[发明专利]一种自适应的图像引擎色彩优化方法、系统及存储介质

说明书

本发明公开了一种自适应的图像引擎色彩优化方法、系统及存储介质，包括：从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集，通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整生成最终数据集；基于全卷积神经网络构建图像引擎色彩优化模型，将最终数据集输入图像引擎色彩优化模型进行训练，通过所述图像引擎色彩优化模型实现图像色彩优化。本发明中采用全卷积神经网络融合了多种图像优化算法，可以替代多种独立算法组合而成的传统算法，构建大规模数据集以增强网络的泛化性能，防止过拟合。

技术领域

本发明涉及图像处理技术领域，更具体的，涉及一种自适应的图像引擎色彩优化方法、系统及存储介质。

背景技术

视觉是人类获取外界信息的重要渠道，显示系统则是当今人们获取视觉信息的主要途径之一。随着科学技术的不断发展，人们对于显示系统的成像质量要求越来越高。目前，显示系统的成像质量不仅仅取决于显示器的硬件质量，图像增强引擎也是其中重要的一环。图像增强引擎能够运用图像处理算法对图像的灰度范围、灰度变换程度等信息(特征)进行优化，这对于显示设备的图像质量优化具有重要意义。图像色彩优化作为图像引擎的核心功能之一，其对图像引擎的性能起决定性作用。

传统色彩优化算法一般由多种算法组合而成，每种算法实现单一的图像优化。例如，直方图均衡化算法可以使图像亮度在显示系统的成像范围内更加均匀地分布，优化局部细节，在优化整体亮度过高或过低的图像时有显著效果；锐化算法主要用于补偿图像轮廓，增强局部对比度，使图像边缘变得清晰；均值滤波算法一般用于消除图像获取过程中因照明环境不佳或高温引起的传感器噪声，因此传统色彩优化算法若要追求较好的效果，需要根据图像特征选取优化算法并由人工调整参数，很难自动完成图像的最佳优化。此外，图像可能存在多种缺陷，其无法针对具有多种特征的复杂图像执行适宜的图像优化操作。而目前提出的基于深度学习的相关算法需要较高的硬件成本和时间成本且缺少相对应的数据集，在实际应用中阻力较大。

发明内容

为了解决上述技术问题，本发明提出了一种自适应的图像引擎色彩优化方法、系统及存储介质。

本发明第一方面提供了一种自适应的图像引擎色彩优化方法，包括：

从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集；

通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整生成最终数据集；

基于全卷积神经网络构建图像引擎色彩优化模型，将所述最终数据集输入图像引擎色彩优化模型进行训练，通过所述图像引擎色彩优化模型实现图像色彩优化。

本方案中，所述的从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集，具体为：

从AVA数据集中获取数据集中的目标图像，并创建目标图像的副本，得到第一图像对；

分别对第一图像对中的图像使用幂律变换，将一张图像的亮度提升，另一张图像的亮度降低，得到第二图像对；

分别对所述第二图像对中的图像添加高斯模糊，得到第三图像对；

分别对所述第三图像对中的图像添加高斯噪声，得到第四图像对；

将所述第四图像对中的图像分别和目标图像组成一组图像对，构成初始数据集。

本方案中，所述的通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整，具体为：