CN117939098B - 一种基于卷积神经网络的图像自动白平衡处理方法 - Google Patents
一种基于卷积神经网络的图像自动白平衡处理方法 Download PDFInfo
- Publication number
- CN117939098B CN117939098B CN202410330664.8A CN202410330664A CN117939098B CN 117939098 B CN117939098 B CN 117939098B CN 202410330664 A CN202410330664 A CN 202410330664A CN 117939098 B CN117939098 B CN 117939098B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- sub
- neural network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 72
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001028 reflection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Processing Of Color Television Signals (AREA)
Abstract
本发明公开了一种基于卷积神经网络的图像自动白平衡处理方法,涉及图像处理技术领域,该基于卷积神经网络的图像自动白平衡处理方法包括以下步骤:将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息;根据子图像的标注信息,确认合适的自动白平衡算法,并对子图像进行自动白平衡处理;将处理后的若干子图像进行图像特征融合,输出最终处理图像。本发明基于卷积神经网络算法进行图像的自动白平衡处理,利用卷积神经网络对图像进行特征提取,分块裁剪判断图像块最适用的算法,使用卷积对图像中每个像素值进行变换处理,最后进行特征融合,能够针对图像块自适应选择最优算法,达到最优自动白平衡算法处理效果。
Description
技术领域
本发明涉及图像处理技术领域,具体来说,涉及一种基于卷积神经网络的图像自动白平衡处理方法。
背景技术
在图像处理过程中由于传感器(sensor)无法跟人眼一样根据环境光的变化而改变感光特性,导致光信号转化成数字信号过程中的三个图像分量(R,G,B)出现不同的变换,使结果图像的三原色“不平衡”,图像中物体的颜色都偏离其原有的真实色彩。自动白平衡(Auto White Balance, AWB)是模拟人眼的感光特性,针对上述偏色现象,通过加强对应的补色进行补偿,将不同环境光下的白色还原成真实的白色,达到校准图像色彩的目的。
目前主要的自动白平衡方法有灰度世界法(Gray World)和完美反射法(PerfectReflection),但各自存在局限性:灰度世界法适合丰富色彩场景,针对纯色场景无法适用;完美反射法依赖于场景中的高光白块,在缺少高光白块或白块细碎的场景无法适用。同时,二者都是对整个图像进行单一化的图像处理,当画面场景过于丰富时,单一算法的图像处理缺少针对性,图像处理的效果较差。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于卷积神经网络的图像自动白平衡处理方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于卷积神经网络的图像自动白平衡处理方法,该基于卷积神经网络的图像自动白平衡处理方法包括以下步骤:
S1、在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息;
S2、在卷积神经网络第二阶段中根据子图像的标注信息,确认合适的自动白平衡算法,并对子图像进行自动白平衡处理;
S3、在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像。
进一步的,所述在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息包括以下步骤:
S11、对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像;
S12、将训练集图像按照最优处理算法进行分类,并分别标注为WB1和WB2,将最终标注结果呈现为一个两位数组。
进一步的,所述在卷积神经网络第二阶段中对输出的若干子图像所对应的标注信息进行自动白平衡像素值处理,输出处理后的若干子图像包括以下步骤:
S21、根据提取出用于决定白平衡处理算法的标注信息,确定若干子图像适用的白平衡处理算法;
S22、对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像。
进一步的,所述在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像包括以下步骤:
S31、将处理后的若干子图像进行提取并拼接为一张图像;
S32、通过卷积处理和激活函数,增加图像通道数以减轻融合时图像边界差异;
S33、通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像。
进一步的,所述对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像包括以下步骤:
S111、将训练集中的图像输入卷积神经网络第一阶段的第二层卷积层,并跳过第一层Picture Split层;
S112、通过比较卷积神经网络输出的两位数据与标注值来计算损失值;
S113、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数。
进一步的,所述通过比较卷积神经网络输出的两位数据与标注值来计算损失值的公式为:
;
其中,表示第i个训练集的标注值;
表示第i个训练预测正确的概率;
N表示训练集样本数量。
进一步的,所述对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像包括以下步骤:
S221、输入训练图像,通过卷积神经网络输出图像与实际图像之间的损失值来进行训练;
S222、使用欧式距离和结构相似性指标集合来计算损失值;
S223、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数。
进一步的,所述使用欧式距离和结构相似性指标集合计算损失值的公式为:
;
其中,表示损失值;
表示结构相似性指标集合;
表示欧式距离。
进一步的,所述通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像包括以下步骤:
S331、选取尺寸为1920*1080*3的图像构建卷积神经网络第三阶段的训练集;
S332、将其尺寸调整为1920*1120*3,并分割为若干张尺寸为960*560*3的子图像;
S333、对每张子图像进行边缘增强处理,并将子图像标记为Finalimage;
S334、将若干张Finalimage输入卷积神经网络第三阶段中,并将最终网络输出的结果与若干张子图原始的图像进行损失值的计算;
S335、根据损失值进行反向传播来对卷积神经网络第三阶段的网络参数进行优化。
进一步的,所述将最终网络输出的结果与若干张子图原始的图像进行损失值的计算公式为:
;
其中,其中m、n表示图像的尺寸;
表示网络输出图像第m行n列的像素值;
表示经过白平衡处理后的图像的m行n列的像素值。
本发明的有益效果为:本发明基于卷积神经网络算法进行图像的自动白平衡处理,利用卷积神经网络对图像进行特征提取,分块裁剪判断图像块最适用的算法,使用卷积对图像中每个像素值进行变换处理,最后进行特征融合,能够针对图像块自适应选择最优算法,达到最优自动白平衡算法处理效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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是根据本发明实施例的一种基于卷积神经网络的图像自动白平衡处理方法的流程图;
图2是根据本发明实施例的一种基于卷积神经网络的图像自动白平衡处理方法的原理图;
图3是本发明Algorithm Select模块结构示意图;
图4是本发明White Balance模块结构示意图;
图5是本发明Image Fusion模块结构示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于卷积神经网络的图像自动白平衡处理方法。
现结合附图和具体实施方式对本发明进一步说明,如图1-图5所示,根据本发明实施例的基于卷积神经网络的图像自动白平衡处理方法,包括该基于卷积神经网络的图像自动白平衡处理方法包括以下步骤:
S1、在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息;
具体的,输入图像,经过Algorithm Select模块,对图像分为4块并输出4个图像块对应的标注信息。
具体的,卷积神经网络第一阶段结构Algorithm Select模块包括依次连接的五层结构:第一层为图片分割Picture Split层,采用重塑Reshape模块调整输入图像尺寸后使用1*1尺寸卷积核进行图片的分割与提取,输出4张裁剪后图像,第一层的输入尺寸为1920*1080*3,输出尺寸为960*560*3;第二至第四层均为卷积层,每层均由3*3尺寸卷积核的Conv层、ReLu层链接构成,第二至第四层的输出尺寸分别为:480*280*6、240*140*12、120*70*32;第五层为卷积层,由3*3尺寸卷积核的Conv层和两层全连接层链接构成,依次提取第四层输出的图像,输出两位的标注信息数据,并与第一层输出的4张图像匹配作为第一阶段结构的输出,最终呈现为“输出图像+标注信息”。
S2、在卷积神经网络第二阶段中根据子图像的标注信息,确认合适的自动白平衡算法,并对子图像进行自动白平衡处理;
具体的,根据Algorithm Select模块的标注信息调用White Balance1或WhiteBalance2模块对图像进行自动白平衡像素值处理,输出White Balance模块处理后的四张图像。
具体的,卷积神经网络第二阶段White Balance模块包括White Balance1和WhiteBalance2,均为依次连接的八层U型结构,第一至第四层均为下采样DownSample层,每层均由3*3尺寸卷积核的卷积Conv层、激活函数ReLu层链接构成,第一层的输入尺寸为960*560*3,第一至第四层的输出尺寸分别为:480*280*12、240*140*48、120*70*192、60*35*384;第五至第八层均为UpSample层,每层均由3*3尺寸反卷积核的Conv层、ReLu层链接构成,对输入图像进行进一步上采样还原,第五至第八层的输出尺寸分别为:120*70*192、240*140*48、480*280*12、960*560*3。
S3、在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像。
具体的,卷积神经网络第三阶段结构Image Fusion模块包括依次连接的三层结构,第一层为预融合PreFusion层,该层通过4个深度预平衡Channel PreBalance模块对第一阶段结构输出的4张图像进提取并进行拼接为一张图,输入尺寸为960*560*3,输出尺寸为1920*1120*3;第二层为深度增加Channel Increase层,由3*3尺寸卷积核的Conv层、ReLu层链接构成,进行图像通道增加以减轻融合时图像边界差异,输出尺寸为1920*1120*6;第三层为最终平衡Final Balance层,由1*1尺寸卷积核的Conv层、Reshape层链接构成,调整最终图像的通道和尺寸,输出尺寸为1920*1080*3的RGB三通道彩色图像。
具体的,卷积神经网络包括三阶段结构:算法选择模块(Algorithm Select),即卷积神经网络第一阶段、白平衡处理模块(White Balance),即卷积神经网络第二阶段、图像融合模块(Image Fusion),即卷积神经网络第三阶段。
优选地,所述在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息包括以下步骤:
S11、对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像;
S12、将训练集图像按照最优处理算法进行分类,并分别标注为WB1和WB2,将最终标注结果呈现为一个两位数组。
优选地,所述在卷积神经网络第二阶段中对输出的若干子图像所对应的标注信息进行自动白平衡像素值处理,输出处理后的若干子图像包括以下步骤:
S21、根据提取出用于决定白平衡处理算法的标注信息,确定若干子图像适用的白平衡处理算法;
S22、对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像。
优选地,所述在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像包括以下步骤:
S31、将处理后的若干子图像进行提取并拼接为一张图像;
S32、通过卷积处理和激活函数,增加图像通道数以减轻融合时图像边界差异;
S33、通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像。
优选地,所述对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像包括以下步骤:
S111、将训练集中的图像输入卷积神经网络第一阶段的第二层卷积层,并跳过第一层Picture Split层;
具体的,在训练网络时第一层Picture Split层不工作,直接将960*560*3的训练集图像输入第二层卷积层中,每轮训练将最后网络输出的两位数据与标注进行求损失值Loss。
S112、通过比较卷积神经网络输出的两位数据与标注值来计算损失值;
S113、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数。
优选地,所述通过比较卷积神经网络输出的两位数据与标注值来计算损失值的公式为:
;
其中,表示第i个训练集的标注值;
表示第i个训练预测正确的概率;
N表示训练集样本数量。
优选地,所述对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像包括以下步骤:
S221、输入训练图像,通过卷积神经网络输出图像与实际图像之间的损失值来进行训练;
S222、使用欧式距离和结构相似性指标集合来计算损失值;
S223、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数。
具体的,White Balance1和White Balance2训练方法同理,以White Balance1模块训练为例:原始图像为,经过White Balance1处理之后的图像为/>,将WhiteBalance1中/>输入模块中,将最终输出图像与/>求损失值Loss,该模块损失值由L2(欧式距离)距离与结构相似性指标集合计算而出。
具体的,结构相似性指标集合的公式为:
;
其中,表示结构相似性指标集合;
表示网络输入图像像素的均值;
表示/>像素的均值;
表示网络输入图像像素的方差;
表示 />像素的方差;
表示网络输入图像和/>像素值的协方差。
、/>表示用来维持稳定的常数;
L表示像素值的动态范围,k1=0.01,k2=0.03。
具体的,欧式距离的公式为:
;
其中,表示欧式距离;
m、n表示图像的尺寸;
表示网络输出图像第m行n列的像素值;
表示经过白平衡处理后的图像的m行n列的像素值。
优选地,所述使用欧式距离和结构相似性指标集合计算损失值的公式为:
;
其中,表示损失值;
具体的,损失值是取60%的/>和取40%的/>的总和。
表示结构相似性指标集合;
表示欧式距离。
优选地,所述通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像包括以下步骤:
S331、选取尺寸为1920*1080*3的图像构建卷积神经网络第三阶段的训练集;
S332、将其尺寸调整为1920*1120*3,并分割为若干张尺寸为960*560*3的子图像;
其中,为若干张尺寸为960*560*3的子图像为4张尺寸为960*560*3的子图像。
S333、对每张子图像进行边缘增强处理,并将子图像标记为Finalimage1~4;
S334、将若干张(4张)Finalimage输入卷积神经网络第三阶段中,并将最终网络输出的结果与若干张(4张)子图原始的图像进行损失值的计算(以均方差计算而出);
S335、根据损失值进行反向传播来对卷积神经网络第三阶段的网络参数进行优化。
具体的,根据损失值以0.1%的学习率进行反向传播来对第三阶段结构的网络参数进行优化,训练250轮。
优选地,所述将最终网络输出的结果与若干张子图原始的图像进行损失值的计算公式为:
;
其中,其中m、n表示图像的尺寸;
表示网络输出图像第m行n列的像素值;
表示经过白平衡处理后的图像的m行n列的像素值。
综上所述,借助于本发明的上述技术方案,本发明基于卷积神经网络算法进行图像的自动白平衡处理,利用卷积神经网络对图像进行特征提取,分块裁剪判断图像块最适用的算法,使用卷积对图像中每个像素值进行变换处理,最后进行特征融合,能够针对图像块自适应选择最优算法,达到最优自动白平衡算法处理效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于卷积神经网络的图像自动白平衡处理方法,其特征在于,该基于卷积神经网络的图像自动白平衡处理方法包括以下步骤:
S1、在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息;
S2、在卷积神经网络第二阶段中根据子图像的标注信息,确认合适的自动白平衡算法,并对子图像进行自动白平衡处理;
S3、在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像;
所述在卷积神经网络第一阶段中将原始的RGB图像分为若干子图像,输出若干子图像所对应的标注信息包括以下步骤:
S11、对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像;
S12、将训练集图像按照最优处理算法进行分类,并分别标注为WB1和WB2,将最终标注结果呈现为一个两位数组;
所述在卷积神经网络第二阶段中对输出的若干子图像所对应的标注信息进行自动白平衡像素值处理,输出处理后的若干子图像包括以下步骤:
S21、根据提取出用于决定白平衡处理算法的标注信息,确定若干子图像适用的白平衡处理算法;
S22、对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像;
所述在卷积神经网络第三阶段中将处理后的若干子图像进行图像特征融合,输出最终处理图像包括以下步骤:
S31、将处理后的若干子图像进行提取并拼接为一张图像;
S32、通过卷积处理和激活函数,增加图像通道数以减轻融合时图像边界差异;
S33、通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像;
所述对卷积神经网络第一阶段进行训练,收集尺寸为960*560*3的未经自动白平衡处理的图像作为训练集图像包括以下步骤:
S111、将训练集中的图像输入卷积神经网络第一阶段的第二层卷积层,并跳过第一层Picture Split层;
S112、通过比较卷积神经网络输出的两位数据与标注值来计算损失值;
S113、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数;
所述通过比较卷积神经网络输出的两位数据与标注值来计算损失值的公式为:
;
其中,表示第个i训练集的标注值;
表示第i个训练预测正确的概率;
N表示训练集样本数量;
所述对若干子图像应用所选的白平衡处理算法,并输出处理后的若干子图像包括以下步骤:
S221、输入训练图像,通过卷积神经网络输出图像与实际图像之间的损失值来进行训练;
S222、使用欧式距离和结构相似性指标集合计算损失值;
S223、根据损失值进行反向传播,优化卷积神经网络第一阶段的网络参数;
所述使用欧式距离和结构相似性指标集合计算损失值的公式为:
;
其中,表示损失值;
表示结构相似性指标集合;
表示欧式距离;
所述通过重塑和1*1的卷积核,调整图像的通道数和尺寸,并输出最终的1920*1080*3尺寸的RGB三通道彩色图像包括以下步骤:
S331、选取尺寸为1920*1080*3的图像构建卷积神经网络第三阶段的训练集;
S332、将其尺寸调整为1920*1120*3,并分割为若干张尺寸为960*560*3的子图像;
S333、对每张子图像进行边缘增强处理,并将子图像标记为Finalimage;
S334、将若干张Finalimage输入卷积神经网络第三阶段中,并将最终网络输出的结果与若干张子图原始的图像进行损失值的计算;
S335、根据损失值进行反向传播来对卷积神经网络第三阶段的网络参数进行优化;
所述将最终网络输出的结果与若干张子图原始的图像进行损失值的计算公式为:
;
其中,其中m、n表示图像的尺寸;
表示网络输出图像第m行n列的像素值;
表示经过白平衡处理后的图像的m行n列的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330664.8A CN117939098B (zh) | 2024-03-22 | 2024-03-22 | 一种基于卷积神经网络的图像自动白平衡处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330664.8A CN117939098B (zh) | 2024-03-22 | 2024-03-22 | 一种基于卷积神经网络的图像自动白平衡处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117939098A CN117939098A (zh) | 2024-04-26 |
CN117939098B true CN117939098B (zh) | 2024-05-28 |
Family
ID=90765008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410330664.8A Active CN117939098B (zh) | 2024-03-22 | 2024-03-22 | 一种基于卷积神经网络的图像自动白平衡处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117939098B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308822A (zh) * | 2020-10-10 | 2021-02-02 | 杭州电子科技大学 | 基于深度卷积神经网络的椎间盘ct图像检测方法 |
CN112837232A (zh) * | 2021-01-13 | 2021-05-25 | 山东省科学院海洋仪器仪表研究所 | 一种水下图像增强及细节恢复的方法 |
CN114511480A (zh) * | 2022-01-25 | 2022-05-17 | 江苏科技大学 | 一种基于分数阶卷积神经网络的水下图像增强方法 |
CN115375991A (zh) * | 2022-09-08 | 2022-11-22 | 上海戎慧智能科技有限公司 | 一种强/弱光照和雾环境自适应目标检测方法 |
CN115393212A (zh) * | 2022-08-25 | 2022-11-25 | 河海大学 | 一种基于改进Unet的RAW域夜景图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL3961477T3 (pl) * | 2020-08-24 | 2023-08-14 | Saint-Gobain Glass France | Sposób wykrywania i odczytu kodu matrycowego naniesionego na szklane podłoże |
-
2024
- 2024-03-22 CN CN202410330664.8A patent/CN117939098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308822A (zh) * | 2020-10-10 | 2021-02-02 | 杭州电子科技大学 | 基于深度卷积神经网络的椎间盘ct图像检测方法 |
CN112837232A (zh) * | 2021-01-13 | 2021-05-25 | 山东省科学院海洋仪器仪表研究所 | 一种水下图像增强及细节恢复的方法 |
CN114511480A (zh) * | 2022-01-25 | 2022-05-17 | 江苏科技大学 | 一种基于分数阶卷积神经网络的水下图像增强方法 |
CN115393212A (zh) * | 2022-08-25 | 2022-11-25 | 河海大学 | 一种基于改进Unet的RAW域夜景图像去噪方法 |
CN115375991A (zh) * | 2022-09-08 | 2022-11-22 | 上海戎慧智能科技有限公司 | 一种强/弱光照和雾环境自适应目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117939098A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151403B2 (en) | Method and apparatus for segmenting sky area, and convolutional neural network | |
CN112163449B (zh) | 一种轻量化的多分支特征跨层融合图像语义分割方法 | |
CN111127331B (zh) | 基于像素级全局噪声估计编解码网络的图像去噪方法 | |
CN113850324B (zh) | 一种基于Yolov4的多光谱目标检测方法 | |
CN111612722A (zh) | 基于简化Unet全卷积神经网络的低照度图像处理方法 | |
CN113449691A (zh) | 一种基于非局部注意力机制的人形识别***及方法 | |
CN113392711A (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及*** | |
CN113393434A (zh) | 一种基于非对称双流网络架构的rgb-d显著性检测方法 | |
CN112508812A (zh) | 图像色偏校正方法、模型训练方法、装置及设备 | |
CN111739037B (zh) | 一种针对室内场景rgb-d图像的语义分割方法 | |
CN114821318B (zh) | 一种基于Darkdet-Net的低照度小样本目标检测方法 | |
CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
CN113901928A (zh) | 一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及*** | |
CN115620207A (zh) | 一种基于注意力机制的红外行人检测方法 | |
CN113658091A (zh) | 一种图像评价方法、存储介质及终端设备 | |
CN117994167B (zh) | 融合并行多卷积注意力的扩散模型去雾方法 | |
CN117939098B (zh) | 一种基于卷积神经网络的图像自动白平衡处理方法 | |
CN111192213A (zh) | 图像去雾自适应参数的计算方法、图像去雾方法及*** | |
CN113066074A (zh) | 一种基于双目视差偏移融合的视觉显著性预测方法 | |
CN116309215A (zh) | 一种基于双解码器的图像融合方法 | |
CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
CN115689918A (zh) | 一种基于残差先验注意力机制的并行单幅图像去雨方法 | |
CN114463192A (zh) | 一种基于深度学习的红外视频畸变校正的方法 | |
CN114511462B (zh) | 一种视觉图像增强方法 | |
CN117689890B (zh) | 一种基于晴雾场景的语义分割方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |