数据(106)，其中亮度分量L和色度分量c分离，所述光谱匹配色彩空间包括CIELAB色彩空间、YUV色彩空间、CIELUV色彩空间或者HSV色彩空间；

在相同色彩空间中提供自然光谱λ的值(107)；

在所述色彩空间中对所述光谱匹配色彩空间的图像数据I_WEB应用光谱匹配(108)，其中省略所述亮度分量L并且测量所述图像和所述自然光谱λ之间的色差作为其色度分量c对之间的欧氏距离；

通过按迭代步骤的顺序修改所述自然光谱λ来改进所述光谱匹配(109)，以减小所述欧氏距离并找到最终的自然光谱λ；以及

通过所述最终的自然光谱λ将所述光谱匹配后的图像数据I_WEB转换为光谱图像的光谱图像数据I_SPEC(110)；

对所述线性RGB格式图像数据I_WEB应用所述观察者颜色映射函数(104)包括：

将所述线性RGB格式图像数据I_WEB的色度坐标c_s从源三刺激色彩空间转换为目标三刺激色彩空间中的色度坐标c_t(1041)，其中所述转换通过使用转换矩阵M的方式完成：

转换矩阵M，其中所述转换矩阵M的尺寸至少为3×3；

所述色度坐标的转换根据以下公式并使用转换矩阵M完成：

c_t＝Mc_s；以及其中，所述方法还包括根据以下公式使用迭代循环中的梯度下降算法优化所述转换矩阵M(1046)：

其中，i表示用于所述观察者颜色映射函数的第i个颜色，c_CIE表示CIELAB色彩空间中的目标色度坐标，c_sRGB表示sRGB色彩空间中的源色度坐标；

其中，对所述转换矩阵M对应的每个非对角系数逐个优化；

在所述每个非对角系数变化之后立即计算对角值，以保持每行的和为1；以及

在计算所有系数之后，再次应用优化步骤，直到未发现改善为止。

2.根据权利要求1所述的方法，其特征在于，对所述线性RGB格式图像数据I_WEB应用所述观察者颜色映射函数(104)包括：

将目标色彩空间固定为CIE1931标准观察者色彩空间(1042)；以及

定义具有已知反射光谱和校准图的固定数目N_c个颜色(1043)，所述已知反射光谱和校准图覆盖用于所述观察者颜色映射函数的标准RGB色域；

其中所述固定数目N_c大于或等于24。

3.根据权利要求1所述的方法，其特征在于，还包括：

在将所述观察者颜色映射函数应用于所述线性RGB格式图像数据I_WEB之后，对所述应用观察者颜色映射函数后的图像数据I_WEB应用反向自动白平衡校正(105)；其中

在所述光谱匹配之前应用所述反向自动白平衡校正。

4.根据权利要求1所述的方法，其特征在于，所述光谱匹配色彩空间是取值限定为La1b1的CIELAB色彩空间，其中L指亮度分量，而a1和b1指色度分量，L、a1和b1为三个数值。