[发明专利]一种基于卷积自编码器的颜色恒常性方法

说明书

本发明公开了一种基于卷积自编码器的颜色恒常性方法，首先获取无色偏图像，并根据无色偏图像制作图像数据集；然后通过图像数据集对卷积自编码器进行训练，建立有色偏图像到无色偏图像的映射网络；最后通过映射网络实现图像的颜色恒常性。本发明能够实现良好的颜色恒常性效果，能通过利用卷积自编码器强大的编码能力，有效提取出原始图像中隐含的光源颜色信息，从而进行图像颜色校正。本发明在多个国际通用颜色恒常数据库上进行了测试，结果证明本发明的方法在使用较少的参数量情况下可以取得非常好的颜色恒常性效果。

技术领域

本发明属于计算机视觉和图像处理技术领域，具体涉及一种基于卷积自编码器的颜色恒常性方法的设计。

背景技术

颜色恒常性(Color Constancy)作为知觉恒常性的一种，是人类视觉系统中非常重要的一项功能，它可以帮助我们在变化的光源下，维持对场景中物体稳定的感知。在计算机系统中实现良好的颜色恒常性效果是计算机视觉领域一个重要的研究方向，对于其下游任务如图像增强、去噪、识别等有着重要的现实意义。传统颜色恒常性方法基于一些简单的物理场景假设或者机器学习方法，具备算法简单、易于实现、适应能力强等特点，但效果相对欠佳。近年来，随着深度学习技术的飞速发展，许多基于深度学习的颜色恒常性方法被提出，显著提升了颜色恒常性效果，但这类方法往往模型复杂，计算成本高，存在难以在计算资源有限的设备上实施等问题。

卷积自编码器(Convolutional AutoEncoders)是自编码器的一种，其使用卷积层和池化层代替了原有的全连接层设置，以更好地处理二维图像或视频信号。与传统自编码器一样，卷积自编码器也包含编码器和解码器两个部分，其中编码器负责将输入信号压缩为潜在空间表示，解码器则需要将压缩信号重构为原始输入。卷积自编码器凭借其强大的表征学习能力，被广泛应用于图像去噪、信号压缩、风格迁移等领域，但在实际应用中，随着网络层数加深，大量的卷积和池化操作使得图像有效信息不断丢失，进而导致“信息瓶颈”问题，以至于解码器难以解码重构原始输入，无法获得理想的图像处理效果。

发明内容

本发明的目的是为了克服现有技术的不足，提出了一种基于卷积自编码器的颜色恒常性方法，在显著减少网络参数量和复杂度的同时，提升颜色恒常性效果，可以为下游应用提供更好的数据样本。

本发明的技术方案为：一种基于卷积自编码器的颜色恒常性方法，包括以下步骤：

S1、获取无色偏图像，并根据无色偏图像制作图像数据集。

S2、通过图像数据集对卷积自编码器进行训练，建立有色偏图像到无色偏图像的映射网络。

S3、通过映射网络实现图像的颜色恒常性。

进一步地，步骤S1包括以下分步骤：

S11、在标准白光光源的场景中获取无色偏图像，并生成随机场景光源I_r＝[R_r,G_r,B_r]，其中R_r,G_r,B_r分别表示随机场景光源的R分量、G分量和B分量，其都是0和1之间满足标准正态分布的随机数。

S12、将随机场景光源I_r进行归一化后与原始无色偏图像进行合成，并乘以一个0和2之间满足标准正态分布的随机数以调整图像亮度，得到对应的有色偏图像。

S13、对所有无色偏图像采用步骤S12的方法进行处理，得到由无色偏图像以及其对应随机合成的有色偏图像所组成的图像数据集。

进一步地，步骤S2中的卷积自编码器为一个n层全卷积神经网络，其中前n/2层为编码器部分，后n/2层为解码器部分，卷积自编码器的第i层通过跳跃连接设置连接至卷积自编码器的第n-i层，

进一步地，步骤S2包括以下分步骤：