一种基于神经网络的显示器颜色校准系统及方法与流程

本发明涉及图像显示技术领域，具体涉及一种基于神经网络的显示器颜色校准系统及方法。

背景技术：

近年来，彩色影像逐渐成为一个活跃的研究领域，基于计算机的多媒体彩色系统在网络通信、工业自动化、医疗诊断等领域的应用不断扩大。但对于影像数据的表现仍是一个问题，那就是如何确保在两个完全不同的显示设备上的影像可比较并一致性地显示。与早期的系统相比，现在这个问题更加相当复杂。在当今的多媒体等应用中，被比较和再现的影像可能来自于两个完全不同的输入设备源，也可能在两个完全不同的输出设备上再现，这样就会对同一景物形成的颜色表现不会完全相同。例如，对网络传播中的同一影像，用户可能下载到自己的电脑上，也可能由打印机硬拷贝输出。由于不同的电脑以及不同的条件设置对数字影像的表现能力不同，不同类型的输出设备表现颜色更是有较大的差异，会形成颜色表现的极大差别。另外，各种媒体均介入影像流程，使得影像的再现成为一个极其复杂的问题。

技术实现要素：

针对现有技术的不足，本发明的目的在于提供一种基于神经网络的显示器颜色校准系统及方法，以解决现有技术中存在的两个完全不同的显示设备上的影像显示差异较大的问题。

为解决上述技术问题，本发明采用以下技术方案：

一种基于神经网络的显示器颜色校准系统，包括数据采集及标记模块、神经网络模型训练及导出模块、图像处理模块；

所述数据采集及标记模块用于生成显示器色彩的参数文件并传输至神经网络模型训练及导出模块；

所述神经网络模型训练及导出模块用于根据所述参数文件训练神经网络模型并导出训练后的神经网络模型至图像处理模块；

所述图像处理模块用于根据所述神经网络模型对输入的图像像素进行校准处理。

进一步的，所述数据采集及标记模块包括色彩分析仪、微控制器、上位机和传感器；

所述色彩分析仪用于测量显示器当前测试画面的xyz值并上传至上位机；

所述传感器用于采集显示器当前的温度数据、亮度数据并传输至微控制器；

所述微控制器用于接收传感器采集的数据并将传感器采集的数据传输至上位机。

一种基于神经网络的显示器颜色校准方法，所述方法包括如下步骤：

采集不同使用场景下显示器色彩的特征参数和环境参数并对所述参数进行分类、标记，生成参数文件；

根据所述参数文件训练显示器颜色校准的神经网络模型并导出训练后的神经网络模型；

根据所述训练后的神经网络模型对输入的图像像素进行校准处理。

进一步的，所述参数文件的生成方法包括：

通过上位机记录当前测试画面的rgb值，并读取测试画面xyz测量数据、和传感器数据；

将所述xyz数据、传感器数据与对应的rgb值写入参数存储文件；

重复上述操作得到参数文件。

进一步的，所述神经网络模型训练方法包括：

向神经网络模型训练及导出模块中导入所述参数文件，并根据所述参数文件创建数据集；

对所述数据集进行数据预处理及拆分；

根据数据预处理及拆分后的数据集训练神经网络模型；

对所述神经网络模型进行评估，根据评估结果修改神经网络模型的参数直至获得最优结果，得到训练后的神经网络模型；

根据实际使用场景对所述训练后的神经网络模型进行转换并导出。

进一步的，所述图像像素校准处理方法包括：

读取当前图像当前帧的像素值；

读取传感器当前的温度数据及亮度数据；

根据当前显示器的参数设置将rgb像素转换成xyz值；

通过所述神经网络模型，根据当前环境参数对所述像素值进行校准处理；

重复上述步骤直至所有帧的所有像素处理完毕。

与现有技术相比，本发明具有如下的有益效果：

本发明通过提供的神经网络模型显示器颜色校准方法可以实现显示器色彩的精确校准，有效解决了在不同场景使用不同信号源的情况下，显示器对同一显示画面的表现存在的差异性的难题，提高了显示器图像显示质量，减少了不必要的误差。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种基于神经网络的显示器颜色校准系统，包括数据采集及标记模块、神经网络模型训练及导出模块、图像处理模块；

数据采集及标记模块，使用测量仪器及传感器采集不同使用场景下显示器色彩相关特征参数及环境参数，并对参数进行分类及标记，生成相关参数文件；

神经网络模型训练及导出模块，数据采集及标记模块生成的参数文件，训练显示器颜色校准神经网络模型，并导出神经网络模型相关参数；

图像处理模块，根据导入的显示器颜色校准神经网络模型，对输入的图像像素进行校准处理并输出。

所述数据采集及标记模块包括色彩分析仪、微控制器、上位机和传感器；所述色彩分析仪用于测量当前测试画面的xyz值并上传至上位机；所述传感器用于采集显示器当前的温度数据、亮度数据并传输至微控制器；所述微控制器用于接收传感器采集的数据并将传感器采集的数据传输至上位机。

所述神经网络模型训练及导出模块，以机器学习中常用的第三方模块为基础通过编程实现。

如图1所示，一种基于神经网络的显示器颜色校准方法，所述方法包括如下步骤：

采集不同使用场景下显示器色彩的特征参数和环境参数并对所述参数进行分类、标记，生成参数文件；

根据所述参数文件训练显示器颜色校准的神经网络模型并导出训练后的神经网络模型；

根据所述训练后的神经网络模型对输入的图像像素进行校准处理并输出。

所述参数文件的生成方法包括：

s10：由上位机软件控制pc输出测试画面到显示器，使用测试画面为纯色，同时上位机记录当前测试画面的rgb值；

s11：上位机读取色彩分析仪测量到当前测试画面的xyz值；

s12：上位机通过微控制器读取当前各传感器数据；

s13：将测量得到的xyz数据及传感器数据与对应的rgb值写入参数存储文件；

s14：重复上述操作获取神经网络训练所需参数集。

所述神经网络模型训练方法包括：

s20：向神经网络模型训练及导出模块中导入数据采集及标记模块生成的参数文件，并使用其创建数据集；

s21：对创建的数据集进行数据预处理及数据集拆分；

s22：根据数据预处理及拆分后的数据集训练颜色校准神经网络模型；

s23：对训练得到的模型进行评估，根据评估结果修改模型参数以获得最优结果；

s24：根据实际使用场景，对生成的模型进行转换。

s25：模型导出，并移植到图像处理模块。

所述图像像素校准处理方法包括：

s30：读取当前帧当前像素值；

s31：读取传感器当前的温度数据及亮度数据；

s32：根据当前显示器参数设置情况，将rgb像素转换成xyz值；

s33：使用颜色校准神经网络模型，根据当前环境参数对像素值进行校准处理；

s34：重复上述操作直至所有帧的所有像素处理完毕。

以8bits显示器为例，对0～255进行划分，上位机软件按照[r1,g1,b1]、[r1,g1,b3]、[r1,g1,b5]、……、[r1,g1,b128]、[r1,g3,b1]、[r1,g3,b3]、[r1,g3,b5]、……、[r1,g3,b128]、……、[r128,g128,b1]、[r128,g128,b3]、[r128,g128,b5]、……、[r128,g128,b128]顺序输出测试画面，同时读取每个测试画面的xyz测量数据、实时的温度传感器测量数据t及实时亮度传感器测量数据l，并生成相应的测量参数文件。

采用机器学习中常用的第三方模块为基础通过编程实现颜色校准神经网络模型的训练，为方便说明，本实施例采用的第三方模块为scikit-learn（机器学习工具包），通过编程实现数据集的创建、预处理及拆分，并通过训练获得[xyztl]与[rgb]之间转换的神经网络模型。

scikit-learn使用语言为python，而本实施例中图像处理模块选择使用的语言环境为c，因此需对神经网络模型进行转换，并保存为.c文件导出，将导出的.c文件移植到图像处理模块。

图像处理模块对输入的图像数据进行处理，读取每个像素点的rgb值并将其按照色彩转换公式转换为xyz值，通过微控制器读取显示器当前温度传感器测量数据t及实时亮度传感器测量数据l，并根据训练得到的神经网络模型对获得数据进行转换，得到所需的颜色校准结果r’g’b’,完成像素点的颜色校准并输出。

当然上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。