[发明专利]一种基于卷积神经网络的面色舌色图像颜色校正方法

说明书

一种基于卷积神经网络的面色舌色图像颜色校正方法涉及数字图像处理方法。算法主要包括离线部分和在线部分。离线部分由训练数据采集、颜色校正卷积神经网络网络框架搭建和训练组成，在线部分则是图像颜色校正和颜色校正效果评价。CNN模仿人类的认知过程，即从局部特征到全局特征的逐层抽象。将卷积神经网络应用于颜色校正中，可以获得较为理想的颜色重现效果。本发明通过采用深度卷积神经网络方法，对稳定光学环境中采集到的人脸面色和舌色进行颜色校正，重现在相同光学环境中目标对象真是呈现的颜色信息。

技术领域

本发明涉及数字图像处理方法，特别涉及一种基于卷积神经网络的面色舌色图像颜色校正方法。

背景技术

真实颜色的采集与复现在医学、艺术等领域具有重要的价值。图像的颜色信息是进行某些专业图像分析的重要依据。物体表面呈现的颜色与光源特性、光照条件、采集设备和显示设备、打印设备等各种环节密切相关。颜色校正是颜色复现、实现颜色一致性呈现的关键技术。目前,颜色校正已经在医学图像、壁画图像和证照图像等众多图像处理领域中得到了应用。研究能真实反映观察对象本身颜色的颜色校正技术具有重要的意义。

相机获得图像与实际场景图像相比存在的颜色失真。因此，有很多针对图像颜色校正的方法相继提出，比如多项式回归、基于偏最小二乘回归颜色校正法和神经网络等方法。多项式回归颜色校正方法需要的训练样本较少，运算复杂度低，但是其回归精度与训练样本和多项式选取关系大，外推能力较差。偏最小二乘回归颜色校正法能较好地解决如自变量之间的多重相关性、样本数相对较少的问题，但精度尚难以满足实际医学应用需求。传统基于神经网络的颜色校正方法训练受限于网络层数、初始化参数选择及并行方式，故网络泛化性能一般存在过拟合现象。

近年来，深度学习得到广泛应用，其中卷积神经网络(Convolutional NeuralNetwork,CNN)是一种典型的深度前馈网络。CNN模仿人类的认知过程，即从局部特征到全局特征的逐层抽象。将卷积神经网络应用于颜色校正中，可以获得较为理想的颜色重现效果。

发明内容

本发明的目的在于，通过采用深度卷积神经网络方法，对稳定光学环境中采集到的人脸面色和舌色进行颜色校正，重现在相同光学环境中目标对象真是呈现的颜色信息。

本发明是采用以下技术手段实现的：

一种基于卷积神经网络的面色舌色图像颜色校正方法，整体流程图如附图1所示；算法主要包括离线部分和在线部分。离线部分由训练数据采集、颜色校正卷积神经网络网络框架搭建和训练组成，在线部分则是图像颜色校正和颜色校正效果评价。

所述的离线部分，具体内容如下：

(1)训练数据采集

本发明图像采集采用的是封闭式环境——人工暗箱，以避免外界杂散光的影响，利用人工光源照明，以保证舌图像采集的质量和稳定性；光源、成像设备相对位置固定，从而达到采集环境的一致性和标准化；在暗箱条件下人工光源(D65)来模拟自然光，有效的保证光源条件的稳定性。

与传统方法不同，本方法使用ColorChecker Digital SG作为颜色校正的色卡。ColorChecker Digital SG有140色块，相对传统ColorChecker Classic有更广的颜色域。同时，在训练样本中，我们增加与肤色和舌色颜色相近的色块样本，这样有利于提高颜色校正的精度。在封闭式环境条件下，对ColorChecker Digital SG标准色卡进行拍照。通过改变色卡的拍摄角度，调整色卡与光源距离，调整色卡和相机的距离等方式拍摄得到色卡图像，利用这些图像生成卷积神经网络颜色校正模型的训练数据。对拍摄得到的图像进行处理，裁剪截取每个色块，每个色块需要设置固定大小格式作为训练样本，利用色卡每个色块标准值生成RGB图像做训练数据的标签，训练样本和标签一一对应。

(2)颜色校正卷积神经网络网络框架搭建和训练