CN112204957A

CN112204957A - 白平衡处理方法和设备、可移动平台、相机

Info

Publication number: CN112204957A
Application number: CN201980033268.6A
Authority: CN
Inventors: 肖瑾; 曹子晟; 胡攀
Original assignee: SZ DJI Technology Co Ltd
Current assignee: SZ DJI Technology Co Ltd; SZ DJI Innovations Technology Co Ltd
Priority date: 2019-09-20
Filing date: 2019-09-20
Publication date: 2021-01-08
Also published as: WO2021051382A1

Abstract

一种白平衡处理方法和设备、可移动平台、相机，先检测图像中的灰色点，再利用所有灰色点构建统计直方图，最后利用直方图估计光照并进行白平衡处理。由于构建直方图时只采用了对光照估计有用的灰色点，而去掉了可能会干扰光照估计的彩色点，因此，提高了光照估计的准确性；同时，由于不同图像采集装置采集图像的灰色存在共通性，因此，提高了泛化能力。

Description

白平衡处理方法和设备、可移动平台、相机

技术领域

本公开涉及图像处理技术领域，具体而言，涉及白平衡处理方法和设备、可移动平台、相机。

背景技术

人眼视觉***具有颜色恒常特性，即人眼可以适应不同的光照，将不同光照下的场景颜色恢复成白光照射下的场景颜色。然而图像采集装置(例如，相机)在拍照时却往往不具备颜色恒常能力。因此，需要对图像采集装置采集到的图像进行白平衡处理，从而检测出拍摄场景的光照，并消除光照的影响，使图片回复到白色光照射的颜色。

传统的白平衡处理方法大致可以分为两大类：基于统计先验的和基于学习算法的。第一种方式大多根据对正常无色偏的图像做出观测并假设先验，再运用图像的统计信息推测出图像的光照。但是这类算法基本都假设正常图像符合某种先验知识，在某些极端情况下，先验知识可能会不满足，这样基于统计先验的算法会产生很大的误差。

发明内容

有鉴于此，本公开的实施例提出了白平衡处理方法和设备、可移动平台、相机，以解决相关技术中准确度低的技术问题。

根据本公开实施例的第一方面，提出一种白平衡处理方法，所述方法包括：

检测待处理图像上的灰色点；

根据所述灰色点构建直方图；

根据所述直方图估计所述待处理图像的光照，并根据所述光照对所述待处理图像进行白平衡处理。

根据本公开实施例的第二方面，提出一种白平衡处理设备，所述白平衡处理设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下方法：

检测待处理图像上的灰色点；

根据所述灰色点构建直方图；

根据本公开实施例的第三方面，提出一种可移动平台，包括：

机体；

动力***，安装在所述机体内，用于为所述可移动平台提供动力；以及，

任一实施例所述的白平衡处理设备。

根据本公开实施例的第四方面，提出一种相机，包括：

外壳；

镜头组件，设于所述外壳内部；

传感器组件，设于所述外壳内部，用于感知通过所述镜头组件的光并生成电信号；以及，

任一实施例所述的白平衡处理设备。

根据本公开实施例的第五方面，提出一种计算机可读存储介质，所述可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实现任一实施例所述方法的步骤。

应用本说明书实施例方案，先检测图像中的灰色点，再利用所有灰色点构建统计直方图，最后利用直方图并估计光照并进行白平衡处理。由于构建直方图时只采用了对光照估计有用的灰色点，而去掉了可能会干扰光照估计的彩色点，因此，提高了光照估计的准确性；同时，由于不同图像采集装置采集图像的灰色存在共通性，因此，提高了泛化能力。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开的实施例示出的白平衡处理方法流程图。

图2是根据本公开的实施例示出的现有技术与本发明构建的直方图的效果对比图。

图3是根据本公开的实施例示出的一种灰色检测网络的网络框架。

图4是根据本公开的实施例示出的用于实施本本公开的实施例的方法的计算机设备的结构示意图。

图5是根据本公开的实施例示出的可移动平台的框图。

图6是根据本公开的实施例示出的相机的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如图1所示，是根据本公开的实施例示出的白平衡处理方法流程图。所述方法可包括：

步骤S101：检测待处理图像上的灰色点；

步骤S102：根据所述灰色点构建直方图；

步骤S103：根据所述直方图估计所述待处理图像的光照，并根据所述光照对所述待处理图像进行白平衡处理。

在本实施例中，当一幅图像上的某个像素点满足：该像素点在所述图像上的R通道颜色分量、G通道颜色分量和B通道颜色分量相等，则该像素点为所述图像上的灰色点。

由于光照的影响，图像中的灰色会显示成其他颜色。现有的灰色检测方法基本基于一些简单的先验假设，例如，假设RGB三通道局部对比度是相同的像素点为灰色。这种简单的假设在现实场景中复杂的情况可能会不满足，从而影响灰色点的估计。为了解决上述问题，本说明书一个实施例通过机器学习模型来检测灰色点。

具体来说，可以将所述待处理图像输入预先训练的机器学***衡处理效果。

在一个实施例中，用来检测灰色点的机器学习模型为卷积神经网络模型(Convolutional Neural Networks，CNN)。这里也可以采用其他的神经网络模型，或者采用其他的机器学习模型。由于CNN的表达能力比较强，能够有效的提取关键特征，因此，采用CNN来检测灰色点能够进一步提高检测准确性。

上述卷积神经网络模型可以根据训练图像以及所述训练图像上各个像素点的训练标签，并根据预设的损失函数训练得到。现存已有的数据库中，给定的是图像的光照而不是灰色点的标签。对灰色点打标签不仅费时长，而且代价高。由于白光照射下的灰色定义是明确的，即灰色点满足：

其中，

和

分别是训练图像上灰色点在R、G、B三个颜色通道上的颜色值，y是常量。

考虑到光照L的影响，灰色点的观测颜色

会发生以下变化：

L_c表示光照L在R、G、B颜色通道上的颜色值。

因此，可以对观测图像I生成是否为灰色点的标签，即，分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值；根据所述第二概率值确定所述训练图像上各个像素点的训练标签，即：

其中，p(h,w)表示所述训练图像上坐标为(h,w)处的像素点对应的第二概率值，＜,＞表示内积操作，I_c(h,w)表示所述训练图像上坐标为(h,w)处的像素点的RGB值，

表示所述训练图像上灰色点的RGB值，c∈{r,g,b}。

若训练图像上一个像素点与灰色点

的内积值越大，表示这两个点的余弦距离越小，这个像素点是灰色的概率(即，第二概率值)就越大，反之亦然。通过上述方式检测灰色点，避免了对灰色点逐个进行打标，提高了灰色点检测效率。

得到灰色点的标签之后，可以将训练图像全图作为输入，并根据损失函数来训练出CNN。为了输出每个点的灰色概率，本说明书实施例采用Unet神经网络结构，保持输出的空间尺寸。Unet神经网络的输入为H*W*3的彩色图像，输出为H*W的第三概率值，记为

其中，H和W分别为训练图像的像素高度和像素宽度。

在一个实施例中，损失函数为交叉熵函数。具体来说，一个实施例的损失函数可以根据如下公式得到，即：

其中，Loss为所述损失函数，

为所述卷积神经网络模型输出的所述训练图像上坐标为(h,w)处的像素点对应的第三概率值，p(h,w)表示所述训练图像上坐标为(h,w)处的像素点对应的第二概率值。

根据上述损失函数以及训练图像及其灰色点标签来训练出模型之后，在测试阶段，可以将测试图输入到网络中，得到预测的第二概率值，再设定阈值λ，若测试图像中像素点的预测的第二概率值大于阈值λ，则判定该像素点为灰色点；否则，判定该像素点为彩色点。根据预测的第二概率值的准确率可以验证训练出的机器学习模型的性能，如果准确率大于预设的准确率阈值，就可以根据训练出的模型来检测待处理图像上的灰色点。

白平衡问题的数学模型可以简化成以下形式：

其中，I和W分别表示观测图像和自然白光照射下的图像(即，理想图像)，L表示光照，c表示R、G、B三个颜色通道，n是图像(image)的长宽下标。白平衡过程即给定观测图像I，估计光照L，并通过W＝I/L去除光照影响，将图像恢复成白光照射的图像。

为了便于处理，可以将RGB空间上的颜色值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值，再根据该映射值构建直方图。在一个实施例中，在该目标空间上，图像与光照之间的乘性关系转换为加性关系。具体来说，将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值的步骤包括：根据所述灰色点的R通道颜色分量和G通道颜色分量生成所述目标空间的第一映射值，根据所述灰色点的G通道颜色分量和B通道颜色分量生成所述目标空间的第二映射值。假设第一映射值和第二映射值分别用u和v表示，则：

其中，r，g和b分别为所述灰色点在所述待处理图像上的R通道颜色分量、G通道颜色分量和B通道颜色分量。

将观测图像I，理想图像W和光照L都由原先的RGB空间转换到uv空间，如下：

I^u＝W^u+L^u,I^v＝W^v+L^v；

其中，I^u，W^u和L^u分别为观测图像I，理想图像W和光照L在目标空间的第一映射值，I^v，W^v和L^v分别为观测图像I，理想图像W和光照L在目标空间的第二映射值。

图像W与光照L在RGB空间符合乘性关系，由于log函数的性质，转到uv空间后，乘性关系转换成了加性关系。对uv空间的图像{W^u,W^v}计算二维统计直方图，由于加性的关系，直方图的图样的偏离对应了{L^u,L^v}，再转换回到RGB空间，就可以得到光照{L^r,L^g,L^b}。

在根据映射值构建直方图时，可以将目标空间的每个维度均匀地划分成若干等分，得到多个区间；根据所述映射值分别统计落在各个区间内的灰色点的个数；根据各个区间对应的灰色点的个数构建直方图。

例如，可以将uv空间的u轴和v轴均划分为N等分，以得到N*N个区间(N为正整数)，其中，第i个空间内的灰色点满足：U_i1≤u_i＜U_i2,V_i1≤v_i＜V_i2,1≤i≤N，u_i和v_i分别表示第i个区间内灰色点的第一映射值和第二映射值，U_i1和U_i2分别表示第i个区间的第一映射值的取值下限和取值上限，V_i1和V_i2分别表示第i个区间的第二映射值的取值下限和取值上限。当一个灰色点的第一映射值落入对应区间内第一映射值的取值范围内，且该灰色点的第二映射值落入对应区间内第二映射值的取值范围内，则该灰色点为所述区间内的灰色点。从而可以根据各个灰色点的第一映射值和第二映射值以及各个区间的第一映射值的取值上下限计算各个区间内像素点的个数。

由于灰色点只占据了颜色空间的很少一部分，因此可以采用较少的像素点来构建直方图，而不是采用全图中所有像素点来构建直方图。例如，在本说明书实施例中，可以采用64*64的直方图代替256*256的直方图。图2给出了现有技术与本发明构建的直方图的效果对比图，其中左边是现有技术中构建的直方图，右图是本发明实施例构建的直方图。可以看出，本发明提出的基于灰色点的直方图，相对于现有技术的直方图，去除了直方图中离散的噪声图样，从而使得后续的光照估计更加简单且准确。

对于上述计算出的直方图，本说明书实施例可以采用一个预先选定的滤波器模板与直方图做滑窗卷积，得到滤波后的响应，然后将响应最大的像素点的光照作为所述待处理图像的光照。即：

其中，

和

分别表示第一映射值的估计值和第二映射值的估计值，H_I表示直方图，F表示滤波器模板。

然后，再将

和

逆映射到RGB空间，即可得到光照{L^r,L^g,L^b}。最后，可以根据光照{L^r,L^g,L^b}进行白平衡处理。除此之外，在得到

和

之后，也可以先根据

和

进行白平衡处理，分别得到uv空间对应的W^u和W^v，然后，再将W^u和W^v逆映射到RGB空间，从而生成理想图像。

传统的白平衡处理方式一般都是采用待处理图像中的每一个像素点来进行白平衡处理，然而，一些大幅度偏离灰色的彩色点对最终的估计光照可能是没有作用，甚至起负面作用的。将包括彩色点在内的所有像素点一起用于白平衡处理可能会造成直方图中图样过于分散，包含大偏离的噪声点，影响最后的光照计算，从而导致白平衡处理效果较差。

本公开的实施例示出的一种灰色检测网络的网络框架如图3所示。本实施例通过将待处理图像输入机器学***衡处理效率。

为了验证本说明书实施例提出的算法的效果，在两个常用的白平衡数据库上做实验：重新处理的CCD数据库和NUS数据库。对比实验结果分别见表1和表2。其中CCD数据库包含568张图像，由同一个相机拍摄采集，NUS数据库包含1736张图像，分别由8个不同相机拍摄。训练和测试时，用于计算真实光照的标准色板都被扣除。本发明采用3重交叉验证的方法，并采用角度误差作为数值评价标准。

目前基于学***衡方法都对不同的相机传感器训练不同的白平衡模型，因此模型的泛化能力也成为评价白平衡算法的重要指标，即在一个数据集上训练的模型，能否很好的对其他数据集进行处理。本说明书实施例采用CCD数据集上训练的不同白平衡模型，在NUS数据集上进行测试，反之亦然。本说明书实施例对比了现存的白平衡效果最好的学习算法FFCC(Fast Fourier Color Constancy，快速傅里叶色彩恒常性)和FC⁴，实验结果见表3所示。

表1不同白平衡算法在CCD数据集上的效果比较

表2不同白平衡算法在NUS数据集上效果比较

表3白平衡跨库实验结果

根据上述表格可以看出，得益于有效的灰色检测网络，本说明书实施例实现了排列首位的数值效果。并且，由于不同相机拍摄图像的灰色存在共通性，因此本说明书实施例提出的基于灰色检测的白平衡方法，比其他学习算法表现出更好的跨库泛化能力。

本说明书实施例的白平衡处理设备例如可以是服务器或终端设备。方法实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为实施本说明书方法的白平衡处理设备400的一种硬件结构图，除了图4所示的处理器401、内存402、网络接口403、以及非易失性存储器404之外，实施例中用于实施本说明书方法的白平衡处理设备，通常根据该白平衡处理设备的实际功能，还可以包括其他硬件，对此不再赘述。

本说明书实施例提供一种白平衡处理设备，所述白平衡处理设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下方法：

检测待处理图像上的灰色点；

根据所述灰色点构建直方图；

本说明书实施例由于构建直方图时只采用了对光照估计有用的灰色点，而去掉了可能会干扰光照估计的彩色点，因此，提高了光照估计的准确性；同时，由于不同图像采集装置采集图像的灰色存在共通性，因此，提高了泛化能力。另外，由于灰色点只占据了待处理图像上像素点的很少一部分，因此减小了数据量，降低了计算复杂度，提高了白平衡处理效率。

进一步地，所述处理器根据所述灰色点构建直方图的步骤包括：将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值；根据所述映射值构建直方图。在一个实施例中，在该目标空间上，图像与光照之间的乘性关系转换为加性关系。通过空间转换，将乘性关系转换为加性关系，从而便于处理，减小了计算复杂度。

进一步地，所述RGB值包括R通道颜色分量、G通道颜色分量和B通道颜色分量，所述映射值包括第一映射值和第二映射值；所述处理器将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值的步骤包括：根据所述灰色点的R通道颜色分量和G通道颜色分量生成所述目标空间的第一映射值，根据所述灰色点的G通道颜色分量和B通道颜色分量生成所述目标空间的第二映射值。假设第一映射值和第二映射值分别用u和v表示，则：

进一步地，所述处理器检测待处理图像上的灰色点的步骤包括：将所述待处理图像输入预先训练的机器学习模型，以获取待处理图像上各个像素点为灰色点的第一概率值；将第一概率值大于预设值的像素点作为灰色点。

进一步地，所述机器学习模型为卷积神经网络模型。由于CNN的表达能力比较强，能够有效的提取关键特征，因此，采用CNN来检测灰色点能够进一步提高检测准确性。

进一步地，所述处理器执行所述程序时还实现以下方法：根据训练图像以及所述训练图像上各个像素点的训练标签，并根据预设的损失函数训练所述卷积神经网络模型。

进一步地，所述处理器执行所述程序时还实现以下方法：分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值；根据所述第二概率值确定所述训练图像上各个像素点的训练标签。

现存已有的数据库中，给定的是图像的光照而不是灰色点的标签。对灰色点打标签不仅费时长，而且代价高。通过上述方式检测灰色点，避免了对灰色点逐个进行打标，提高了灰色点检测效率。

进一步地，所述处理器分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值的步骤包括：分别计算所述训练图像上灰色点的RGB值与所述训练图像上各个像素点的RGB值的内积；根据所述内积计算对应像素点为灰色点的第二概率值。

进一步地，所述损失函数为交叉熵函数。

进一步地，所述处理器根据所述映射值构建直方图的步骤包括：将所述目标空间的每个维度均匀地划分成若干等分，得到多个区间；根据所述映射值分别统计落在各个区间内的灰色点的个数；根据各个区间对应的灰色点的个数构建直方图。

进一步地，所述处理器根据所述直方图估计所述待处理图像的光照的步骤包括：采用滤波器模板与直方图做滑窗卷积，得到滤波后的响应；将响应最大的像素点的光照作为所述待处理图像的光照。

本说明书实施例的白平衡处理设备中的处理器所执行的方法的其他实施例与上述白平衡处理方法的实施例相同，此处不再赘述。

如图5所示，本说明书实施例还提供一种可移动平台500，包括：机体501；动力***502，安装在所述机体501内，用于为所述可移动平台提供动力；以及任一实施例所述的白平衡处理设备400。

可选地，所述可移动平台500为车辆、无人机或者可移动机器人。

如图6所示，本说明书实施例还提供一种相机600，包括：外壳601；镜头组件602，设于所述外壳601内部；传感器组件603，设于所述外壳601内部，用于感知通过所述镜头组件602的光并生成电信号；以及任一实施例所述的白平衡处理设备400。

本说明书实施例还提供一种计算机可读存储介质，所述可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实任一实施例所述方法的步骤。

以上实施例中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。

本说明书实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本领域技术人员在考虑说明书及实践这里公开的说明书后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims

1.一种白平衡处理方法，其特征在于，所述方法包括：

检测待处理图像上的灰色点；

根据所述灰色点构建直方图；

2.根据权利要求1所述的方法，其特征在于，根据所述灰色点构建直方图的步骤包括：

将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值；

根据所述映射值构建直方图。

3.根据权利要求2所述的方法，其特征在于，所述RGB值包括R通道颜色分量、G通道颜色分量和B通道颜色分量，所述映射值包括第一映射值和第二映射值；

将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值的步骤包括：

根据所述灰色点的R通道颜色分量和G通道颜色分量生成所述目标空间的第一映射值，根据所述灰色点的G通道颜色分量和B通道颜色分量生成所述目标空间的第二映射值。

4.根据权利要求1所述的方法，其特征在于，检测待处理图像上的灰色点的步骤包括：

将所述待处理图像输入预先训练的机器学习模型，以获取待处理图像上各个像素点为灰色点的第一概率值；

将第一概率值大于预设值的像素点作为灰色点。

5.根据权利要求4所述的方法，其特征在于，所述机器学习模型为卷积神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据训练图像以及所述训练图像上各个像素点的训练标签，并根据预设的损失函数训练所述卷积神经网络模型。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值；

根据所述第二概率值确定所述训练图像上各个像素点的训练标签。

8.根据权利要求7所述的方法，其特征在于，分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值的步骤包括：

分别计算所述训练图像上灰色点的RGB值与所述训练图像上各个像素点的RGB值的内积；

根据所述内积计算对应像素点为灰色点的第二概率值。

9.根据权利要求8所述的方法，其特征在于，所述损失函数为交叉熵函数。

10.根据权利要求1所述的方法，其特征在于，根据所述映射值构建直方图的步骤包括：

将所述目标空间的每个维度均匀地划分成若干等分，得到多个区间；

根据所述映射值分别统计落在各个区间内的灰色点的个数；

根据各个区间对应的灰色点的个数构建直方图。

11.根据权利要求1所述的方法，其特征在于，根据所述直方图估计所述待处理图像的光照的步骤包括：

采用滤波器模板与直方图做滑窗卷积，得到滤波后的响应；

将响应最大的像素点的光照作为所述待处理图像的光照。

12.一种白平衡处理设备，其特征在于，所述白平衡处理设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下方法：

检测待处理图像上的灰色点；

根据所述灰色点构建直方图；

13.根据权利要求12所述的白平衡处理设备，其特征在于，所述处理器根据所述灰色点构建直方图的步骤包括：

根据所述映射值构建直方图。

14.根据权利要求13所述的白平衡处理设备，其特征在于，所述RGB值包括R通道颜色分量、G通道颜色分量和B通道颜色分量，所述映射值包括第一映射值和第二映射值；

所述处理器将所述灰色点在所述待处理图像上的RGB值映射到预设的目标空间，得到所述RGB值在所述目标空间上的映射值的步骤包括：

15.根据权利要求12所述的白平衡处理设备，其特征在于，所述处理器检测待处理图像上的灰色点的步骤包括：

将第一概率值大于预设值的像素点作为灰色点。

16.根据权利要求15所述的白平衡处理设备，其特征在于，所述机器学习模型为卷积神经网络模型。

17.根据权利要求16所述的白平衡处理设备，其特征在于，所述处理器执行所述程序时还实现以下方法：

18.根据权利要求17所述的白平衡处理设备，其特征在于，所述处理器执行所述程序时还实现以下方法：

19.根据权利要求18所述的白平衡处理设备，其特征在于，所述处理器分别根据所述训练图像上各个像素点的RGB值与所述训练图像上灰色点的RGB值计算对应像素点为灰色点的第二概率值的步骤包括：

根据所述内积计算对应像素点为灰色点的第二概率值。

20.根据权利要求19所述的白平衡处理设备，其特征在于，所述损失函数为交叉熵函数。

21.根据权利要求12所述的白平衡处理设备，其特征在于，所述处理器根据所述映射值构建直方图的步骤包括：

根据所述映射值分别统计落在各个区间内的灰色点的个数；

根据各个区间对应的灰色点的个数构建直方图。

22.根据权利要求12所述的白平衡处理设备，其特征在于，所述处理器根据所述直方图估计所述待处理图像的光照的步骤包括：

采用滤波器模板与直方图做滑窗卷积，得到滤波后的响应；

将响应最大的像素点的光照作为所述待处理图像的光照。

23.一种可移动平台，其特征在于，包括：

机体；

如权利要求12至22任意一项所述的白平衡处理设备。

24.根据权利要求23所述的可移动平台，其特征在于，所述可移动平台为车辆、无人机或者可移动机器人。

25.一种相机，其特征在于，包括：

外壳；

镜头组件，设于所述外壳内部；

如权利要求12至22任意一项所述的白平衡处理设备。

26.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实现权利要求1至11任一项所述方法的步骤。