颜色一致性方法和装置与流程

本发明涉及图像处理技术领域，尤其涉及一种颜色一致性方法和装置。

背景技术：

传统的中医讲究望闻问切，而在望诊中，对疾病的诊断主要是根据病人舌头的颜色进行的。随着现代医疗技术的发展，可以通过图像采集设备采集病人的舌图像，用于疾病的诊断和诊疗记录的备案存储。因此，图像采集设备采集到的舌图像的颜色对舌诊起到了关键的作用。

目前，不同的医院或者医疗机构，使用的舌诊图像采集设备不同，而不同的图像采集设备由于相机质量、光照条件等因素的影响，导致采集到的同一病人的舌图像颜色可能不同，这就给疾病的诊疗造成了困难。并且，由于各图像采集设备采集的舌图像资源颜色的不一致，导致舌图像资源不能共享，不仅造成了舌诊资源的浪费，也不利于舌诊的传承与发展。

技术实现要素：

本发明的主要目的在于提供一种图像颜色一致性方法，旨在解决不同图像采集设备采集的图像颜色不一致的技术问题。

为实现上述目的，本发明提供一种颜色一致性方法，所述颜色一致性方法包括以下步骤：

获取第一图像采集设备采集的各图像样本，分别提取所述各图像样本的像素点；

分别根据预设的各聚类数将所述像素点进行聚类，得到所述各聚类数对应的色卡；

基于第二图像采集设备采集的所述各色卡的图像，计算所述各色卡的颜色校正误差；

选取所述各色卡中颜色校正误差最小的色卡为校正色卡，基于所述校正色卡校正所述第二图像采集设备采集的图像。

优选的，所述基于第二图像采集设备采集的所述各色卡的图像，计算所述各色卡的颜色校正误差的步骤包括：

获取所述第二图像采集设备采集的所述各色卡的样片，得到所述各色卡的颜色测量值；

分别根据所述各色卡的颜色标准值和颜色测量值，训练得到所述各色卡的校正模型；

获取所述第二图像采集设备采集的评估色卡照片，根据所述评估色卡照片和所述各色卡的校正模型，分别计算各色卡的颜色校正误差。

优选的，所述获取所述第二图像采集设备采集的评估色卡照片，根据所述评估色卡照片和所述各色卡的校正模型，分别计算各色卡的颜色校正误差的步骤包括：

获取所述评估色卡的颜色标准值，和所述第二图像采集设备采集的所述评估色卡照片；

分别根据所述各色卡的校正模型校正所述评估色卡照片，获取所述各色卡对应的所述评估色卡的颜色校正值；

分别根据所述各色卡对应的所述评估色卡的颜色校正值，以及所述评估色卡的颜色标准值，计算所述各色卡的颜色校正误差。

优选的，所述选取所述各色卡中颜色校正误差最小的色卡为校正色卡，基于所述校正色卡校正所述第二图像采集设备采集的图像的步骤包括：

根据所述各色卡的颜色校正误差，筛选颜色校正误差满足预设标准值的色卡；

从颜色校正误差满足所述标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡；

基于所述校正色卡校正所述第二图像采集设备采集的图像。

优选的，所述基于所述校正色卡校正所述第二图像采集设备采集的图像的步骤包括：

根据所述校正色卡的校正模型，校正所述第二图像采集设备采集的图像。

此外，为实现上述目的，本发明还提供一种颜色一致性装置，所述颜色一致性装置包括：

提取模块，用于获取第一图像采集设备采集的各图像样本，分别提取所述各图像样本的像素点；

聚类模块，用于分别根据预设的各聚类数将所述像素点进行聚类，得到所述各聚类数对应的色卡；

误差模块，用于基于第二图像采集设备采集的所述各色卡的图像，计算所述各色卡的颜色校正误差；

校正模块，用于选取所述各色卡中颜色校正误差最小的色卡为校正色卡，基于所述校正色卡校正所述第二图像采集设备采集的图像。

优选的，所述误差模块还用于，

获取所述第二图像采集设备采集的所述各色卡的样片，得到所述各色卡的颜色测量值；分别根据所述各色卡的颜色标准值和颜色测量值，训练得到所述各色卡的校正模型；获取所述第二图像采集设备采集的评估色卡照片，根据所述评估色卡照片和所述各色卡的校正模型，分别计算各色卡的颜色校正误差。

优选的，所述误差模块还用于，

获取所述评估色卡的颜色标准值，和所述第二图像采集设备采集的所述评估色卡照片；分别根据所述各色卡的校正模型校正所述评估色卡照片，获取所述各色卡对应的所述评估色卡的颜色校正值；分别根据所述各色卡对应的所述评估色卡的颜色校正值，以及所述评估色卡的颜色标准值，计算所述各色卡的颜色校正误差。

优选的，所述校正模块还用于，

根据所述各色卡的颜色校正误差，筛选颜色校正误差满足预设标准值的色卡；从颜色校正误差满足所述标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡；基于所述校正色卡校正所述第二图像采集设备采集的图像。

优选的，所述校正模块还用于，

根据所述校正色卡的校正模型，校正所述第二图像采集设备采集的图像。

本发明提出的一种颜色一致性方法和装置，根据第一图像采集设备采集的图像样本的颜色制作色卡，对第二图像采集设备采集的图像进行颜色校正，使得第二图像采集设备采集的图像经过校正后与第一图像采集设备采集的图像颜色保持一致，实现了不同的图像采集设备采集的图像颜色一致性。并且，本发明中，对图像样本的像素点进行聚类，制作色卡，使得到的色卡颜色更加贴近应用需求，去除了传统标准色卡中用不到的颜色，缩小了色卡的色域范围，使色卡的颜色分类更加细致。而且，本发明选取颜色校正误差最小的色卡作为校正色卡，避免了色卡的颜色校正误差较大导致校正后的图像颜色依然不一致的情况，提高了颜色校正的准确性。

附图说明

图1为本发明颜色一致性方法第一实施例的流程示意图；

图2为本发明颜色一致性方法第二实施例的一种流程示意图；

图3为本发明颜色一致性方法第二实施例的一种流程示意图；

图4为本发明颜色一致性方法第三实施例的流程示意图；

图5为本发明颜色一致性方法第四实施例的流程示意图；

图6为本发明颜色一致性装置的第一实施例、第二实施例、第三实施例和第四实施例的功能模块示意图；

图7为本发明实施例中一种舌图像样本示意图；

图8为本发明实施例中一种色卡颜色校正误差计算示意图；

图9为本发明实施例中一种舌图像色卡示意图；

图10为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图；

图11为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图；

图12为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图；

图13为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图；

图14为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图；

图15为本发明实施例中一种舌图像色卡颜色校正误差校正结果示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，本发明颜色一致性方法第一实施例提供一种颜色一致性方法，所述颜色一致性方法包括：

步骤S10获取第一图像采集设备采集的各图像样本，分别提取所述各图像样本的像素点。

本发明通过对图像采集设备采集的图像进行颜色校正，使得不同的图像采集设备所采集的图像达到颜色一致。本发明可以应用于舌图像的颜色校正，也可以用于其他类型的图像，实现不同图像采集设备采集图像的颜色一致性。

本实施例以舌图像的颜色一致进行举例说明。

具体的，舌图像信息包括颜色特征，纹理特征，几何特征及有形物质特征这四种特征，颜色特征对于舌诊起到至关重要的作用，准确的颜色特征将直接关系到最终人体健康状况的诊断结果。

由于颜色受环境光照的影响很大，不同的光照环境将对舌体真实颜色的重现产生完全不同的结果，为准确地将真实颜色进行重现，使用色卡对图像采集设备采集的舌图像进行颜色校正非常重要。色卡作为颜色的重要参考标准，其颜色的准确直接影响采集的图像的准确性。

为保障色卡颜色的准确性，作为一种实施方式，获取数据库中预先配置的第一图像采集设备采集的图像样本，提取像素点用于色卡的制作。

需要说明的是，数据库中预先配置的图像样本为颜色一致的舌图像，是由第一图像采集设备采集，并经过颜色校正使颜色一致的图像样本。进一步的，本实施例中使用的图像样本也可以是不同的图像采集设备采集，但是颜色具有一致性的设图像。

参照图7，数据库中预先配置的图像样本可以是大量的舌图像样本，为彩色图片，涵盖各种疾病、各年龄段，从而能够更充分的展示舌图像的颜色。

在提取像素点时，首先将舌图像进行分割，去除图像背景，仅保留舌头的区域范围。

然后，对每张舌图像进行像素提取。为了避免像素点过多，不便处理，可进行1:4的降采样，提取像素点。同时，去除背景的白色像素点，降低对色卡的颜色影响。

由此，得到各图像样本的像素点，同时，得到各像素点的颜色值，作为各像素点的颜色标准值。

步骤S20、分别根据预设的各聚类数将所述像素点进行聚类，得到所述各聚类数对应的色卡。

在得到各图像样本的像素点后，根据预设的聚类数将得到的像素点进行聚类，使颜色相似或相同的像素点聚集到同一类中，得到各聚类中心集。

例如，可以采用FCM(Fuzzy c-means，模糊C均值算法)，对各像素点进行聚类，使得同一聚类中心集内的像素点颜色相似度最大，不同聚类中心集之间颜色相似度最小。

然后，将各聚类中心集映射到颜色空间，例如CIE RGB(Commission Internationale de L'EclairageRedGreen Blue，国际照明委员会红绿蓝颜色空间)，得到各聚类中心集的颜色标准值。

然后，根据各聚类中心集的颜色标准值制作对应的色块，并将得到的色块进行几何布局，制作各聚类数对应的色卡。得到的色卡中包括各色块，各色块的颜色标准值也即对应的聚类中心集的颜色标准值。

需要说明的是，预设的聚类数可以是数值范围，例如预设的聚类数为12-64范围内的整数。当然，预设的聚类数还可以是不连续的整数值，例如6、12、18、24、30、36和42。则对像素点进行聚类后，制作得到包括6个色块的色卡、包括12个色块的色卡、包括18个色块的色卡、包括24个色块的色卡、包括30个色块的色卡、包括36个色块的色卡和包括42个色块的色卡。

由此，得到各聚类数对应的色卡，以及色卡中各色块的颜色标准值。

步骤S30、基于第二图像采集设备采集的所述各色卡的图像，计算所述各色卡的颜色校正误差。

需要说明的是，本实施例中的第二图像采集设备是与第一图像采集设备不同的设备，因此第二图像采集设备采集的图像与第一图像采集设备采集的图像在颜色上存在差异。

在得到各聚类数对应的色卡后，控制图像采集设备在同样的外界环境中和相同的参数配置对各色卡分别将进行拍照，得到各色卡的彩色图像，将各色卡的图像映射到颜色空间中，得到色卡中各色块的颜色采集值。

然后，根据各色卡的各色块颜色标准值和颜色采集值，计算各色卡的颜色校正误差。

步骤S40、选取所述各色卡中颜色校正误差最小的色卡为校正色卡，基于所述校正色卡校正所述图像采集设备采集的图像。

在计算得到各色卡的颜色校正误差后，选取颜色校正误差最小的色卡作为第二图像采集设备的校正色卡，对第二图像采集设备采集的图像进行颜色校正，由此，使得第二图像采集设备采集的图像经过校正后，与第一图像采集设备采集的样本图像颜色保持一致，也即实现了不同图像采集设备采集的图像颜色一致性。

在本实施例中，根据第一图像采集设备采集的图像样本的颜色制作色卡，对第二图像采集设备采集的图像进行颜色校正，使得第二图像采集设备采集的图像经过校正后与第一图像采集设备采集的图像颜色保持一致，实现了不同的图像采集设备采集的图像颜色一致性。并且，本实施例中，对图像样本的像素点进行聚类，制作色卡，使得到的色卡颜色更加贴近应用需求，去除了传统标准色卡中用不到的颜色，缩小了色卡的色域范围，使色卡的颜色分类更加细致。而且，本实施例选取颜色校正误差最小的色卡作为校正色卡，避免了色卡的颜色校正误差较大导致校正后的图像颜色依然不一致的情况，提高了颜色校正的准确性。

进一步的，参照图2，本发明颜色一致性方法第二实施例提供一种颜色一致性方法，基于上述图1所示的实施例，所述步骤S30包括：

步骤S31、获取所述第二图像采集设备采集的所述各色卡的样片，得到所述各色卡的颜色测量值。

在获取各色卡后，控制第二图像采集设备在相同的外界环境和配置参数下，分别对各色卡进行拍照，得到各色卡的样片。

然后，将各色卡的样片映射到颜色空间中，得到各色块的颜色测量值。

由此，得到各色卡的颜色测量值。其中，各色卡的颜色测量值包括色卡中各色块的颜色测量值。

步骤S32、分别根据所述各色卡的颜色标准值和颜色测量值，训练得到所述各色卡的校正模型。

在得到各色卡的颜色测量值后，根据色卡中各色块的颜色测量值与色块的颜色标准值，训练得到各色卡的校正模型，各色卡的校正模型即为使图像的测量值回归到标准值所建立的模型。

由此，得到各色卡的校正模型。

步骤S33、获取所述第二图像采集设备采集的评估色卡照片，根据所述评估色卡照片和所述各色卡的校正模型，分别计算各色卡的颜色校正误差。

在得到各色卡的校正模型后，根据各色卡的校正模型和评估色卡照片，分别计算各色卡的颜色校正误差。

其中，评估色卡为预先根据图像样本的颜色配置的，例如可以对图像样本的像素点进行聚类，根据得到的各聚类中心制作评估色卡。需要说明的是，评估色卡的色块数大于前述聚类得到的各色卡，也即包括了舌图像更多的颜色，从而对各色卡进行更精细的校正测试。

进一步的，作为一种实施方式，参照图3，步骤S33包括：

步骤S331、获取所述评估色卡的颜色标准值，和所述第二图像采集设备采集的所述评估色卡照片。

评估色卡的颜色标准值包括了评估色卡中各色块的颜色标准值。其中，各色块的颜色标准值也即在制作评估色卡时，各聚类中心集的颜色值。

评估色卡的照片为第二图像采集设备采集的，第二图像采集设备拍摄评估色卡时的外界环境和配置参数与前述拍摄各色卡时保持一致。

步骤S332、分别根据所述各色卡的校正模型校正所述评估色卡照片，获取所述各色卡对应的所述评估色卡的颜色校正值。

在得到评估色卡照片后，分别根据各色卡的校正模型校正评估色卡照片，得到各校正后的评估色卡图像。

然后，将各校正后的评估色卡图像映射到色彩空间，得到评估色卡照片分别被各色卡校正后的颜色校正值，也即得到各色卡对应的评估色卡颜色校正值。

需要说明的是，各色卡对应的评估色卡颜色校正值包括校正后，评估色卡中色块的颜色校正值。

步骤S333、分别根据所述各色卡对应的所述评估色卡的颜色校正值，以及所述评估色卡的颜色标准值，计算所述各色卡的颜色校正误差。

在得到各色卡对应的评估色卡颜色校正值后，分别根据各色卡对应的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算各色卡的颜色校正误差。具体的，可使用CIELAB1976算法或CIEDE2000算法进行计算。当然，还可以使用其他的色差计算方式。

以舌图像的颜色一致性作为具体的应用场景进行举例说明，使用的图像样本为2731张舌图像照片，涵盖了各种疾病和各个年龄段。图像样本为第一图像采集设备采集的，经过Munsell(蒙塞尔)24色色卡校正的，颜色具有一致性。第一图像采集设备使用Sony DXC 390P的3-CCD摄像机，其图像质量很好。

然后，对图像样本进行像素点提取，得到样本图像的像素点。

然后，进入训练过程，参照图8，使用FCM聚类对像素点进行聚类，在本实施例中，预设的聚类数为6、12、18、24、30、36和42。对应的，参照图9，得到6色色卡、12色色卡、18色色卡、24色色卡、30色色卡、36色色卡、42色色卡。

然后，控制第二图像设备在相同的外界环境和配置参数下分别对各色卡进行图像采集，得到各色卡的样片及颜色测量值。本实施例中第二图像采集设备使用JAI CV-S3200，图像传感器为CCD。

然后，分别根据各色卡的颜色标准值和颜色测量值，训练得到各色卡的校正模型，也即，根据6色色卡的颜色标准值和颜色测量值，训练得到6色色卡的校正模型，取6色色卡的校正模型为校正模型1；根据12色色卡的颜色标准值和颜色测量值，训练得到12色色卡的校正模型，取12色色卡的校正模型为校正模型2；依次类推，得到各色卡的校正模型，包括校正模型1、校正模型2、校正模型3、校正模型4、校正模型5、校正模型6和校正模型7。

由此，得到各色卡的校正模型。

然后，进入测试过程，本实施例中使用的评估色卡为120色色卡，是根据舌图像样本的像素点聚类得到，包括了大量的舌图像颜色，对色卡的测试更加精准。

控制第二图像采集设备采集评估色卡的照片后，分别使用校正模型1、校正模型2、校正模型3、校正模型4、校正模型5、校正模型6和校正模型7对评估色卡照片进行颜色校正，得到各色卡对应的评估色卡颜色校正值。

然后，分别根据各色卡对应的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算各色卡的颜色校正误差。具体的，根据6色色卡的校正模型1校正评估色卡照片后得到的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算得到6色色卡的颜色校正误差，取6色色卡的颜色校正误差值为校正误差1；根据12色色卡的校正模型2校正评估色卡照片后得到的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算得到12色色卡的颜色校正误差，取12色色卡的颜色校正误差值为校正误差2；根据18色色卡的校正模型3校正评估色卡照片后得到的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算得到18色色卡的颜色校正误差，取18色色卡的颜色校正误差值为校正误差3；以此类推，得到各色卡的颜色校正误差，包括校正误差1、校正误差2、校正误差3、校正误差3、校正误差5、校正误差6、校正误差7。

参照图10，图10为采用SVR(support vector regression，支持向量回归)校正算法CIELAB1976计算得到的各色卡的颜色校正误差。第一行的表头中，avg(│△L│)为平均明度差；avg(│△a│)和avg(│△b│)为平均色度差；avg(│△E│)为颜色校正误差的平均值；Median(△E)为颜色校正误差的中位数；Max(△E)为颜色校正误差的最大值；min(△E)为颜色校正误差的最小值。

参照图11，图11为采用SVR校正算法CIEDE2000计算得到的各色卡的颜色校正误差。第一行的表头中，avg(│△E│)为颜色校正误差的平均值；Median(△E)为颜色校正误差的中位数；Max(△E)为颜色校正误差的最大值；min(△E)为颜色校正误差的最小值。

在图10和图11中，第二行MSCC对应的各数值为基于第一图像采集设备，计算的Munsell24色色卡的颜色校正误差数据；第三行6对应的各数值为基于第二图像采集设备，计算的6色色卡的颜色校正误差数据；第四行12对应的各数值为基于第二图像采集设备，计算的12色色卡的颜色校正误差数据；类似的，第五至第九行，依次为基于第二图像采集设备，计算的18、24、30、36和42色色卡的颜色校正误差数据。可以看出，颜色数量在18以上的色卡的颜色校正误差均小于Munsell24色色卡。

由此，本实施例实现了各色卡的颜色校正误差的计算。

在本实施例中，根据第二图像采集设备采集的各色卡的样片，得到各色卡的颜色测量值，然后分别根据各色卡的颜色标准值和颜色测量值，训练得到各色卡的校正模型，得到的校正模式是基于第二图像采集设备的，更加贴合第二图像采集设备的实际应用场景。然后，根据第二图像采集设备采集的评估色卡照片，对各色卡进行颜色校正的测试，并计算得到各色卡的颜色校正误差，通过使用统一的、更加贴近实际应用需求的评估色卡，使得对各色卡的测试更加贴近实际的图像应用场景，测试结果也更加精确。

进一步的，参照图4，本发明颜色一致性方法第三实施例提供一种颜色一致性方法，基于上述图1、图2或图3所示的任一实施例(本实施例以图1为例)，所述步骤S40包括：

步骤S41、根据所述各色卡的颜色校正误差，筛选颜色校正误差满足预设标准值的色卡。

本实施例预先配置有标准值，用于控制色卡的颜色校正误差。以预设的标准值为基准，

当色卡的颜色校正误差小于或等于标准值时，则判定此色卡的颜色校正误差满足标准值，此色卡校正过的图像颜色与评估色卡的颜色一致，也即，此色卡校正过的图像颜色与第一图像采集设备采集的图像样本颜色一致；

当色卡的颜色校正误差大于标准值时，则判定此色卡的颜色校正误差不满足标准值，此色卡校正过的图像颜色与评估色卡的颜色不一致，也即，此色卡校正过的图像颜色与第一图像采集设备采集的图像样本颜色不一致。

由此，在得到各色卡的颜色校正误差后，根据预设的标准值，筛选得到颜色校正误差小于或等于标准值的色卡，作为颜色校正误差满足预设标准值的色卡。

步骤S42、从颜色校正误差小于所述标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡。

在筛选得到颜色校正误差满足标准值的色卡后，根据颜色校正误差值的大小，在颜色校正误差满足标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡。

基于上述本发明颜色一致性方法第二实施例所述的舌图像颜色一致性应用场景，取颜色数量在18以上的色卡颜色校正误差均满足预设的标准值。

由于颜色数量在18以上的色卡的颜色校正误差均小于Munsell24色色卡，为例进一步精确色卡的颜色数量，取聚类数为18-28之间的整数，对第一图像采集设备采集的图像样本像素点进行聚类，得到18色色卡、19色色卡、20色色卡、21色色卡、22色色卡、23色色卡、24色色卡、25色色卡、26色色卡、27色色卡和28色色卡。

然后，分别计算各色卡的颜色校正误差。

参照图12，图12为采用SVR校正算法CIELAB1976计算得到的各色卡的颜色校正误差。参照图13，图13为采用SVR校正算法CIEDE2000计算得到的各色卡的颜色校正误差。

在图12和图13中，第一行为表头，数据类型分别同上述的图10、11相同。第二行至第十行依次为18色色卡、19色色卡、20色色卡、21色色卡、22色色卡、23色色卡、24色色卡、25色色卡、26色色卡、27色色卡和28色色卡的颜色校正误差数据。

通过对18种颜色到28种颜色的比较，可以看到，22种颜色的色卡在校正后色差值最小，表明其效果最好。为了进一步优化色卡，提高其鲁棒性，将22种颜色的色卡中加入白色、灰色及黑色这三种颜色，调整图像白平衡。而为了使色卡几何形状规范且便于拿取，添加白色和黑色到色卡中，形成了24种颜色的色卡。

然后，对22色色卡添加了白色和黑色得到的24色色卡进行颜色校正误差计算，与原始22色色卡进行数据对比。

参照图14，图14为采用SVR校正算法CIELAB1976计算得到的各色卡的颜色校正误差。参照图15，图15为采用SVR校正算法CIEDE2000计算得到的各色卡的颜色校正误差。

在图14和图15中，第一行为表头，记载的数据类型分别同上述图10、图11相同；第二行22对应的各数值为原始22色色卡的颜色校正误差数据；第三行22+white(白)&black(黑色)对应的各数值为原始22色色卡增加了白色和黑色，得到的24色色卡的颜色校正误差。可以看出，原始22色色卡和增加了白色和黑色得到的24色色卡的颜色校正误差数据差值在可接受范围内，因此，为便于实际应用，可选择增加了白色和黑色得到的24色色卡作为校正色卡。

步骤S43、基于所述校正色卡校正所述第二图像采集设备采集的图像

基于得到的校正色卡，校正第二图像采集设备采集的图像，使得经过校正的图像与第一图像采集设备采集的图像样本颜色具有一致性。

在本实施例中，通过预设的标准值，去除了颜色校正误差过大、不能使图像颜色一致的色卡，筛选得到的色卡均为能够使不同的图像采集设备采集的图像经过校正颜色具有一致性的色卡。然后，在得到的满足标准值的色卡中，选取颜色校正误差最小的色卡作为最终的校正色卡，校正第二图像采集设备采集的图像，颜色校正误差越小，校正后的图像与图像样本的颜色越一致，因此实现了色卡的最优选择，提高了颜色的一致性。

进一步的，参照图5，本发明颜色一致性方法第四实施例提供一种颜色一致性方法，基于上述图4所示的实施例，所述步骤S43包括：

步骤S44、根据所述校正色卡的校正模型，校正所述第二图像采集设备采集的图像。

本实施例中，获取校正色卡后，根据校正色卡的校正模型校正第二图像采集设备的图像。

具体的，在获取第二图像采集设备采集的图像后，使图像的颜色采集值根据校正色卡的校正模型，回归为标准值，由此，校正后的图像颜色与色卡一致，也即与第一采集设备采集的图像样本一致。

在本实施例中，通过校正色卡的校正模型，校正第二图像采集设备采集的图像，使校正后的图像与第一图像采集设备采集的图像样本颜色一致，实现了不同图像采集设备图像颜色的一致性。

参照图6，本发明颜色一致性装置第一实施例提供一种颜色一致性装置，所述颜色一致性装置包括：

提取模块10，用于获取第一图像采集设备采集的各图像样本，分别提取所述各图像样本的像素点。

本发明通过对图像采集设备采集的图像进行颜色校正，使得不同的图像采集设备所采集的图像达到颜色一致。本发明可以应用于舌图像的颜色校正，也可以用于其他类型的图像，实现不同图像采集设备采集图像的颜色一致性。

本实施例以舌图像的颜色一致进行举例说明。

具体的，舌图像信息包括颜色特征，纹理特征，几何特征及有形物质特征这四种特征，颜色特征对于舌诊起到至关重要的作用，准确的颜色特征将直接关系到最终人体健康状况的诊断结果。

由于颜色受环境光照的影响很大，不同的光照环境将对舌体真实颜色的重现产生完全不同的结果，为准确地将真实颜色进行重现，使用色卡对图像采集设备采集的舌图像进行颜色校正非常重要。色卡作为颜色的重要参考标准，其颜色的准确直接影响采集的图像的准确性。

为保障色卡颜色的准确性，作为一种实施方式，获取数据库中预先配置的第一图像采集设备采集的图像样本，提取像素点用于色卡的制作。

需要说明的是，数据库中预先配置的图像样本为颜色一致的舌图像，是由第一图像采集设备采集，并经过颜色校正使颜色一致的图像样本。进一步的，本实施例中使用的图像样本也可以是不同的图像采集设备采集，但是颜色具有一致性的设图像。

参照图7，数据库中预先配置的图像样本可以是大量的舌图像样本，为彩色图片，涵盖各种疾病、各年龄段，从而能够更充分的展示舌图像的颜色。

提取模块10在提取像素点时，首先将舌图像进行分割，去除图像背景，仅保留舌头的区域范围。

然后，提取模块10对每张舌图像进行像素提取。为了避免像素点过多，不便处理，可进行1:4的降采样，提取像素点。同时，去除背景的白色像素点，降低对色卡的颜色影响。

由此，提取模块10得到各图像样本的像素点，同时，得到各像素点的颜色值，作为各像素点的颜色标准值。

聚类模块20，用于分别根据预设的各聚类数将所述像素点进行聚类，得到所述各聚类数对应的色卡。

在得到各图像样本的像素点后，聚类模块20根据预设的聚类数将得到的像素点进行聚类，使颜色相似或相同的像素点聚集到同一类中，得到各聚类中心集。

例如，可以采用FCM(Fuzzy c-means，模糊C均值算法)，对各像素点进行聚类，使得同一聚类中心集内的像素点颜色相似度最大，不同聚类中心集之间颜色相似度最小。

然后，聚类模块20将各聚类中心集映射到颜色空间，例如CIE RGB(Commission Internationale de L'EclairageRedGreen Blue，国际照明委员会红绿蓝颜色空间)，得到各聚类中心集的颜色标准值。

然后，聚类模块20根据各聚类中心集的颜色标准值制作对应的色块，并将得到的色块进行几何布局，制作各聚类数对应的色卡。得到的色卡中包括各色块，各色块的颜色标准值也即对应的聚类中心集的颜色标准值。

需要说明的是，预设的聚类数可以是数值范围，例如预设的聚类数为12-64范围内的整数。当然，预设的聚类数还可以是不连续的整数值，例如6、12、18、24、30、36和42。则对像素点进行聚类后，制作得到包括6个色块的色卡、包括12个色块的色卡、包括18个色块的色卡、包括24个色块的色卡、包括30个色块的色卡、包括36个色块的色卡和包括42个色块的色卡。

由此，聚类模块20得到各聚类数对应的色卡，以及色卡中各色块的颜色标准值。

误差模块30，用于基于第二图像采集设备采集的所述各色卡的图像，计算所述各色卡的颜色校正误差。

需要说明的是，本实施例中的第二图像采集设备是与第一图像采集设备不同的设备，因此第二图像采集设备采集的图像与第一图像采集设备采集的图像在颜色上存在差异。

在得到各聚类数对应的色卡后，误差模块30控制图像采集设备在同样的外界环境中和相同的参数配置对各色卡分别将进行拍照，得到各色卡的彩色图像，将各色卡的图像映射到颜色空间中，得到色卡中各色块的颜色采集值。

然后，误差模块30根据各色卡的各色块颜色标准值和颜色采集值，计算各色卡的颜色校正误差。

校正模块40，用于选取所述各色卡中颜色校正误差最小的色卡为校正色卡，基于所述校正色卡校正所述第二图像采集设备采集的图像。

在计算得到各色卡的颜色校正误差后，校正模块40选取颜色校正误差最小的色卡作为第二图像采集设备的校正色卡，对第二图像采集设备采集的图像进行颜色校正，由此，使得第二图像采集设备采集的图像经过校正后，与第一图像采集设备采集的样本图像颜色保持一致，也即实现了不同图像采集设备采集的图像颜色一致性。

在本实施例中，根据第一图像采集设备采集的图像样本的颜色制作色卡，对第二图像采集设备采集的图像进行颜色校正，使得第二图像采集设备采集的图像经过校正后与第一图像采集设备采集的图像颜色保持一致，实现了不同的图像采集设备采集的图像颜色一致性。并且，本实施例中，对图像样本的像素点进行聚类，制作色卡，使得到的色卡颜色更加贴近应用需求，去除了传统标准色卡中用不到的颜色，缩小了色卡的色域范围，使色卡的颜色分类更加细致。而且，本实施例选取颜色校正误差最小的色卡作为校正色卡，避免了色卡的颜色校正误差较大导致校正后的图像颜色依然不一致的情况，提高了颜色校正的准确性。

进一步的，参照图6，本发明颜色一致性装置第二实施例提供一种颜色一致性装置，基于上述本发明颜色一致性装置第一实施例，所述误差模块30还用于，

获取所述第二图像采集设备采集的所述各色卡的样片，得到所述各色卡的颜色测量值；分别根据所述各色卡的颜色标准值和颜色测量值，训练得到所述各色卡的校正模型；获取所述第二图像采集设备采集的评估色卡照片，根据所述评估色卡照片和所述各色卡的校正模型，分别计算各色卡的颜色校正误差。

在获取各色卡后，误差模块30控制第二图像采集设备在相同的外界环境和配置参数下，分别对各色卡进行拍照，得到各色卡的样片。

然后，误差模块30将各色卡的样片映射到颜色空间中，得到各色块的颜色测量值。

由此，误差模块30得到各色卡的颜色测量值。其中，各色卡的颜色测量值包括色卡中各色块的颜色测量值。

在得到各色卡的颜色测量值后，误差模块30根据色卡中各色块的颜色测量值与色块的颜色标准值，训练得到各色卡的校正模型，各色卡的校正模型即为使图像的测量值回归到标准值所建立的模型。

由此，误差模块30得到各色卡的校正模型。

在得到各色卡的校正模型后，误差模块30根据各色卡的校正模型和评估色卡照片，分别计算各色卡的颜色校正误差。

其中，评估色卡为预先根据图像样本的颜色配置的，例如可以对图像样本的像素点进行聚类，根据得到的各聚类中心制作评估色卡。需要说明的是，评估色卡的色块数大于前述聚类得到的各色卡，也即包括了舌图像更多的颜色，从而对各色卡进行更精细的校正测试。

进一步的，作为一种实施方式，所述误差模块30还用于，

获取所述评估色卡的颜色标准值，和所述第二图像采集设备采集的所述评估色卡照片；分别根据所述各色卡的校正模型校正所述评估色卡照片，获取所述各色卡对应的所述评估色卡的颜色校正值；分别根据所述各色卡对应的所述评估色卡的颜色校正值，以及所述评估色卡的颜色标准值，计算所述各色卡的颜色校正误差。

评估色卡的颜色标准值包括了评估色卡中各色块的颜色标准值。其中，各色块的颜色标准值也即在制作评估色卡时，各聚类中心集的颜色值。

评估色卡的照片为第二图像采集设备采集的，第二图像采集设备拍摄评估色卡时的外界环境和配置参数与前述拍摄各色卡时保持一致。

在得到评估色卡照片后，误差模块30分别根据各色卡的校正模型校正评估色卡照片，得到各校正后的评估色卡图像。

然后，误差模块30将各校正后的评估色卡图像映射到色彩空间，得到评估色卡照片分别被各色卡校正后的颜色校正值，也即得到各色卡对应的评估色卡颜色校正值。

需要说明的是，各色卡对应的评估色卡颜色校正值包括校正后，评估色卡中色块的颜色校正值。

在得到各色卡对应的评估色卡颜色校正值后，误差模块30分别根据各色卡对应的评估色卡颜色校正值，以及评估色卡的颜色标准值，计算各色卡的颜色校正误差。具体的，可使用CIELAB1976算法或CIEDE2000算法进行计算。当然，还可以使用其他的色差计算方式。

在本实施例中，误差模块30根据第二图像采集设备采集的各色卡的样片，得到各色卡的颜色测量值，然后分别根据各色卡的颜色标准值和颜色测量值，训练得到各色卡的校正模型，得到的校正模式是基于第二图像采集设备的，更加贴合第二图像采集设备的实际应用场景。然后，根据第二图像采集设备采集的评估色卡照片，对各色卡进行颜色校正的测试，并计算得到各色卡的颜色校正误差，通过使用统一的、更加贴近实际应用需求的评估色卡，使得对各色卡的测试更加贴近实际的图像应用场景，测试结果也更加精确。

进一步的，参照图6，本发明颜色一致性装置第三实施例提供一种颜色一致性装置，基于上述本发明颜色一致性装置第一实施例或第二实施例，所述校正模块40还用于，

根据所述各色卡的颜色校正误差，筛选颜色校正误差满足预设标准值的色卡；从颜色校正误差满足所述标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡；基于所述校正色卡校正所述第二图像采集设备采集的图像。

本实施例预先配置有标准值，用于控制色卡的颜色校正误差。以预设的标准值为基准，

当色卡的颜色校正误差小于或等于标准值时，则校正模块40判定此色卡的颜色校正误差满足标准值，此色卡校正过的图像颜色与评估色卡的颜色一致，也即，此色卡校正过的图像颜色与第一图像采集设备采集的图像样本颜色一致；

当色卡的颜色校正误差大于标准值时，则校正模块40判定此色卡的颜色校正误差不满足标准值，此色卡校正过的图像颜色与评估色卡的颜色不一致，也即，此色卡校正过的图像颜色与第一图像采集设备采集的图像样本颜色不一致。

由此，校正模块40在得到各色卡的颜色校正误差后，根据预设的标准值，筛选得到颜色校正误差小于或等于标准值的色卡，作为颜色校正误差满足预设标准值的色卡。

在筛选得到颜色校正误差满足标准值的色卡后，校正模块40根据颜色校正误差值的大小，在颜色校正误差满足标准值的色卡中，选取颜色校正误差最小的色卡为校正色卡。

然后，基于得到的校正色卡，校正模块40校正第二图像采集设备采集的图像，使得经过校正的图像与第一图像采集设备采集的图像样本颜色具有一致性。

在本实施例中，通过预设的标准值，校正模块40去除了颜色校正误差过大、不能使图像颜色一致的色卡，筛选得到的色卡均为能够使不同的图像采集设备采集的图像经过校正颜色具有一致性的色卡。然后，校正模块40在得到的满足标准值的色卡中，选取颜色校正误差最小的色卡作为最终的校正色卡，校正第二图像采集设备采集的图像，颜色校正误差越小，校正后的图像与图像样本的颜色越一致，因此实现了色卡的最优选择，提高了颜色的一致性。

进一步的，参照图6，本发明颜色一致性装置第四实施例提供一种颜色一致性装置，基于上述本发明颜色一致性装置第一实施例、第二实施例或第三实施例，所述校正模块40还用于，

根据所述校正色卡的校正模型，校正所述第二图像采集设备采集的图像。

本实施例中，获取校正色卡后，校正模块40根据校正色卡的校正模型校正第二图像采集设备的图像。

具体的，在获取第二图像采集设备采集的图像后，校正模块40使图像的颜色采集值根据校正色卡的校正模型，回归为标准值，由此，校正后的图像颜色与色卡一致，也即与第一采集设备采集的图像样本一致。

在本实施例中，校正模块40通过校正色卡的校正模型，校正第二图像采集设备采集的图像，使校正后的图像与第一图像采集设备采集的图像样本颜色一致，实现了不同图像采集设备图像颜色的一致性。

以上仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。