白平衡处理的方法、装置和计算机设备与流程

本发明涉及图像处理技术，特别是涉及白平衡处理的方法、装置和计算机设备。

背景技术：

色温(Color Temperature)是表示光源光色的尺度，单位为K(开尔文)。人眼在任何色温下对最亮物体都鉴别为白色。而相机在不同色温下拍出的照片表现为不同的色彩，如D65光源下的照片偏蓝，而A光下的照片偏黄。室内的光源往往比较复杂，不论是白炽灯、荧光灯色温都不是十分标准。所以在室内拍摄人像往往会导致人物的肌肤色调不正常，偏黄或者偏蓝。

随着图像处理技术的发展，人们对图像的要求越来越高，通常对图像进行后期优化以使图片得到更好的视觉效果。自动白平衡(Automatic White Balance，AWB)被广泛用于包含人脸的肖像图片的处理。白平衡(White Balance，WB)的本质是让白色的物体在任何颜色的光源下都显示为白色。白平衡通过色彩校正使拍摄出的图像的色彩变成人眼看到的正常色彩。从感光芯片读取出来的照片称为原始图片，对原始图片进行自动白平衡色彩校正，达到白平衡效果。

但是在某些场景下，自动白平衡的效果还是与人眼看到的正常色彩存在差异，会出现色彩偏移的问题，用户体验不佳。

技术实现要素：

本发明实施例提供一种白平衡处理的方法、装置和计算机设备，可以更为精准对图像进行白平衡调节，提高了用户体验度。

一种白平衡处理的方法，包括：

对图像进行人脸识别，识别人脸区域以及除所述人脸区域之外的背景区域；

从所述人脸区域中获取参考区域，其中，所述参考区域为实物中的白色区域；

根据所述参考区域对整个图像进行白平衡处理；或者，根据所述参考区域对所述人脸区域进行白平衡处理；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。

一种白平衡处理的装置，包括：

人脸识别模块，用于识别人脸区域以及除人脸区域之外的背景区域；

获取模块，用于在所述人脸区域中获取参考区域，其中，所述参考区域为实物中的白色区域；

白平衡处理模块，用于根据所述参考区域对整个图像进行白平衡处理；或者，根据所述参考区域对所述人脸区域进行白平衡处理和根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。

一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

对图像进行人脸识别，获取人脸区域以及除人脸区域之外的背景区域；

在所述人脸区域中获取参考区域，其中，实物中所述参考区域反射到人眼的光线具有一定的亮度且所述光线中的蓝、绿、红三种色光的比例相同；

根据所述参考区域对整个图像进行白平衡处理；或者，根据所述参考区域对所述人脸区域进行白平衡处理；根据所述人脸区域确定背景区域，所述背景区域为除所述人脸区域以外的区域；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。

上述白平衡处理的方法相对于传统的自动白平衡方法，本发明实施例可以根据图像人脸区域中特定参考区域对图像进行白平衡处理，进而提高白平衡的准确度，提升用户体验。

附图说明

图1为一个实施例中终端的内部结构示意图；

图2为一个实施例中白平衡处理的方法的流程图；

图3为另一个实施例中白平衡处理的方法的流程图；

图4为一个实施例中在所述人脸区域中获取参考区域的流程图；

图5为一个实施例中根据所述参考区域对图像进行白平衡处理的流程图；

图6为一个实施例中根据所述背景区域对图像进行白平衡处理的流程图；

图7为一个实施例中白平衡处理的装置的结构框架图；

图8为一个实施例中白平衡处理的装置中获取模块的结构框架图；

图9为一个实施例中白平衡处理的装置中白平衡处理模块的结构框架图；

图10为一个实施例中计算机设备处理器执行计算机程序时实现的步骤的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一统计单元称为第二统计单元，且类似地，可将第二统计单元称为第一统计单元。第一统计单元和第二统计单元两者都是统计单元，但其不是同一统计单元。

图1为一个实施例中终端的内部结构示意图。如图1所示，该终端包括通过系统总线连接的处理器101、非易失性存储介质102、内存储器103、网络接口104、显示屏105、摄像头106、图像传感器107。其中，终端的非易失性存储介质存储有操作系统，还包括一种白平衡处理的装置108，该白平衡处理的装置108用于实现一种白平衡处理方法。该处理器101用于提供计算和控制能力，支撑整个终端的运行。终端中的内存储器103中可储存有计算机可读指令，该计算机可读指令被所述处理器101执行时，可使得所述处理器101执行一种白平衡处理方法。网络接口104用于与服务器进行网络通信，如发送新闻数据访问请求至服务器，接收服务器返回的新闻数据等。终端的显示屏105可以是液晶显示屏或者电子墨水显示屏等。该终端可以是手机、平板电脑、数码相机等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

如图2所示，在一个实施例中，提供了一种白平衡处理的方法，本实施例以该方法应用于上述图1中的终端来举例说明。该方法具体包括如下步骤：

步骤202，对图像进行人脸识别，获取人脸区域以及除人脸区域之外的背景区域。

对待处理的图像进行区域划分，可以通过各种人脸识别算法，识别人脸区域，图像中除人脸区域以外的区域定义为背景区域。

人脸识别方法可以基于主成分分析(principal component analysis，简称PCA)的人脸识别方法，从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。人脸识别方法还可以通过颜色分析进行肤色检测来定位人脸，利用面部皮肤的颜色特性建立一个新的颜色坐标系，通过从图像中分离出肤色来实现对脸部的定位。人脸识别方法还可以为变形模板类方法，用椭圆近似地表示头部轮廓，通过迭代求精。人脸识别方法还可以为采用Adaboost算法。优选的，在Adaboost算法中可以采用动态阀值，进一步加速人脸识别的速度。人脸识别算法还可以采用其他能够快速识别人脸区域的算法，本发明实施例中对人脸识别算法不作具体限定。

进一步地，对图像进行人脸识别，获取人脸区域以及除人脸区域之外的背景区域可以包括：对具有人脸的图像进行人脸识别，确定人脸对应的矩形框；在矩形框中提取人脸轮廓；将人脸轮廓作为所述人脸区域，图像中的其他区域作为背景区域。其中，在矩形框中提取人脸轮廓可以采用主动形状模型或者主动外观模型对人脸轮廓进行提取。

步骤204，在所述人脸区域中获取参考区域，其中，所述参考区域为实物中的白色区域。

通过人脸识别算法定位人脸区域中的参考区域。参考区域可以理解为实物中，人眼所见到的白色区域，或可以理解为眼睛所见到的真人人脸中的白色区域。因为白色是指反射到人眼中的光线由于蓝、绿、红三种色光比例相同且具有一定的亮度所形成的视觉反应，实物中的白色不含有色彩成份的亮度。参考区域可以为眼睛的眼白区域，也可以为牙齿区域。

步骤206，根据所述参考区域对整个图像进行白平衡处理。

根据参考区域(眼白区域或牙齿区域)的红绿蓝RGB向量对整个图像进行白平衡处理。

在一个实施例中，参考图3，也可以用步骤208来代替步骤206。步骤208，根据所述参考区域对所述人脸区域进行白平衡处理；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。也就是，根据所述参考区域的颜色向量对所述人脸区域进行白平衡处理；同时，根据所述背景区域的颜色向量对所述除人脸区域以外的区域进行白平衡处理。

相对于传统的根据整幅图像的颜色向量来对整幅图像进行自动白平衡处理，本发明实施例中白平衡处理的方法，通过人脸识别，识别人脸区域和除人脸区域外的背景区域，同时，还可以在人脸区域中定位出参考区域，根据特定的参考区域对整个图像进行自动白平衡处理，或者根据特定的参考区域对人脸区域进行自动白平衡处理，以及根据背景区域对整幅图像中出人脸区域外的区域进行白平衡处理，进而提高白平衡的准确度，提升用户体验。

在一个实施例中，参考图4，步骤204，从所述人脸区域中获取参考区域，包括：

步骤402，在所述人脸区域定位眼睛区域。

根据人脸识别方法识别出人脸区域后，在对人脸区域内的眼睛进行识别或定位。人眼的识别有边缘特征分析法、Hough变换法和变形模板法等。人眼的识别还可以使用中值滤波和直方图均衡方法去除噪声和光照对图像的影响后，将图像做积分投影以缩小到人脸的眼部区域，在得到的眉眼区域中再做一次水平积分投影，找到两眼的垂直位置。最后利用人眼模板沿着该垂直方向进行匹配程度最高的部分即为要定位的人眼区域。本发明实施例中对人眼识别方法不作具体限定。

步骤404，从所述眼睛区域中提取眼白区域并定义所述眼白区域为参考区域。

根据步骤402定位或识别眼睛区域。眼睛区域包括眼白，瞳孔，部份眼睑，从眼睛区域中提取出眼白区域，并将眼白区域定义为参考区域。

在正常情况下，人眼的眼白是白色的。从色彩构成上来说，可以认为眼白部分红绿蓝RGB颜色分量的比值为1:1:1。将眼白区域定义为参考区域，将参考区域红绿蓝RGB颜色分量还原为正常情况下人眼眼白的颜色，进而实现对人脸区域或者整幅图进行自动白平处理。

提取眼白区域时，单独计算眼睛区域的亮度直方图，根据亮度直方图定位眼白区域。

在一个实施例中，从所述眼睛区域中提取眼白区域并定义所述眼白区域为参考区域的步骤具体包括：

获取所述眼睛区域的各个像素点的亮度值；根据所述眼睛区域的各个像素点的亮度值获取所述眼睛区域的亮度均值；提取眼白区域，选取眼睛区域中像素点亮度大于亮度均值的区域定义为眼白区域，也就是，所述眼白区域的像素点的亮度大于亮度均值。

在一个实施例中，步骤204，在所述人脸区域中获取参考区域，还可以为：

在所述人脸区域，定位并提取牙齿区域并定义所述牙齿区域为参考区域。根据人脸识别方法识别出人脸区域后，在对人脸区域内的牙齿进行识别或定位。

在正常情况下，牙齿也是白色的。从色彩构成上来说，可以认为牙齿部分红绿蓝RGB颜色分量的比值为1:1:1。将牙齿区域定义为参考区域，将参考区域红绿蓝RGB颜色分量还原为正常情况下人眼眼白的颜色，进而实现对人脸区域或者整幅图进行自动白平处理。

在一个实施例中，图像中通过人脸识别的方法，同时识别出眼白区域和牙齿区域，优先定义眼白区域为参考区域，以眼白区域为参考对整幅图像或人脸区域进行白平衡处理。在一个实施例中，还可以综合考虑眼白区域和牙齿区域红绿蓝RGB颜色向量的权重，定义眼白区域和牙齿区域为参考区域，进而对整幅图像或人脸区域进行白平衡处理。

在一个实施例中，参考图5，步骤206，根据所述参考区域对整个图像进行白平衡处理，包括：

步骤502，统计参考区域所有像素点的红绿蓝RGB颜色分量均值或最大值。

提起参考区域所有像素点的颜色分量，每个像素点的颜色由红Red，绿Green，蓝Blue三个原色分量来表示。对参考区域所有像素点的红绿蓝RGB颜色分量取平均值，得到参考区域的红绿蓝RGB颜色分量均值或者，选取参考区域所有像素点的红绿蓝RGB颜色分量的最大值，得到参考区域的红绿蓝RGB颜色分量最大值(R_max、G_max、B_max)。

步骤504，根据所述红绿蓝RGB颜色分量均值或最大值计算红R通道和蓝B通道的校正调节因子。

白平衡处理输入的数据为(红色，蓝色)的二维向量，绿色为基准色，无需参与白平衡。

在一个实例中，根据参考区域对应的红绿蓝RGB颜色分量均值计算红R通道和蓝B通道的校正调节因子。其中，红R通道校正调节因子K_R为绿通道分量均值除以参考区域所有红R通道分量R的商值。蓝B通道校正调节因子K_B为绿通道分量均值除以参考区域所有蓝B通道分量B的商值。

在一个实例中，根据参考区域对应的红绿蓝RGB颜色分量最大值(R_max、G_max、B_max)计算红R通道和蓝B通道的校正调节因子。其中，红R通道校正调节因子l_R为绿通道分量最大值除以所述参考区域红通道最大值的商值。蓝B通道校正调节因子l_B为绿通道分量最大值除以所述参考区域蓝通道最大值的商值。

步骤506，根据所述红R通道和蓝B通道的校正调节因子对整个图像进行白平衡处理。

将步骤504计算的红R通道和蓝B通道的校正调节因子带入到相应的白平衡处理模型中，实现对整幅图像或人脸区域进行白平衡处理，实现快速对人脸区域进行白平衡，提高白平衡效率。

在其他实施例中，根据所述参考区域对整个图像进行白平衡处理时，其白平衡处理方法还可以为简单灰度世界算法(GW)和全完美反射算法(PR)正交组合算法(QCGP)、标准差加权的灰度世界算法(SDWGW)、亮度加权的灰度世界算法(LWGW)、标准差亮度灰度世界算法(SDLWGW)以及亮度加权灰度世界算法与全完美反射算法(PR)正交组合算法(QCLWG P)等等。

在一个实施例中，步骤208，根据所述参考区域对所述人脸区域进行白平衡处理；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理，包括：

按照步骤502至步骤506，根据参考区域对人脸区域进行白平衡处理后，再根据背景区域对所述除人脸区域以外的区域进行白平衡处理。

其中，根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理，参考图6，包括：

步骤602，统计背景区域所有像素点的红绿蓝RGB颜色分量均值或最大值。

提起背景区域所有像素点的颜色分量，每个像素点的颜色由红Red，绿Green，蓝Blue三个原色分量来表示。对背景区域所有像素点的红绿蓝RGB颜色分量取平均值，得到参考区域的红绿蓝RGB颜色分量均值或者，选取背景区域所有像素点的红绿蓝RGB颜色分量的最大值，得到参考区域的红绿蓝RGB颜色分量最大值(R_max、G_max、B_max)。

步骤604，根据所述红绿蓝RGB颜色分量均值或最大值计算红R通道和蓝B通道的校正调节因子。

白平衡处理输入的数据为(红色，蓝色)的二维向量，绿色为基准色，无需参与白平衡。

在一个实例中，根据参考区域对应的红绿蓝RGB颜色分量均值计算红R通道和蓝B通道的校正调节因子。其中，红R通道校正调节因子K_R为绿通道分量均值除以参考区域所有红R通道分量R的商值。蓝B通道校正调节因子K_B为绿通道分量均值除以参考区域所有蓝B通道分量B的商值。

在一个实例中，根据参考区域对应的红绿蓝RGB颜色分量最大值(R_max、G_max、B_max)计算红R通道和蓝B通道的校正调节因子。其中，红R通道校正调节因子l_R为绿通道分量最大值除以所述参考区域红通道最大值的商值。蓝B通道校正调节因子l_B为绿通道分量最大值除以所述参考区域蓝通道最大值的商值。

步骤606，根据所述红R通道和蓝B通道的校正调节因子对背景区域图像进行白平衡处理。

将步骤604计算的背景区域对应的红R通道和蓝B通道的校正调节因子带入到相应的白平衡处理模型中，实现对背景区域进行白平衡处理，实现快速对图像中除人脸区域外的头发、环境进行白平衡，提高白平衡的准确度，缩小了图像与真实场景的差异，能够更准确的进行白平衡处理，提升用户体验。

图7为一个实施例中白平衡处理的装置的结构框图。如图8所示，一种白平衡处理的装置，包括：

人脸识别模块710，用于识别人脸区域以及除人脸区域之外的背景区域；

获取模块720，用于在所述人脸区域中获取参考区域，其中，所述参考区域为实物中的白色区域；

白平衡处理模块730，用于根据所述参考区域对整个图像进行白平衡处理；或者，根据所述参考区域对所述人脸区域进行白平衡处理和根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。

上述白平衡处理的装置，在对图像进行白平衡处理时，可以对图像中的人脸进行识别，识别人脸区域以及除人脸区域之外的背景区域。在所述人脸区域中获取参考区域，根据所述参考区域对整个图像进行白平衡处理。或者，根据所述参考区域对所述人脸区域进行白平衡处理；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。本发明实施例根据图像人脸区域中特定参考区域对图像进行白平衡处理，进而提高白平衡的准确度，提升用户体验。

在一个实施例中，人脸识别模块710能够对待处理的图像进行区域划分，可以通过各种人脸识别算法，识别人脸区域，图像中除人脸区域以外的区域定义为背景区域。人脸识别模块710可以基于主成分分析(principal component analysis，简称PCA)的人脸识别方法，从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。人脸识别模块710还可以通过颜色分析进行肤色检测来定位人脸，利用面部皮肤的颜色特性建立一个新的颜色坐标系，通过从图像中分离出肤色来实现对脸部的定位。人脸识别模块710还可以为变形模板类方法，用椭圆近似地表示头部轮廓，通过迭代求精。人脸识别模块710还可以采用其他能够快速识别人脸区域的算法，本发明实施例中对人脸识别算法不作具体限定。

在一个实施例中，获取模块720能够从人脸识别模块710中获取参考区域。参考区域可以为眼睛的眼白区域，也可以为牙齿区域。参考区域可以理解为实物中人眼所见到的白色区域，或可以理解为眼睛所见到的真人人脸中的白色区域。因为白色是指反射到人眼中的光线由于蓝、绿、红三种色光比例相同且具有一定的亮度所形成的视觉反应，实物中的白色不含有色彩成份的亮度。

在一个实施例中，参考图8，所述获取模块720包括定位单元721和提取单元723。其中，定位单元721，用于定位人脸区域内的眼睛区域或牙齿区域。提取单元723，用于提取所述眼睛区域内的眼白区域或用于提取所述牙齿区域。

通过定位单元721和提取单元723，可以从人脸区域中识别眼睛区域或牙齿区域，再通过提取单元723可以从眼睛区域或牙齿区域提取参考区域，其中，参考区域可以为眼白区域，也可以为牙齿区域。

在一个实施例中，获取模块720还包括计算单元725和选取单元727。其中，计算单元725，用于计算所述眼睛区域的各个像素点的亮度值获取所述眼睛区域的亮度均值。选取单元727，用于选取眼睛区域亮度大于所述亮度均值的像素点，选取的像素点的集合为眼白区域。

在提取眼白的过程中，通过计算单元725计算眼睛区域的亮度直方图。根据亮度直方图，获取眼睛区域的亮度均值。通过选取单元727，选取眼睛区域亮度大于所述亮度均值的像素点，选取的像素点的集合为眼白区域。

在一个实施例中，参考图9，所述白平衡处理模块730包括第一统计单元731、第一增益校正因子获取单元732和第一校正单元733。其中，第一统计单元731，用于统计参考区域所有像素点的红绿蓝RGB颜色分量均值或最大值。第一增益校正因子获取单元732，用于根据所述参考区域红绿蓝RGB颜色分量均值或最大值计算红R通道和蓝B通道的校正调节因子。第一校正单元733，用于根据所述参考区域红R通道和蓝B通道的校正调节因子对整个图像进行白平衡处理。第一校正单元733根据第一增益校正因子获取单元732，获取的参考区域对应的红R通道和蓝B通道的校正调节因子，实现对整幅图像或人脸区域进行白平衡处理，实现快速对人脸区域进行白平衡，提高白平衡效率。

在一个实施例中，所述白平衡处理模块730还包括第二统计单元736、第二增益校正因子获取单元737和第二校正单元738。其中，第二统计单元736，用于统计背景区域所有像素点的红绿蓝RGB颜色分量均值或最大值。第二增益校正因子获取单元737，用于根据所述背景区域对应的红绿蓝RGB颜色分量均值或最大值计算红R通道和蓝B通道的校正调节因子。第二校正单元738，用于根据所述背景区域对应的红R通道和蓝B通道的校正调节因子对背景区域图像进行白平衡处理。第二校正单元738根据第二增益校正因子获取单元737获取的背景区域红R通道和蓝B通道的校正调节因子，对背景区域进行白平衡处理，实现快速对图像中除人脸区域外的头发、环境进行白平衡，提高白平衡的准确度，缩小了图像与真实场景的差异，能够更准确的进行白平衡处理，提升用户体验。

上述白平衡处理的装置中各个模块的划分仅用于举例说明，在其他实施例中，可将白平衡处理的装置按照需要划分为不同的模块，以完成上述白平衡处理的装置的全部或部分功能。

图10为一个实施例中计算机设备处理器执行计算机程序时实现的步骤的流程图。如图10所示，一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序(指令)，处理器执行程序时实现以下步骤：

步骤1002，对图像进行人脸识别，获取人脸区域以及除人脸区域之外的背景区域。

对待处理的图像进行区域划分，可以通过各种人脸识别算法，识别人脸区域，图像中除人脸区域以外的区域定义为背景区域。

人脸识别方法可以基于主成分分析(principal component analysis，简称PCA)的人脸识别方法，从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。人脸识别方法还可以通过颜色分析进行肤色检测来定位人脸，利用面部皮肤的颜色特性建立一个新的颜色坐标系，通过从图像中分离出肤色来实现对脸部的定位。人脸识别方法还可以为变形模板类方法，用椭圆近似地表示头部轮廓，通过迭代求精。人脸识别方法还可以为采用Adaboost算法。优选的，在Adaboost算法中可以采用动态阀值，进一步加速人脸识别的速度。人脸识别算法还可以采用其他能够快速识别人脸区域的算法，本发明实施例中对人脸识别算法不作具体限定。

进一步地，对图像进行人脸识别，获取人脸区域以及除人脸区域之外的背景区域可以包括：对具有人脸的图像进行人脸识别，确定人脸对应的矩形框；在矩形框中提取人脸轮廓；将人脸轮廓作为所述人脸区域，图像中的其他区域作为背景区域。其中，在矩形框中提取人脸轮廓可以采用主动形状模型或者主动外观模型对人脸轮廓进行提取。

步骤1004，在所述人脸区域中获取参考区域，其中，实物中的所述参考区域反射到人眼的光线具有一定的亮度且所述光线中的蓝、绿、红三种色光的比例相同。

通过人脸识别算法定位人脸区域中的参考区域。参考区域可以为眼睛的眼白区域，也可以为牙齿区域。参考区域可以理解为实物中人眼所见到的白色区域，或可以理解为眼睛所见到的真人人脸中的白色区域。因为白色是指反射到人眼中的光线由于蓝、绿、红三种色光比例相同且具有一定的亮度所形成的视觉反应，实物中的白色不含有色彩成份的亮度。

步骤1006，根据所述参考区域对整个图像进行白平衡处理。或根据所述参考区域对所述人脸区域进行白平衡处理；根据所述背景区域对所述除人脸区域以外的区域进行白平衡处理。

根据参考区域(眼白区域或牙齿区域)的红绿蓝RGB向量对整个图像进行白平衡处理。或者，根据所述参考区域的颜色向量对所述人脸区域进行白平衡处理；同时，根据所述背景区域的颜色向量对所述除人脸区域以外的区域进行白平衡处理。

上述计算机设备中处理器在执行程序时，通过人脸识别，识别人脸区域和除人脸区域外的背景区域，同时，还可以在人脸区域中定位出参考区域，根据特定的参考区域对整个图像进行自动白平衡处理，或者根据特定的参考区域对人脸区域进行自动白平衡处理，以及根据背景区域对整幅图像中出人脸区域外的区域进行白平衡处理，进而提高白平衡的准确度，提升用户体验。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。