图像偏色分级方法、装置、可读存储介质及终端设备与流程

1.本技术属于图像处理技术领域，尤其涉及一种图像偏色分级方法、装置、计算机可读存储介质及终端设备。


背景技术：

2.在图像的拍摄过程中，由于光线或者角度的原因，可能容易导致拍摄到的图像存在图像偏色的问题，由此衍生出的如何对图像偏色的严重程度进行准确评估也逐渐演变成图像处理领域的基础问题。
3.然而，现有技术通常都是基于全局图像信息来评估图像偏色的严重程度，导致评估结果准确性较低。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种图像偏色分级方法、装置、计算机可读存储介质及终端设备，以解决现有技术中的图像偏色分级方法的准确性较低的问题。
5.本技术实施例的第一方面提供了一种图像偏色分级方法，可以包括：
6.获取待处理的目标图像；
7.提取所述目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；
8.提取所述目标图像中的全局偏色参考图像；其中，所述全局偏色参考图像为全局像素块的图像；
9.分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征；
10.根据所述偏色特征确定所述目标图像的偏色等级。
11.在第一方面的一种具体实现方式中，所述提取所述目标图像中的各张局部偏色参考图像，可以包括：
12.利用预设的参照物提取模型对所述目标图像进行参照物提取，得到所述目标图像的各张局部参照物图像；其中，所述参照物提取模型为预先训练好的用于进行参照物提取的人工智能模型，每张局部参照物图像包含一种指定参照物；
13.对各张局部参照物图像进行边缘修正，得到所述目标图像的各张局部偏色参考图像。
14.在第一方面的一种具体实现方式中，所述提取所述目标图像中的全局偏色参考图像，可以包括：
15.利用预设的超像素分块算法对所述目标图像进行超像素分块，得到所述目标图像的各个像素块；
16.根据各个像素块的面积选取所述全局像素块；
17.根据所述全局像素块得到所述目标图像的全局偏色参考图像。
18.在第一方面的一种具体实现方式中，所述分别提取各张局部偏色参考图像和所述
全局偏色参考图像的偏色特征，可以包括：
19.利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到所述指定偏色参考图像的第一偏色特征；其中，所述指定偏色特征提取模型为与所述指定偏色参考图像对应的偏色特征提取模型，所述指定偏色参考图像为各张局部偏色参考图像和所述全局偏色参考图像中任意一张偏色参考图像；
20.计算所述指定偏色参考图像的第二偏色特征；
21.根据所述指定偏色参考图像的第一偏色特征和第二偏色特征，确定所述指定偏色参考图像的偏色特征。
22.在第一方面的一种具体实现方式中，在所述在利用预设的指定偏色特征提取模型对指定偏色参考图像之前，更新所述偏色特征提取模型；
23.所述偏色特征提取模型的更新过程可以包括：
24.获取预存的候选图像；
25.提取所述候选图像的各张局部偏色参考图像；
26.提取所述候选图像的全局偏色参考图像；
27.利用所述偏色特征提取模型，确定指定偏色参考图像是否为模型更新图像；其中，所述偏色特征提取模型与所述指定偏色参考图像对应，所述指定偏色参考图像为各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像；
28.若所述指定偏色参考图像为模型更新图像，则将所述指定偏色参考图像作为所述偏色特征提取模型的新训练样本；
29.利用所述新训练样本对所述偏色特征提取模型进行更新。
30.在第一方面的一种具体实现方式中，所述候选图像的确定过程可以包括：
31.获取预设数目的历史图像；
32.计算各张历史图像之间的结构相似性，得到各张历史图像的相似程度值；
33.若指定历史图像的相似程度值小于预设的相似程度阈值，则确定所述指定历史图像为候选图像；其中，所述指定历史图像各张历史图像中任意一张历史图像。
34.在第一方面的一种具体实现方式中，所述根据所述偏色特征确定所述目标图像的偏色等级，可以包括：
35.根据所述偏色特征和预设的偏色等级映射关系，确定所述目标图像的偏色等级；其中，所述偏色等级映射关系为偏色特征和偏色等级之间的映射关系。
36.本技术实施例的第二方面提供了一种图像偏色分级装置，可以包括：
37.目标图像获取模块，用于获取待处理的目标图像；
38.局部偏色参考图像提取模块，用于提取所述目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；
39.全局偏色参考图像提取模块，用于提取所述目标图像中的全局偏色参考图像；其中，所述全局偏色参考图像为全局像素块的图像；
40.偏色特征提取模块，用于分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征；
41.偏色等级确定模块，用于根据所述偏色特征确定所述目标图像的偏色等级。
42.在第二方面的一种具体实现方式中，所述局部偏色参考图像提取模块可以包括：
43.参照物提取单元，用于利用预设的参照物提取模型对所述目标图像进行参照物提取，得到所述目标图像的各张局部参照物图像；其中，所述参照物提取模型为预先训练好的用于进行参照物提取的人工智能模型，每张局部参照物图像包含一种指定参照物；
44.边缘修正单元，用于对各张局部参照物图像进行边缘修正，得到所述目标图像的各张局部偏色参考图像。
45.在第二方面的一种具体实现方式中，所述全局偏色参考图像提取模块可以包括：
46.超像素分块单元，用于利用预设的超像素分块算法对所述目标图像进行超像素分块，得到所述目标图像的各个像素块；
47.全局像素块选取单元，用于根据各个像素块的面积选取所述全局像素块；
48.全局偏色参考图像确定单元，用于根据所述全局像素块得到所述目标图像的全局偏色参考图像。
49.在第二方面的一种具体实现方式中，所述偏色特征提取模块可以包括：
50.第一偏色特征提取单元，用于利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到所述指定偏色参考图像的第一偏色特征；其中，所述指定偏色特征提取模型为与所述指定偏色参考图像对应的偏色特征提取模型，所述指定偏色参考图像为各张局部偏色参考图像和所述全局偏色参考图像中任意一张偏色参考图像；
51.第二偏色特征计算单元，用于计算所述指定偏色参考图像的第二偏色特征；
52.偏色特征确定单元，用于根据所述指定偏色参考图像的第一偏色特征和第二偏色特征，确定所述指定偏色参考图像的偏色特征。
53.在第二方面的一种具体实现方式中，所述图像偏色分级装置还可以包括：
54.候选图像获取模块，用于获取预存的候选图像；
55.第一参考图像提取模块，用于提取所述候选图像的各张局部偏色参考图像；
56.第二参考图像提取模块，用于提取所述候选图像的全局偏色参考图像；
57.模型更新图像确定模块，用于利用所述偏色特征提取模型，确定指定偏色参考图像是否为模型更新图像；其中，所述偏色特征提取模型与所述指定偏色参考图像对应，所述指定偏色参考图像为各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像；
58.训练样本确定模块，用于若所述指定偏色参考图像为模型更新图像，则将所述指定偏色参考图像作为所述偏色特征提取模型的新训练样本；
59.模型更新模块，用于利用所述新训练样本对所述偏色特征提取模型进行更新。
60.在第二方面的一种具体实现方式中，所述候选图像获取模块还可以包括：
61.历史图像获取单元，用于获取预设数目的历史图像；
62.结构相似性计算单元，用于计算各张历史图像之间的结构相似性，得到各张历史图像的相似程度值；
63.候选图像确定单元，用于若指定历史图像的相似程度值小于预设的相似程度阈值，则确定所述指定历史图像为候选图像；其中，所述指定历史图像各张历史图像中任意一张历史图像。
64.在第二方面的一种具体实现方式中，所述偏色等级确定模块可以包括：
65.偏色等级确定单元，用于根据所述偏色特征和预设的偏色等级映射关系，确定所
述目标图像的偏色等级；其中，所述偏色等级映射关系为偏色特征和偏色等级之间的映射关系。
66.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种图像偏色分级方法的步骤。
67.本技术实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种图像偏色分级方法的步骤。
68.本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种图像偏色分级方法的步骤。
69.本技术实施例与现有技术相比存在的有益效果是：本技术实施例可以根据目标图像中包含指定参照物的局部偏色参考图像和全局偏色参考图像的偏色特征，来确定目标图像的偏色评级，从而充分利用了图像的局部偏色信息和全局偏色信息，实现了对图像偏色的严重程度进行更加全面、准确地评估，具有较强的易用性和实用性。
附图说明
70.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，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它的附图。
71.图1为本技术实施例中偏色特征提取模型的更新过程的示意流程图；
72.图2为确定候选图像的示意流程图；
73.图3为本技术实施例中一种图像偏色分级方法的一个实施例流程图；
74.图4为提取局部偏色参考图像的示意流程图；
75.图5为提取指定偏色参考图像的偏色特征的示意流程图；
76.图6为本技术实施例中一种图像偏色分级装置的一个实施例结构图；
77.图7为本技术实施例中一种终端设备的示意框图。
具体实施方式
78.为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
79.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
80.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上
下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
81.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
82.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0083]
另外，在本技术的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0084]
在图像的拍摄过程中，由于光线或者角度的原因，可能容易导致拍摄到的图像存在图像偏色的问题，由此衍生出的如何对图像偏色的严重程度进行准确评估也逐渐演变成图像处理领域的基础问题。
[0085]
然而，现有技术通常都是基于全局图像信息来评估图像偏色的严重程度，导致评估结果准确性较低。
[0086]
有鉴于此，本技术实施例提供一种图像偏色分级方法、装置、计算机可读存储介质及终端设备。通过本技术实施例，可以根据目标图像中包含指定参照物的局部偏色参考图像和全局偏色参考图像的偏色特征，来确定目标图像的偏色评级，从而充分利用了图像的局部偏色信息和全局偏色信息，实现了对图像偏色的严重程度进行更加全面、准确地评估，具有较强的易用性和实用性。
[0087]
需要说明的是，本技术方法的执行主体为终端设备，具体地，可以为桌上型计算机、笔记本、掌上电脑等常见的计算设备，也可以是其他计算设备。
[0088]
在本技术实施例中，可以使用多个偏色特征提取模型分别对目标图像进行局部偏色参考图像提取和全局偏色参考图像提取，并根据得到的两种偏色参考图像的偏色特征确定目标图像的偏色等级。
[0089]
偏色特征提取模型可以为预先训练得到的用于进行偏色特征提取的人工智能模型，可以包括但不限于支持向量机(support vector machine，svm)、最近邻算法(k-nearest neighbor，knn)、卷积神经网络(convolutional neural network，cnn)和循环神经网络(recurrent neural network，rnn)等现有技术中常见的人工智能模型，此处可以优选使用svm。
[0090]
在实际的使用过程中，随着图像数据的不断累积，可以对偏色特征提取模型进行持续更新。请参阅图1，本技术实施例中偏色特征提取模型的更新过程具体可以包括如下步骤：
[0091]
步骤s101、获取预存的候选图像。
[0092]
可以理解的是，可以从预设的内存模块或者服务器中获取到预存的候选图像序列i＝[i1,i2,...,in]，其中，n为候选图像的数量，该序列中的各个元素表示各张候选图像，候选图像序列由从历史图像中筛选出的候选图像组成，每张候选图像的下标代表该候选图像在候选图像序列中的顺序。若某张候选图像被确定为模型更新图像，表明该候选图像可以被用于偏色特征提取模型的更新训练，以使偏色特征提取模型可以适应不同的应用场景。
[0093]
具体地，请参阅图2，步骤s101可以包括如下过程：
[0094]
步骤s1011、获取预设数目的历史图像。
[0095]
在本技术实施例中，可以按照预设的获取时间周期和预设的获取时间间隔来获取历史图像。其中，获取时间周期与摄像采集装置的资源大小正相关，获取时间间隔与摄像采集装置的资源大小负相关，两者的具体取值可以根据摄像采集装置的实际资源情况进行设置，本技术对此不作限定。
[0096]
需要理解的是，可以根据预设的获取时间周期获取历史图像，例如，获取时间周期可以为1小时，则获取的对象为近一小时拍摄到的历史图像。在实际应用中，不同摄像采集装置的资源可能存在差异，若摄像采集装置的资源较大，则表明该摄像采集装置能够处理较多的历史图像；若摄像采集装置的资源较小，则表明该摄像采集装置只能够处理较少的历史图像。因此，获取时间周期的具体取值可以根据摄像采集装置的资源大小进行正相关设置，若摄像采集装置的资源较大，则可以将获取时间周期设置为较大的取值，若摄像采集装置的资源较小，则可以将获取时间周期设置为较小的取值。
[0097]
另外，还可以根据预设的获取时间间隔获取历史图像，例如，获取时间间隔可以为5秒，则可以对前述例子中获取到的近一小时的历史图像每5秒进行一次历史图像采样。获取时间间隔的具体取值可以根据摄像采集装置的资源进行负相关设置，若摄像采集装置的资源较大，则表明该摄像采集装置能够处理较多的历史图像，则可以将获取时间间隔设置为较小的取值，以更频繁地获取历史图像；若摄像采集装置的资源较小，则表明该摄像采集装置只能够处理较少的历史图像，则可以将获取时间间隔设置为较大的取值，以更低频地获取历史图像。
[0098]
步骤s1012、计算各张历史图像之间的结构相似性，得到各张历史图像之间的相似程度值。
[0099]
可以理解的是，获取到的历史图像中可能存在高度相似的图像，例如，从同一角度进行高速连拍的几张历史图像可能彼此高度相似。为了节省计算资源，在本技术实施例中，可以将高度相似的历史图像剔除。
[0100]
具体地，可以通过计算各张历史图像之间的结构相似性(structure similarity index measure，ssim)，得到各张历史图像之间的相似程度值。
[0101]
可以理解的是，除了可以计算历史图像之间的ssim，还可以通过现有技术中任意一种相似度计算方法计算历史图像之间的相似程度，本技术对此不作具体限定，可以根据实际情况进行设置。
[0102]
在本技术实施例中，可以通过判断每一张历史图像与其他历史图像之间的相似程度值来确定该历史图像是否可以作为候选图像。为了便于叙述，下面将以各张历史图像中的任意一张历史图像(记为指定历史图像)为例，对本技术实施例的候选图像确定过程进行说明。
[0103]
步骤s1013、判断指定历史图像与其他历史图像之间的相似程度值是否小于预设的相似程度阈值。
[0104]
在本技术实施例中，可以根据指定历史图像与其他历史图像之间的相似程度值，判断指定历史图像是否为候选图像。其中，其他历史图像为记录时间在指定历史图像之前的历史图像。
[0105]
具体地，若指定历史图像与其他历史图像之间的相似程度值大于或者等于预设的
相似程度阈值thd
ssim
，则可以确定指定历史图像为非候选图像，此时可以执行步骤s1014，若指定历史图像与其他历史图像之间的相似程度值小于预设的相似程度阈值thd
ssim
，则可以确定指定历史图像为候选图像，此时可以执行步骤s1015及其后续步骤。
[0106]
步骤s1014、确定指定历史图像为非候选图像。
[0107]
在本技术实施例中，若指定历史图像与其他历史图像之间的相似程度值大于或者等于预设的相似程度阈值thd
ssim
，则表明确定指定历史图像与其他历史图像高度相似，可以确定指定历史图像为非候选图像，此时可以将指定历史图像剔除，以节省计算资源。
[0108]
步骤s1015、确定指定历史图像为候选图像。
[0109]
在本技术实施例中，若指定历史图像与其他历史图像之间的相似程度值小于预设的相似程度阈值thd
ssim
，则可以将指定历史图像确定为候选图像。
[0110]
可以理解的是，可以遍历各张历史图像并通过上述过程进行判断，当遍历完成后，即可得到候选图像序列i＝[i1,i2,...,in]。
[0111]
步骤s102、提取候选图像的各张局部偏色参考图像。
[0112]
其中，每张局部偏色参考图像为一种指定参照物的图像。
[0113]
需要理解的是，指定参照物为在特定场景下具有特定色彩的物体，可以包括但不限于天空、云朵、岩石、道路、树木、绿叶等参照物，指定参照物的类型和数量可以根据实际应用场景进行设置，本技术对此不作具体限定，此处可以优选地将天空、道路和树木作为指定的三种参照物。
[0114]
可以理解的是，指定参照物对于确定候选图像的偏色程度具有参考意义，因此，在本技术实施例中，可以根据指定参照物确定出各张局部偏色参考图像。
[0115]
具体地，步骤s102可以包括如下过程：
[0116]
步骤s1021、利用预设的参照物提取模型对候选图像进行参照物提取，得到候选图像的各张局部参照物图像。
[0117]
在本技术实施例中，可以通过预设的参照物提取模型对候选图像进行参照物提取，得到候选图像的各张局部参照物图像。其中，参照物提取模型为预先训练好的用于进行参照物提取的人工智能模型，具体可以为现有技术中任意一种常见的人工智能模型，此处可以优选采用yolo目标检测模型。
[0118]
可以理解的是，可以在首次对目标图像进行参照物提取之前，对本技术实施例选中的人工智能模型进行训练，得到参照物提取模型，则在之后对目标图像进行参照物提取时即可直接使用该参照物提取模型。具体地，可以根据上一步骤中选定的指定参照物收集包含对应参照物的图像，并组成训练样本集，再根据该训练样本集对选定的人工智能模型进行训练，得到参照物提取模型。
[0119]
在本技术实施例中，利用参照物提取模型对候选图像进行参照物提取，可以检测并分割出候选图像的各张局部参照物图像，其中，每张局部参照物图像都包含一种指定参照物，即，可以得到包含天空的局部参照物图像、包含道路的局部参照物图像和包含树木的局部参照物图像。
[0120]
步骤s1022、对各张局部参照物图像进行边缘修正，得到候选图像的各张局部偏色参考图像。
[0121]
可以理解的是，使用参照物提取模型检测和分割出来的图像通常带有冗余像素，
为了使得到的各张局部偏色参考图像都尽量包含干净清晰的边缘，在本技术实施例中，可以对各张局部参照物图像进行边缘修正，从而抑制伪边缘的产生和噪声的影响，得到候选图像的各张局部偏色参考图像。
[0122]
具体地，在本技术实施例中，可以使用简单线性迭代聚类(simple linear iterative cluster，slic)对各张局部参照物图像进行边缘修正，得到候选图像的各张局部偏色参考图像。
[0123]
可以理解的是，除了可以使用slic对局部参照物图像进行边缘修正，也可以使用现有技术中的其他边缘检测和修正算法对局部参照物图像进行修正，得到局部偏色参考图像。
[0124]
需要说明的是，可以对候选图像序列进行遍历并进行上述处理，当遍历完成，即可得到各张候选图像的局部偏色参考图像。
[0125]
另外，为了便于区分各张候选图像的局部偏色参考图像，可以分别以天空偏色参考图像序列is＝[s1,s2,...,sn]、道路偏色参考图像序列ir＝[r1,r2,...,rn]和树木偏色参考图像序列i
t
＝[t1,t2,...,tn]存储图像序列i＝[i1,i2,...,in]的各张局部偏色参考图像；其中，偏色参考图像序列中的各个元素表示各张局部偏色参考图像，候选图像的各张局部偏色参考图像的下标与该候选图像在候选图像序列中的顺序一一对应。
[0126]
需要说明的是，通常情况下，每张候选图像都可以有对应的三张局部偏色参考图像，但并不表明每张候选图像中都必然包含三种不同的参照物。例如，某张候选图像中可以只包含树木，则通过上述过程只能提取到包含树木的局部偏色参考图像，此时，可以将包含天空及道路的局部偏色参考图像在其对应的偏色参考图像序列中取值为0。
[0127]
步骤s103、提取候选图像的全局偏色参考图像。
[0128]
其中，全局偏色参考图像为全局像素块的图像。
[0129]
具体地，在本技术实施例中，可以利用预设的超像素分块算法对候选图像进行超像素分块，得到候选图像的各个像素块，再根据各个像素块的面积选取全局像素块，并根据该全局像素块得到全局偏色参考图像。其中，超像素分块算法可以为slic或者现有技术中其他常见的超像素分块算法，利用slic可以将相近的像素汇聚成像素块，达到提取图像主要元素的目的。之后，可以将面积最大的前j个像素块选为全局像素块，并根据全局像素块得到候选图像的全局偏色参考图像。其中，j与设备内存和算力资源正相关，其具体取值可以根据设备内存和算力资源的实际情况进行设置，本技术对此不作限定。
[0130]
可以理解的是，若实际训练的设备内存和算力资源较大，则表明能够处理更多的像素块，此时可以将j的取值设置为较大的值；若实际训练的设备内存和算力资源较小，则表明只能处理较少的像素快，此时可以将j的取值设置为较小的值。
[0131]
可以理解的是，通过对候选图像序列的遍历，即可得到每张候选图像的全局偏色参考图像。
[0132]
需要说明的是，步骤s102和步骤s103不存在执行顺序上的先后关系，两者可以并行执行。
[0133]
步骤s104、利用偏色特征提取模型，确定指定偏色参考图像为模型更新图像。
[0134]
在本技术实施例中，可以利用偏色特征提取模型，确定指定偏色参考图像是否为模型更新图像。其中，该偏色特征提取模型与指定偏色参考图像对应，指定偏色参考图像为
各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像。
[0135]
在本技术实施例中，候选图像对应有三张局部偏色参考图像和一张全局偏色参考图像，即候选图像一共对应有四张偏色参考图像，指定偏色参考图像为该四张偏色参考图像中任意一张偏色参考图像，每张偏色参考图像可以输入至一个对应的偏色特征提取模型。
[0136]
具体地，包含天空的局部偏色参考图像可以输入至对应的天空的偏色特征提取模型svm-s，包含道路的局部偏色参考图像可以输入至对应的道路的偏色特征提取模型svm-r，包含树木的局部偏色参考图像可以输入至对应的树木的偏色特征提取模型svm-t。
[0137]
本技术实施例的方法可以应用在多种场景中，以安防监控为例，由于监控画面中的背景相对固定，因此，在本技术实施例中，可以将指定偏色参考图像输入到对应的偏色特征提取模型中，若该图像的图像元素不满足卡罗需-库恩-塔克条件(karush
–
kuhn
–
tucker conditions，kkt)，则可以认为指定偏色参考图像中存在偏色特征提取模型未包含的支持向量，则可以确定指定偏色参考图像为模型更新图像，此时可以执行步骤s105及其后续步骤；若该图像的图像元素满足kkt条件，则可以确定指定偏色参考图像为非模型更新图像，此时无需对偏色特征提取模型进行更新。
[0138]
步骤s105、将指定偏色参考图像作为偏色特征提取模型的新训练样本。
[0139]
在本技术实施例中，若指定偏色参考图像确定为模型更新图像，表明该图像可以被用于对应的偏色特征提取模型的更新训练，则可以将指定偏色参考图像作为对应的偏色特征提取模型的新训练样本。
[0140]
步骤s106、利用新训练样本对偏色特征提取模型进行更新。
[0141]
在本技术实施例中，可以利用新训练样本对偏色特征提取模型进行训练，以达到根据用户实际场景更新对应的偏色特征提取模型的目的。
[0142]
可以理解的是，可以通过对各张局部偏色参考图像和全局偏色参考图像进行遍历，并根据得到的新训练样本更新对应的各个偏色特征提取模型。
[0143]
本技术实施例中的偏色特征提取模型经过预先训练后，便可用于提取图像的偏色特征，并可以根据预先建立的偏色特征和偏色等级之间的映射关系确定图像偏色分级。
[0144]
请参阅图3，本技术实施例中一种图像偏色分级方法的一个实施例可以包括：
[0145]
步骤s301、获取待处理的目标图像。
[0146]
在本技术实施例中，待处理的目标图像可以为通过预设的摄像采集装置事先采集到的图像，也可以为实时采集到的图像。
[0147]
具体地，可以从预设的内存模块或者服务器中获取到目标图像。
[0148]
步骤s302、提取目标图像中的各张局部偏色参考图像。
[0149]
请参阅图4，步骤s302可以包括具体如下过程：
[0150]
步骤s3021、利用预设的参照物提取模型对目标图像进行参照物提取，得到目标图像的各张局部参照物图像。
[0151]
步骤s3022、对各张局部参照物图像进行边缘修正，得到目标图像的各张局部偏色参考图像。
[0152]
可以理解的是，步骤s302的内容均可参考步骤s102的详细描述，此处不再赘述。
[0153]
步骤s303、提取目标图像中的全局偏色参考图像。
[0154]
在本技术实施例中，可以利用预设的超像素分块算法对目标图像进行超像素分块，得到目标图像的各个像素块，再根据各个像素块的面积选取全局像素块，之后，可以根据全局像素块得到目标图像的全局偏色参考图像。
[0155]
可以理解的是，步骤s303的具体内容可参考步骤s103的详细描述，此处不再赘述。
[0156]
需要说明的是，步骤s302和步骤s303不存在执行顺序上的先后关系，两个步骤可以并行执行。
[0157]
步骤s304、分别提取各张局部偏色参考图像和全局偏色参考图像的偏色特征。
[0158]
请参阅图5，步骤s304可以包括具体如下过程：
[0159]
步骤s3041、利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到指定偏色参考图像的第一偏色特征。
[0160]
在本技术实施例中，可以利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到指定偏色参考图像的第一偏色特征。
[0161]
其中，指定偏色特征提取模型为与指定偏色参考图像对应的偏色特征提取模型，指定偏色参考图像为各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像。例如，指定偏色参考图像可以为包含天空的局部偏色参考图像，则其对应的指定偏色特征提取模型为svm-s。
[0162]
在本技术实施例中，指定偏色参考图像经过偏色特征提取模型(本技术实施例中为svm)处理后，通常会将指定偏色参考图像映射至多维空间，作为超平面上的支持向量，该支持向量到最佳偏色决策平面的欧式距离即为特征距离k。若特征距离k越小，则表明该支持向量到最佳偏色决策平面的距离越近，表明指定偏色参考图像的偏色程度越小，越难作出决策；反之，则表明指定偏色参考图像的偏色程度越大，越容易作出决策。基于上述原理，可以将特征距离k作为第一偏色特征。
[0163]
步骤s3042、计算指定偏色参考图像的第二偏色特征。
[0164]
在本技术实施例中，还可以计算指定偏色参考图像的第二偏色特征。
[0165]
具体地，可以计算指定偏色参考图像的偏色强度(即平均亮度l)、偏色面积(即指定偏色参考图像的像素占目标图像的像素的比值r)和偏色位置(即指定偏色参考图像的中心与目标图像的中心的距离d)，并将得到的三个结果作为指定偏色参考图像的第二偏色特征。
[0166]
可以理解的是，指定偏色参考图像的第一偏色特征和第二偏色特征都可以根据选用的偏色特征提取模型和应用场景等实际情况进行设置，本技术实施例只作为一种示例，不构成具体限定。
[0167]
在一种可能的实施例中，还可以将lab值和偏色因子作为偏色特征。
[0168]
需要说明的是，步骤s3041和步骤s3042不存在执行顺序上的先后关系，两个步骤可以并行执行。
[0169]
步骤s3043、根据指定偏色参考图像的第一偏色特征和第二偏色特征，确定指定偏色参考图像的偏色特征。
[0170]
在本技术实施例中，可以根据指定偏色参考图像的第一偏色特征和第二偏色特征，确定指定偏色参考图像的偏色特征。
[0171]
具体地，可以将指定偏色参考图像的第一偏色特征和第二偏色特征组成偏色基。
例如，指定偏色参考图像为包含天空的局部偏色参考图像，则可以组成天空偏色基cs＝[ks,ls,rs,ds]，其中，ks、ls、rs和ds分别为包含天空的局部偏色参考图像的特征距离、偏色强度、偏色面积和偏色位置；对应地，包含道路的局部偏色参考图像可以组成道路偏色基cr＝[kr,lr,rr,dr]，其中，kr、lr、rr和dr分别为包含道路的局部偏色参考图像的特征距离、偏色强度、偏色面积和偏色位置；包含树木的局部偏色参考图像可以组成树木偏色基c
t
＝[k
t
,l
t
,r
t
,d
t
]，其中，k
t
、l
t
、r
t
和d
t
分别为包含树木的局部偏色参考图像的特征距离、偏色强度、偏色面积和偏色位置；全局偏色参考图像可以组成全局偏色基ca＝[ka,la,ra,da]，其中，ka、la、ra和da分别为全局偏色参考图像的特征距离、偏色强度、偏色面积和偏色位置。
[0172]
可以理解的是，按照上述方法对各张局部偏色参考图像和全局偏色参考图像进行遍历，即可得到各张局部偏色参考图像和全局偏色参考图像的偏色基。若目标图像不存在某张偏色参考图像，则该偏色参考图像对应的偏色基应取值为0。例如，对目标图像进行参照物提取时，检测出目标图像中不包含树木区域，即不存在包含树木的局部偏色参考图像，此时，目标图像的树木偏色基应取值为0。
[0173]
步骤s305、根据偏色特征确定目标图像的偏色等级。
[0174]
在本技术实施例中，可以根据偏色特征确定目标图像的偏色等级。具体地，可以预先建立偏色特征和偏色等级之间的映射关系，根据该映射关系，确定目标图像的偏色等级。
[0175]
在一种可能的实施例中，可以以一张图像和该图像对应的人眼主观意见评分(偏色程度)作为一个训练样本，并将预设数量的训练样本组成训练样本集，之后，可以通过训练全连接神经网络等方式，对图像和图像的偏色程度进行数据拟合，得到偏色基的权重矩阵w＝[ws,wr,w
t
,wa]；之后，在后续确定目标图像的偏色等级时便可直接使用权重矩阵w对偏色基矩阵c进行加权，得到偏色等级q。其中，偏色等级的取值范围及映射等级可以根据实际场景进行调整，此处，可以优选地将q的取值范围设置为[1，5]，每个取值的偏色程度分别为[1-难以挑剔，2-仔细辨认能发现轻微偏色，3-能轻松观察到轻微偏色，4-能轻松观察到明显偏色，5-能轻松观察到严重偏色]。
[0176]
在另一种可能的实施例中，还可以使用手工设计的元素关联度方法或者其他判断两个元素之间关联度的方法得到偏色特征和偏色等级之间的映射关系。例如，可以使用皮尔逊线性相关系数(pearson liner correlation coefficient，plcc)、斯皮尔曼秩序相关系数(spearman rank-order correlation coefficient，srocc)或者互信息量等任意一种方法得到偏色特征和偏色等级之间的映射关系，并据此确定目标图像的偏色等级。
[0177]
可以理解的是，在确定出目标图像的偏色等级后，可以根据该偏色等级确定目标图像是否需要进行图像偏色纠正。具体地，若目标图像的偏色等级大于预设的等级阈值，则表明目标图像具有较严重的偏色，此时可以对目标图像进行图像偏色纠正；反之，若目标图像的偏色等级小于或者等于预设的等级阈值，则表明目标图像偏色程度较轻，此时无需对目标图像进行图像偏色纠正。其中，等级阈值的取值可以根据实际应用场景进行设置，本技术实施例对此不作具体限定。
[0178]
进一步地，偏色基中目标图像的偏色强度、偏色面积和偏色位置也可为后续图像偏色纠正工作提供信息与基础，从而可以达到更好的偏色纠正效果。
[0179]
综上所述，本技术实施例可以根据目标图像中包含指定参照物的局部偏色参考图像和全局偏色参考图像的偏色特征，来确定目标图像的偏色评级，从而充分利用了图像的
局部偏色信息和全局偏色信息，实现了对图像偏色的严重程度进行更加全面、准确地评估，具有较强的易用性和实用性。
[0180]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0181]
对应于上文实施例所述的一种图像偏色分级方法，图6示出了本技术实施例提供的一种图像偏色分级装置的一个实施例结构图。
[0182]
本技术实施例中，一种图像偏色分级装置可以包括：
[0183]
目标图像获取模块601，用于获取待处理的目标图像；
[0184]
局部偏色参考图像提取模块602，用于提取所述目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；
[0185]
全局偏色参考图像提取模块603，用于提取所述目标图像中的全局偏色参考图像；其中，所述全局偏色参考图像为全局像素块的图像；
[0186]
偏色特征提取模块604，用于分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征；
[0187]
偏色等级确定模块605，用于根据所述偏色特征确定所述目标图像的偏色等级。
[0188]
在本技术实施例的一种具体实现方式中，所述局部偏色参考图像提取模块可以包括：
[0189]
参照物提取单元，用于利用预设的参照物提取模型对所述目标图像进行参照物提取，得到所述目标图像的各张局部参照物图像；其中，所述参照物提取模型为预先训练好的用于进行参照物提取的人工智能模型，每张局部参照物图像包含一种指定参照物；
[0190]
边缘修正单元，用于对各张局部参照物图像进行边缘修正，得到所述目标图像的各张局部偏色参考图像。
[0191]
在本技术实施例的一种具体实现方式中，所述全局偏色参考图像提取模块可以包括：
[0192]
超像素分块单元，用于利用预设的超像素分块算法对所述目标图像进行超像素分块，得到所述目标图像的各个像素块；
[0193]
全局像素块选取单元，用于根据各个像素块的面积选取所述全局像素块；
[0194]
全局偏色参考图像确定单元，用于根据所述全局像素块得到所述目标图像的全局偏色参考图像。
[0195]
在本技术实施例的一种具体实现方式中，所述偏色特征提取模块可以包括：
[0196]
第一偏色特征提取单元，用于利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到所述指定偏色参考图像的第一偏色特征；其中，所述指定偏色特征提取模型为与所述指定偏色参考图像对应的偏色特征提取模型，所述指定偏色参考图像为各张局部偏色参考图像和所述全局偏色参考图像中任意一张偏色参考图像；
[0197]
第二偏色特征计算单元，用于计算所述指定偏色参考图像的第二偏色特征；
[0198]
偏色特征确定单元，用于根据所述指定偏色参考图像的第一偏色特征和第二偏色特征，确定所述指定偏色参考图像的偏色特征。
[0199]
在本技术实施例的一种具体实现方式中，所述图像偏色分级装置还可以包括：
[0200]
候选图像获取模块，用于获取预存的候选图像；
[0201]
第一参考图像提取模块，用于提取所述候选图像的各张局部偏色参考图像；
[0202]
第二参考图像提取模块，用于提取所述候选图像的全局偏色参考图像；
[0203]
模型更新图像确定模块，用于利用所述偏色特征提取模型，确定指定偏色参考图像是否为模型更新图像；其中，所述偏色特征提取模型与所述指定偏色参考图像对应，所述指定偏色参考图像为各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像；
[0204]
训练样本确定模块，用于若所述指定偏色参考图像为模型更新图像，则将所述指定偏色参考图像作为所述偏色特征提取模型的新训练样本；
[0205]
模型更新模块，用于利用所述新训练样本对所述偏色特征提取模型进行更新。
[0206]
在本技术实施例的一种具体实现方式中，所述候选图像获取模块还可以包括：
[0207]
历史图像获取单元，用于获取预设数目的历史图像；
[0208]
结构相似性计算单元，用于计算各张历史图像之间的结构相似性，得到各张历史图像的相似程度值；
[0209]
候选图像确定单元，用于若指定历史图像的相似程度值小于预设的相似程度阈值，则确定所述指定历史图像为候选图像；其中，所述指定历史图像各张历史图像中任意一张历史图像。
[0210]
在本技术实施例的一种具体实现方式中，所述偏色等级确定模块可以包括：
[0211]
偏色等级确定单元，用于根据所述偏色特征和预设的偏色等级映射关系，确定所述目标图像的偏色等级；其中，所述偏色等级映射关系为偏色特征和偏色等级之间的映射关系。
[0212]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0213]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0214]
图7示出了本技术实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0215]
如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个图像偏色分级方法实施例中的步骤，例如图3所示的步骤s301至步骤s305。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至模块605的功能。
[0216]
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
[0217]
本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
[0218]
所述处理器70可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0219]
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0220]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0221]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0222]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0223]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0224]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0225]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0226]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0227]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种图像偏色分级方法，其特征在于，包括：获取待处理的目标图像；提取所述目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；提取所述目标图像中的全局偏色参考图像；其中，所述全局偏色参考图像为全局像素块的图像；分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征；根据所述偏色特征确定所述目标图像的偏色等级。2.根据权利要求1所述的图像偏色分级方法，其特征在于，所述提取所述目标图像中的各张局部偏色参考图像，包括：利用预设的参照物提取模型对所述目标图像进行参照物提取，得到所述目标图像的各张局部参照物图像；其中，所述参照物提取模型为预先训练好的用于进行参照物提取的人工智能模型，每张局部参照物图像包含一种指定参照物；对各张局部参照物图像进行边缘修正，得到所述目标图像的各张局部偏色参考图像。3.根据权利要求1所述的图像偏色分级方法，其特征在于，所述提取所述目标图像中的全局偏色参考图像，包括：利用预设的超像素分块算法对所述目标图像进行超像素分块，得到所述目标图像的各个像素块；根据各个像素块的面积选取所述全局像素块；根据所述全局像素块得到所述目标图像的全局偏色参考图像。4.根据权利要求1所述的图像偏色分级方法，其特征在于，所述分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征，包括：利用预设的指定偏色特征提取模型对指定偏色参考图像进行偏色特征提取，得到所述指定偏色参考图像的第一偏色特征；其中，所述指定偏色特征提取模型为与所述指定偏色参考图像对应的偏色特征提取模型，所述指定偏色参考图像为各张局部偏色参考图像和所述全局偏色参考图像中任意一张偏色参考图像；计算所述指定偏色参考图像的第二偏色特征；根据所述指定偏色参考图像的第一偏色特征和第二偏色特征，确定所述指定偏色参考图像的偏色特征。5.根据权利要求4所述的图像偏色分级方法，其特征在于，在所述在利用预设的指定偏色特征提取模型对指定偏色参考图像之前，更新所述偏色特征提取模型；所述偏色特征提取模型的更新过程包括：获取预存的候选图像；提取所述候选图像的各张局部偏色参考图像；提取所述候选图像的全局偏色参考图像；利用所述偏色特征提取模型，确定指定偏色参考图像是否为模型更新图像；其中，所述偏色特征提取模型与所述指定偏色参考图像对应，所述指定偏色参考图像为各张局部偏色参考图像和全局偏色参考图像中任意一张偏色参考图像；若所述指定偏色参考图像为模型更新图像，则将所述指定偏色参考图像作为所述偏色
特征提取模型的新训练样本；利用所述新训练样本对所述偏色特征提取模型进行更新。6.根据权利要求5所述的图像偏色分级方法，其特征在于，所述候选图像的确定过程包括：获取预设数目的历史图像；计算各张历史图像之间的结构相似性，得到各张历史图像之间的相似程度值；若指定历史图像的相似程度值小于预设的相似程度阈值，则确定所述指定历史图像为候选图像；其中，所述指定历史图像各张历史图像中任意一张历史图像。7.根据权利要求1至6中任一项所述的图像偏色分级方法，其特征在于，所述根据所述偏色特征确定所述目标图像的偏色等级，包括：根据所述偏色特征和预设的偏色等级映射关系，确定所述目标图像的偏色等级；其中，所述偏色等级映射关系为偏色特征和偏色等级之间的映射关系。8.一种图像偏色分级装置，其特征在于，包括：目标图像获取模块，用于获取待处理的目标图像；局部偏色参考图像提取模块，用于提取所述目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；全局偏色参考图像提取模块，用于提取所述目标图像中的全局偏色参考图像；其中，所述全局偏色参考图像为全局像素块的图像；偏色特征提取模块，用于分别提取各张局部偏色参考图像和所述全局偏色参考图像的偏色特征；偏色等级确定模块，用于根据所述偏色特征确定所述目标图像的偏色等级。9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像偏色分级方法的步骤。10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的图像偏色分级方法的步骤。

技术总结
本申请属于图像处理技术领域，尤其涉及一种图像偏色分级方法、装置、计算机可读存储介质及终端设备。该方法包括：获取待处理的目标图像；提取目标图像中的各张局部偏色参考图像；其中，每张局部偏色参考图像为一种指定参照物的图像；提取目标图像中的全局偏色参考图像；其中，全局偏色参考图像为全局像素块的图像；分别提取各张局部偏色参考图像和全局偏色参考图像的偏色特征；根据偏色特征确定目标图像的偏色等级。通过本申请，可以根据图像中包含指定参照物的局部偏色参考图像和全局偏色参考图像的偏色特征，来确定图像的偏色评级，从而可以充分利用图像的局部偏色信息和全局偏色信息，实现了对图像偏色的严重程度进行更加全面、准确地评估。准确地评估。准确地评估。


技术研发人员：林建业
受保护的技术使用者：深圳市美科星通信技术有限公司
技术研发日：2023.03.24
技术公布日：2023/7/25