[发明专利]一种基于深度学习的图像校正方法

说明书

本发明公开了一种基于深度学习的图像校正方法，包括：(1)使用有色差和较好的图像采集设备拍摄尽量相同视场的图像，作为有色差图像和参考图像；(2)使用模板匹配算法求解两次拍摄的偏移量，并依据偏移量裁剪两张图像，进一步划分训练集和测试集；(3)构建图像校正模型，包含一个权重预测网络和n个可学习的3D查找表；(4)将有色差图像输入网络中，将校正后的图像与参考图像相对比，计算损失函数；以损失函数最小化为目标训练，更新网络参数；(5)模型训练完毕后，进行图像校正的应用。本发明的方法，操作步骤简单，无需人工设置大量参数及设计算法，在确保较好的效果的同时有效降低了人工处理图像的时间。

技术领域

本发明属于图像处理领域，尤其是涉及一种基于深度学习的图像校正方法。

背景技术

通常，当使用成像系统拍摄图像时，由于使用到的透镜的色差，或者成像部分硬件与图像采集部分硬件不匹配导致图像质量差，造成拍摄图像中有色差的问题。具体地说，色差导致的图像质量下降是一种严重的问题，色差主要由于不同波长的光经过透镜时具有不同的折射率，导致不同波长的光具有不同的焦点，所以在像面上产生了不同色彩的位置偏差，当透镜由于空间位置的原因做了简化，或者使用较高倍数及NA的透镜时，色差会变得更加明显，同时图像的整体亮度也会产生变化。CCD在对光谱响应的时候可能存在的颜色串扰等问题也会在图像上产生颜色伪影现象。

为了减小这种色差，目前使用质量较好的图像采集设备特定玻璃材料制成的透镜或者特定加工方式加工成的透镜。然而这些方法都会增加透镜的制造成本，在普通图像采集设备上很难广泛使用上述方法。

针对普通的图像采集设备产生的色差，选择算法校正方法更加有效。在这方面，申请号为200810212608.5的中国专利公开了通过图像处理校正色差的方法，包括：分析输入图像的亮度信号提取有色差区域，分别计算颜色梯度和亮度分量，得到各个颜色分量之间的梯度差和输入图像亮度的梯度，分别作为图像色差程度的第一和第二权重，根据这两个权重值校正输入图像的像素的色度，由此校正图像的色差。

申请号为201610029519.1的中国专利公开了通过图像处理校正折射性色差的方法，包括：计算图像中的绿色通道在垂直和水平方向的梯度，由阈值过滤得到较高梯度值的图像，得到包含折射性色差的区域，使用二值化分区方法将不同的强光区域区分开，依次提取每个区域，将其边界适当扩充，再使用现有的色差校正方法进行校正。

上述两个技术方案采用的都是传统的图像处理方法，需要较大量的人工调参。且原理主要基于对图像边缘的处理，对于一些复杂图像，边缘及纹理较多的情况下，算法所需时间较长。且纹理较多的图像色差不明显且具有交替覆盖的情况，会增加算法的调参量。因此，需要一种能够快速并自适应校正图像色差的方法。

发明内容

本发明提供了一种基于深度学习的图像校正方法，操作步骤简单，无需人工设置大量参数及设计算法，在确保较好的效果的同时有效降低了人工处理图像的时间。模型运行速度快，参数少，节约计算资源，能够实现有色差图像的实时色差校正。

一种基于深度学习的图像校正方法，包括以下步骤：

(1)使用待校正的图像采集设备拍摄一组有色差图像，再使用色差较小的相同放大倍率的图像采集设备拍摄另一组图像作为参考图像；将有色差图像和参考图像一一对应，构成多组图像对；

(2)将每组图像对中的有色差图像和参考图像进行图像对准，并将对准后的多组图像对进行扩增后划分为训练集和测试集；

(3)构建图像校正模型，所述的图像校正模型内包含一个权重预测网络和n个可学习的3D查找表；所述的3D查找表用于建立有色差图像到预测参考图像之间的映射，所述权重预测网络的通道数与3D查找表的数量相同；

图像输入图像校正模型时，分别经过一个权重预测网络和n个3D查找表，将权重预测网络输出的特征图插值上采样至原始图像大小，将其与3D查找表输出的预测参考图像加权后加和，就得到了图像校正模型的输出；