[发明专利]一种基于无监督深度学习的自动白平衡算法及系统

说明书

本发明公开了一种基于无监督深度学习的自动白平衡算法及系统，涉及图像处理技术领域，具体步骤为：获取RGB颜色空间图片；将RGB颜色空间图片变换成线性颜色空间图片；将线性颜色空间图片经过颜色空间转换为灰度图；对灰度图随机裁剪获得灰度裁剪图，并对灰度裁剪图进行归一化处理；将归一化处理后的灰度裁剪图输入预估网络中获得光源颜色；根据光源颜色对RGB颜色空间图片进行白平衡处理；本发明不仅训练出一个光源颜色估计模型，突破了数据标注采集等限制，还可将训练好的模型移植手机以及相机中，解决了传统方法中适应性差的问题。

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种基于无监督深度学习的自动白平衡算法及系统。

背景技术

白平衡算法（AWB）主要的作用是将偏暖或者偏冷的色调自动恢复到正常色调，使图像看起来更加色彩饱满正常。传统的AWB算法包含高级白平衡算法、灰度世界算法、完美反射法、基于深度学习的自动白平衡方法等等，在基于深度学习的自动白平衡方法中，采用有监督学习的算法流程为：根据标定的光源颜色，然后通过深度神经网络学习光强颜色。

但其存在以下缺陷：1）对于有监督的光源颜色估计算法，缺乏用基本真实光源注释的大型数据集。事实上，用于此目的的数据集通常是通过拍摄放置了具有已知色度特性的标准对象（例如彩色目标）的场景来获得的。而对于收集监督深度学习所需的大数据集显然是不切实际的。2）所学习的模型通常专门用于对于训练集的相同设备获取的图像的处理。它们应用于其他设备拍摄的图像需要某种形式的适应或再训练。

因此，研发一种可有效解决深度学习训练数据获取难，多设备适应性差等问题的白平衡算法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于无监督深度学习的自动白平衡算法及系统，有效解决了深度学习训练数据获取难，多设备适应性差等问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于无监督深度学习的自动白平衡算法，具体步骤为：

获取RGB颜色空间图片rgb_img；

将RGB颜色空间图片rgb_img变换成线性颜色空间图片rgb_degamma；

将线性颜色空间图片rgb_degamma经过颜色空间转换为灰度图gray_degamma；

对灰度图gray_degamma随机裁剪获得灰度裁剪图gray_crop，并对灰度裁剪图gray_crop进行归一化处理；

将归一化处理后的灰度裁剪图gray_crop输入预估网络中获得光源颜色；

根据光源颜色对RGB颜色空间图片rgb_img进行白平衡处理。

可选的，线性颜色空间图片rgb_degamma通过反伽马变换操作获得。

可选的，预估网络的构建步骤为：

搭建基础预估网络；

获取训练图片；

对训练图片进行预处理；

将预处理后的训练图片输入基础预估网络，获得权值映射，并通过计算得到预估的光源颜色；

基于损失函数计算当前损失loss；

根据当前损失loss更新基础预估网络的预测模型的参数，当loss不再下降，趋于稳定时，得到光源颜色预测模型，完成预估网络训练。

可选的，预估网络的构建步骤还包括基于标记有光源颜色数据集对光源颜色预测模型进行微调。