图像色彩校正方法、装置、存储介质和计算机设备与流程

本发明涉及图像处理技术领域，特别是涉及一种图像色彩校正方法、装置、存储介质和计算机设备。

背景技术：

考虑到人眼的光谱响应和相机图像传感器以及显示器的光谱响应不同，为了更好地对图像进行色彩还原，在实际的相机图像处理流程中，加入了色彩校正功能。在对图像进行色彩校正时，需要使用典型色温下的色彩校正矩阵，通过对每个像素的色彩值乘以该色彩校正矩阵，以补偿摄像机图像传感器的光谱灵敏度和人类视觉系统的光谱响应的差异，从而使图像数据更接近人类眼睛实际所看到的场景。所以如何计算出对图像的色彩还原度较高的色彩校正矩阵就显得尤为重要，然而传统的计算色彩校正矩阵的方法极易陷入局部最优，使得校正后的色彩与目标色差较大，色彩还原度较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高图像色彩还原度的图像色彩校正方法、装置、存储介质和计算机设备。

一种图像色彩校正方法，所述方法包括：

采集标准色卡的原始图像；

获取所述原始图像中的像素，根据粒子群算法对所述像素进行计算得到所述原始图像的最优色彩校正矩阵；

将所述最优色彩校正矩阵导入预设图像处理流程中；

按照所述预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用所述最优色彩校正矩阵对所述采集到的图像进行色彩校正，生成标准色卡图像。

在其中一个实施例中，在获取所述原始图像中的像素的步骤之前，还包括：

对所述原始图像进行白平衡处理和去马赛克处理。

在其中一个实施例中，在所述生成标准色卡图像的步骤之后，还包括：

对所述标准色卡图像进行色彩还原准确性分析，若分析出所述色彩还原准确性满足预设条件，则图像色彩校正通过。

在其中一个实施例中，在所述对所述标准色卡图像进行色彩还原准确性分析之后，还包括：

对所述标准色卡图像进行色彩还原准确性分析，若分析出所述色彩还原准确性不满足预设条件，则再次获取原始图像的像素，根据粒子群算法对所述像素进行计算得到所述原始图像的最优色彩校正矩阵；将所述最优色彩校正矩阵导入预设图像处理流程中；按照所述预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用所述最优色彩校正矩阵对所述采集到的图像进行色彩校正，生成标准色卡图像；对所述标准色卡图像进行色彩还原准确性分析，直到分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在其中一个实施例中，所述获取所述原始图像中的像素，根据粒子群算法对所述像素进行计算得到所述原始图像的最优色彩校正矩阵，包括：

获取所述原始图像中的像素；

将所述原始图像中的像素从rgb颜色空间转换至cie颜色空间；

设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置；

将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值；

当所述粒子的色差中的最大值小于设定阈值，则获取所述粒子的色差均值，判断所述色差均值是否为自身历史最佳，若是则将所述粒子的当前位置更新为自身历史最佳位置；

从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将所述粒子的自身历史最佳位置更新为本轮的全局历史最佳位置；

根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新；

将所述更新后的粒子的速度和位置作为相邻的下一回的初始速度和初始位置进行迭代计算每个粒子的色差和色差均值，若判断获取的所述粒子的色差均值为自身历史最佳，则将所述粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将所述粒子的自身历史最佳位置更新为本轮的全局历史最佳位置，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为所述原始图像的最优色彩校正矩阵。

在其中一个实施例中，在通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值之后，还包括：

当所述粒子的色差中的最大值大于设定阈值，则从粒子群中剔除所述粒子；

随机产生新的粒子替代所述粒子，为所述新的粒子设置初始速度及初始位置，返回根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新的步骤。

在其中一个实施例中，所述预设图像处理流程包括：

从图像传感器获取标准色卡的原始图像；

对所述原始图像进行白平衡及去马赛克处理；

对经过白平衡及去马赛克处理后的图像进行色彩校正；

对经过色彩校正后的图像进行锐化及降噪；

将经过锐化及降噪后的图像输出。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

采集标准色卡的原始图像；

获取所述原始图像中的像素，根据粒子群算法对所述像素进行计算得到所述原始图像的最优色彩校正矩阵；

将所述最优色彩校正矩阵导入预设图像处理流程中；

按照所述预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用所述最优色彩校正矩阵对所述采集到的图像进行色彩校正，生成标准色卡图像。

一种计算机设备，所述计算机设备包括存储器，处理器及存储在所述存储器上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以下步骤：

采集标准色卡的原始图像；

获取所述原始图像中的像素，根据粒子群算法对所述像素进行计算得到所述原始图像的最优色彩校正矩阵；

将所述最优色彩校正矩阵导入预设图像处理流程中；

按照所述预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用所述最优色彩校正矩阵对所述采集到的图像进行色彩校正，生成标准色卡图像。

上述图像色彩校正方法、装置、存储介质和计算机设备，首先采集标准色卡的原始图像，获取经原始图像中的像素，再根据粒子群算法进行计算原始图像的最优色彩校正矩阵，将计算出的最优色彩校正矩阵导入图像处理流程中。按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。本发明采用粒子群算法来计算原始图像的最优色彩校正矩阵，不受色差评估函数可导性约束，容易获取全局最优解，使相机的色彩还原更精准。

附图说明

图1为一个实施例中图像色彩校正方法的流程图；

图2为一个实施例中图像色彩校正方法的流程图；

图3为一个实施例中计算最优色彩校正矩阵的流程图；

图4为一个实施例中计算最优色彩校正矩阵的流程图；

图5为一个实施例中预设图像处理流程图；

图6为一个实施例中图像色彩校正装置的结构示意图；

图7为一个实施例中图像色彩校正装置的结构示意图；

图8为一个实施例中图像色彩校正装置的结构示意图；

图9为图7中最优色彩校正矩阵计算模块的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

在一个实施例中，如图1所示，提供了一种图像色彩校正方法，包括：

步骤110，采集标准色卡的原始图像。

标准色卡是色彩的标准语言。本实施例可使用gretagmacbeth美国麦克贝斯生产的标准24色卡，包含24个颜色不同的色块。用图像传感器采集标准色卡的raw数据。raw数据就是cmos(complementarymetaloxidesemiconductor，互补金属氧化物半导体)或者ccd(charge-coupleddevice，电荷耦合元件)图像感应器将捕捉到的光源信号转化为数字信号的原始数据。raw数据是一种记录了数码相机传感器的原始信息，同时记录了由相机拍摄所产生的一些原始数据。

在预设条件下采集标准色卡的原始图像。具体的，预设条件为在cie(commissioninternationaledel'eclairage，国际照明委员会)标准光源中的a光源、d50、d75环境中，将gretagmacbeth生产的标准24色卡置于其中，保证照度图卡边角及中心照度在750lux±10lux之间，四周环镜全黑或中性灰，无杂光干扰。相机采集raw数据时图卡要位于画面中心，正对相机光轴，占比约为60％，设置成手动曝光，增益尽可能小，同时确保raw中色卡最亮的白块g分量的值不超过200。

步骤120，获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵。

在一个实施例中，可对获取的raw数据中的各个色块的r、g、b分量进行统计，得到的r、g、b分量组成的像素矩阵如下(例如第2个色块的r、g、b分量对应于rpre2，gpre2，bpre2):

经过色彩校正矩阵线性变换后得到新的像素矩阵ppost。例如，色彩校正矩阵如下所示：

则新的像素矩阵ppost可如下式所示：

假设被拍摄的图卡各色块像素理想值组成的矩阵如下：

为了使相机经过色彩校正后色彩还原准确，就需要找到最优色彩校正矩阵a，使像素矩阵ppost与理想像素矩阵pidea逼近，即

粒子群算法的思想来源于鸟类群体寻找食物的过程中涌现的聚散现象，以及社会心理学中“每个个体都能从自身以往好的经验中学习，并通过学习周围的优秀个体进步”的理论。根据多个初始解之间的协同作用，来实现寻找全局最优解的一种智能优化算法。

步骤130，将最优色彩校正矩阵导入预设图像处理流程中。

将经过粒子群算法计算出的最优色彩校正矩阵导入相机的预设图像处理流程中，具体导入预设图像处理流程中的色彩校正部分中。通过最优色彩校正矩阵对图像进行色彩校正。

步骤140，按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。

相机的预设图像处理流程，需要先重新采集标准色卡的图像，再对采集的标准色卡的图像进行处理，最终生成标准色卡图像。在这个处理过程中，利用最优色彩校正矩阵对采集到的图像进行色彩校正。

本实施例中，首先采集标准色卡的原始图像，获取经原始图像中的像素，再根据粒子群算法进行计算原始图像的最优色彩校正矩阵，将计算出的最优色彩校正矩阵导入图像处理流程中。按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。本发明采用粒子群算法来计算原始图像的最优色彩校正矩阵，不受色差评估函数可导性约束，容易获取全局最优解，使相机的色彩还原更精准。

在一个实施例中，在获取原始图像中的像素的步骤之前，还包括：对原始图像进行白平衡处理和去马赛克处理。

在本实施例中，用图像传感器采集标准色卡的raw数据。raw数据就是cmos或者ccd图像感应器将捕捉到的光源信号转化为数字信号的原始数据。raw数据是未经处理、也未经压缩的，可以把raw概念化为“原始图像编码数据”或更形象的称为“数字底片”。根据人眼的色彩恒常特性，即人眼在不同色温下看到白色物体始终认为它是白色的。因此对采集的标准色卡raw数据，要首先做白平衡修正，使得色卡中白块还原成白色。根据相机传感器上彩色滤波阵列排列顺序，去马赛克还原成jpeg图像，便于做色彩校正。jpeg是jointphotographicexpertsgroup(联合图像专家小组)的缩写，是第一个国际图像压缩标准。

在一个实施例中，在生成标准色卡图像的步骤之后，还包括：对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在本实施例中，为了检验经过粒子群算法计算出的最优色彩校正矩阵是否达标，就对经过最优色彩校正矩阵进行色彩校正后生成的图像进行色彩还原准确性分析。具体的，生成的一般为jpeg(jointphotographicexpertsgroup)格式的图片。利用软件分析色彩还原的准确性，具体的可以采用imatest软件来分析，imatest是一款成熟的图像分析软件，它可以输出可视化的图像结果，比较直观。当然我们也可以采用其他软件进行色彩还原准确性分析。预设条件指的是色差的阈值，一般目前没有统一认可的标准，它也受到图像传感器、镜头本身、滤光片等多种因素影响，一般是希望越小越好，比如我们自己一般定的标准是色差δe00要小于阈值5，但并不是所有相机都能达到这个要求，这要根据相机本身的特性来定。

在一个实施例中，在对标准色卡图像进行色彩还原准确性分析之后，还包括：

对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性不满足预设条件，则再次获取原始图像的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵；将最优色彩校正矩阵导入预设图像处理流程中；按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像；对标准色卡图像进行色彩还原准确性分析，直到分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，请参阅图2所示，在对相机的色彩进行校正时候包含以下步骤：

步骤210，在预设条件下采集标准色卡的原始图像即raw数据。

步骤220，对原始图像进行白平衡处理和去马赛克处理。

步骤230，获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵。

步骤240，将最优色彩校正矩阵导入预设图像处理流程中。

步骤250，按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。

步骤260，对标准色卡图像进行色彩还原准确性分析，分析出色彩还原准确性是否满足预设条件。

若满足条件，则本次色彩校正完成。若不满足条件，则本次色彩校正失败，返回步骤230获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵。

为对标准色卡图像进行色彩还原准确性分析，判断分析出的色差还原准确性是否满足预设条件，若判断结果为满足，则图像色彩校正通过。当本次使用粒子群算法计算出的最优色彩校正矩阵对图像进行色彩校正的结果不能满足预设条件时，则返回步骤230进行循环，再次使用粒子群算法计算出原始图像的最优色彩校正矩阵，再将计算所得的最优色彩校正矩阵导入预设图像处理流程中，用计算出的最优色彩校正矩阵对原始图像进行色彩校正，并判断此次色彩校正的结果是否满足预设条件。若不满足，则继续循环计算直到满足预设条件，则图像色彩校正通过。若判断结果为满足，则图像色彩校正通过。即最终获得的色彩校正矩阵为最优色彩校正矩阵。利用循环可以不断优化计算出的最优色彩校正矩阵，从而最终获得最优色彩校正矩阵。

在一个实施例中，如图3所示，获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵，包括：

步骤121，获取原始图像中的像素，将原始图像中的像素从rgb颜色空间转换至cie颜色空间。

在一个实施例中，可将原始图像中的像素从rgb颜色空间先转换至xyz颜色空间，再转换至cie颜色空间。rgb色域空间并非均匀的色彩空间，即人眼对于不同波长段的光敏锐度不一样，在rgb色度图上不同区域上，最小可辨色差的几何半径差异较大。因此rgb空间内不适用于评价最优解与理想解之间的逼近程度。国际照明委员会(cie)于1976提出了一个适合人眼特性的cie颜色空间，它可以由rgb间接转换，如下式所示：

上式中，x、y、z为颜色样品的三刺激值；x0、y0、z0为cie标准照明体的三刺激值；l为心理计量明度，a、b为心理计算色度。xyz色度坐标可由rgb转换而来，如下式所示：

在cie颜色空间中，评价色差有1976年、1994年和2000年分别提出的三个色差计算公式，相对而言ciede2000的计算式更复杂，但也更精准，例如色差公式可为如下所示。

上式中，kl、kc、kh表权重因子，跟应用行业有关，一般取kl＝1.4，kc＝kh＝1；sl、sc、sh表示色彩容差椭圆半轴长度；δl^*表示明度差，δc^*表示彩度差，δh^*表示色相角差，rc表示色相角权重。

步骤122，设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置。

设置粒子群的总数量为n，粒子群中每个粒子的初始速度都为0，设置第i个粒子的初始位置为：[ai1ai2ai3ai4ai5ai6ai7ai8ai9]。

步骤123，将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值。

色差(chromaticaberration；chromaticaberration)是指色彩偏差，表示图像中的色彩与实际色彩的偏离程度。结合上述公式(3)、(4)、(6)、(7)、(8)计算每个粒子的色差和每个粒子的色差均值。因为标准色卡，包含24个颜色不同的色块，所以通过粒子群算法公式计算出的每个粒子的色差有24个值，每个色块对应一个色差值。再计算每个粒子的24个色差值的平均值，即获得了每个粒子的色差均值。

步骤124，当粒子的色差中的最大值小于设定阈值，则获取粒子的色差均值，判断色差均值是否为自身历史最佳，若是则将粒子的当前位置更新为自身历史最佳位置。

设置最大色差阈值δe00max为ζ作为约束条件，例如，根据经验设置ζ为10，若特定的情况下难以满足约束条件，可以适当放宽。判断粒子群中的每个粒子24个色差值中的最大值是否小于最大色差阈值δe00max，当粒子的色差中的最大值小于最大色差阈值δe00max，则获取该粒子的色差均值，判断色差均值是否为自身历史最佳，若是则将粒子的当前位置更新为自身历史最佳位置。

步骤125，从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置。

步骤126，根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新。

例如，粒子速度更新公式可为如下所示：

vid(k+1)＝vid(k)+c1·rand()(pid(k)-xid(k))+c2·rand()(pgd(k)-xid(k))(9)

其中，vid(k+1)表示第i个粒子的d维变量迭代到第k+1次时的速度更新计算式，c1和c2为控制常数，rand()表示0到1之间均匀分布的随机数，pid(k)表示第i个粒子的d维变量的历史最优位置，pgd(k)表示所有粒子中第d维变量的历史最优位置。

例如，粒子位置更新公式可为如下所示：

xid(k+1)＝xid(k)+vid(k+1)(10)

其中，xid(k+1)表示第i个粒子的d维变量迭代到第k+1次时的位置。

根据(9)、(10)式，将公式(2)中矩阵a看做成一个9维变量组成的向量，结合粒子群算法的演化公式，寻找矩阵a的最优解。

步骤127，将更新后的粒子的速度和位置作为相邻的下一回的初始速度和初始位置进行迭代计算每个粒子的色差和色差均值，若判断获取的粒子的色差均值为自身历史最佳，则将粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为原始图像的最优色彩校正矩阵。

在本实施例中，将原始图像中的像素从rgb颜色空间先转换至xyz颜色空间，再转换至cie颜色空间。基于粒子群优化算法，用更精准的ciede2000色差计算公式来计算每一个粒子的色差。并为色差设置了阈值作为约束条件，从而剔除不符合该约束条件的粒子，只留下符合条件的粒子。判断获取的粒子的色差均值为自身历史最佳，则将粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置。且对粒子的速度和位置进行更新，将更新后的粒子的速度和位置作为相邻的下一回计算每个粒子的色差均值的初始速度和初始位置进行迭代计算，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为原始图像的最优色彩校正矩阵。经过预设迭代次数的迭代计算，能够获取到更加准确的最优色彩校正矩阵。这种方法可以找到色彩校正矩阵的全局最优解，不易陷入局部最优。

在一个实施例中，在通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值之后，还包括：当粒子的色差中的最大值大于设定阈值，则从粒子群中剔除粒子。随机产生新的粒子替代粒子，为新的粒子设置初始速度及初始位置，返回根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新的步骤。

如图4所示，本实施例中，计算最优色彩校正矩阵的具体过程包括：

步骤401，获取原始图像中的像素，将原始图像中的像素从rgb颜色空间转换至cie颜色空间。

步骤402，设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置。

步骤403，将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值。

步骤404，判断每个粒子色差的最大值是否小于最大色差阈值，且白平衡偏差是否小于阈值。

设置约束条件，其中一个条件是最大色差，另一个条件是白平衡偏差。具体的，设置最大色差阈值δe00max为ζ，判断粒子群中的每个粒子24个色差值中的最大值是否小于最大色差阈值δe00max，当粒子的色差中的最大值大于最大色差阈值δe00max，则从粒子群中剔除粒子。当然，可以设置最大白平衡偏差为s，例如，一般情况下s为0.05，当粒子的白平衡偏差小于s，则该粒子就为满足约束条件的粒子，就获取该粒子的色差均值，作为当前粒子的自身历史最小色差值。引入白平衡偏差约束来确保对图像进行色彩校正后白平衡的准确性。

步骤405，当判断出粒子不满足粒子的色差中的最大值小于最大色差阈值且白平衡偏差小于阈值，则剔除该粒子，并随机产生新的粒子替代当前粒子，为新的粒子设置初始速度及初始位置。并将随机产生的新的粒子加入离子群中一起进行速度和位置的更新，从而再返回至计算色差和色差均值的步骤进行循环。

步骤406，当判断出粒子的色差中的最大值小于最大色差阈值且白平衡偏差小于阈值，则获取这些粒子的当前色差均值。判断色差均值是否为自身历史最佳，具体为分别判断每个粒子当前色差均值是否小于前面每一轮分别计算出的该粒子的历史色差均值。如果计算出粒子当前色差均值小于之前的历史色差均值，则更新将粒子的当前位置更新为自身历史最佳位置。从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置。

步骤407，判断迭代次数是否达到迭代阈值。

步骤408，若判断出迭代次数未达到迭代阈值，则根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新。然后返回步骤403，将cie颜色空间的像素、粒子群中更新后的每个粒子的速度及位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值。

若判断出迭代次数达到迭代阈值，则输出从所有的粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为最终的全局历史最佳位置。将该全局历史最佳位置转化为3×3矩阵，该矩阵即为原始图像的最优色彩校正矩阵。

在一个实施例中，如图5所示，预设图像处理流程包括：

步骤510，从图像传感器获取标准色卡的原始图像。

步骤520，对原始图像进行白平衡及去马赛克处理。

步骤530，对经过白平衡及去马赛克处理后的图像进行色彩校正。

步骤540，对经过色彩校正后的图像进行锐化及降噪。

步骤550，将经过锐化及降噪后的图像输出。

在本实施例中，在预设条件下进行采集标准色卡的原始图像，具体的，在预设条件下采集标准色卡的原始图像。例如，在cie标准光源中的a光源、d50、d75环境中，将gretagmacbeth生产的标准24色卡置于其中，保证照度图卡边角及中心照度在750lux±10lux之间，四周环镜全黑或中性灰，无杂光干扰。相机采集raw数据时图卡要位于画面中心，正对相机光轴，占比约为60％，设置成自动曝光，增益尽可能小，同时确保raw中色卡最亮的白块g分量的值不超过200。

预设图像处理流程：在上述预设条件下，先使用图像传感器拍摄标准色卡，从图像传感器获取标准色卡的原始图像后，对原始图像进行白平衡及去马赛克处理，然后再对图像进行色彩校正，之后再进行锐化及降噪，最后将图像输出即完成这个图像处理流程。经过上述5个步骤的处理，即可获得几乎还原人眼所观察的图像。

在一个实施例中，如图6所示，还提供了一种图像色彩校正装置600，装置包括：标准色卡原始图像采集模块610、最优色彩校正矩阵计算模块620、导入模块630及色彩校正模块640。其中：

标准色卡原始图像采集模块610，用于采集标准色卡的原始图像。

最优色彩校正矩阵计算模块620，用于获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵。

导入模块630，用于将最优色彩校正矩阵导入预设图像处理流程中。

色彩校正模块640，用于按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。

在一个实施例中，如图7所示，图像色彩校正装置600还包括：预处理模块650，用于对原始图像进行白平衡处理和去马赛克处理。

在一个实施例中，如图8所示，图像色彩校正装置600还包括：色彩还原准确性分析模块660，用于对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，如图9所示，最优色彩校正矩阵计算模块620包括：

像素获取模块621，用于获取原始图像中的像素；

像素转换模块622，用于将原始图像中的像素从rgb颜色空间转换至cie颜色空间；

粒子群参数设置模块623，用于设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置；

色差和色差均值计算模块624，用于将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值；

自身历史最佳位置更新模块625，用于当粒子的色差中的最大值小于设定阈值，则获取粒子的色差均值，判断色差均值是否为自身历史最佳，若是则将粒子的当前位置更新为自身历史最佳位置；

全局历史最佳位置模块626，用于从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置；

粒子速度和位置更新模块627，用于根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新；

最优色彩校正矩阵输出模块628，用于将更新后的粒子的速度和位置作为相邻的下一回的初始速度和初始位置进行迭代计算每个粒子的色差和色差均值，若判断获取的粒子的色差均值为自身历史最佳，则将粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为原始图像的最优色彩校正矩阵。

在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

采集标准色卡的原始图像；获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵；将最优色彩校正矩阵导入预设图像处理流程中；按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：在获取原始图像中的像素的步骤之前，还包括：对原始图像进行白平衡处理和去马赛克处理。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：在生成标准色卡图像的步骤之后，还包括：对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：上述程序被处理器执行时还实现以下步骤：在对标准色卡图像进行色彩还原准确性分析之后，还包括：对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性不满足预设条件，则再次获取原始图像的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵；将最优色彩校正矩阵导入预设图像处理流程中；按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像；对标准色卡图像进行色彩还原准确性分析，直到分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵，包括：获取原始图像中的像素；将原始图像中的像素从rgb颜色空间转换至cie颜色空间；设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置；将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值；当粒子的色差中的最大值小于设定阈值，则获取粒子的色差均值，判断色差均值是否为自身历史最佳，若是则将粒子的当前位置更新为自身历史最佳位置；从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置；根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新；将更新后的粒子的速度和位置作为相邻的下一回的初始速度和初始位置进行迭代计算每个粒子的色差和色差均值，若判断获取的粒子的色差均值为自身历史最佳，则将粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为原始图像的最优色彩校正矩阵。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：在通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值之后，还包括：当粒子的色差中的最大值大于设定阈值，则从粒子群中剔除粒子；随机产生新的粒子替代粒子，为新的粒子设置初始速度及初始位置，返回根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新的步骤。

在一个实施例中，上述程序被处理器执行时还实现以下步骤：预设图像处理流程包括：从图像传感器获取标准色卡的原始图像；对原始图像进行白平衡及去马赛克处理；对经过白平衡及去马赛克处理后的图像进行色彩校正；对经过色彩校正后的图像进行锐化及降噪；将经过锐化及降噪后的图像输出。

在一个实施例中，还提供了一种计算机设备，该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，处理器执行计算机程序时实现以下步骤：

采集标准色卡的原始图像；获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵；将最优色彩校正矩阵导入预设图像处理流程中；按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：在获取原始图像中的像素的步骤之前，还包括：对原始图像进行白平衡处理和去马赛克处理。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：在生成标准色卡图像的步骤之后，还包括：对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：上述程序被处理器执行时还实现以下步骤：在对标准色卡图像进行色彩还原准确性分析之后，还包括：对标准色卡图像进行色彩还原准确性分析，若分析出色彩还原准确性不满足预设条件，则再次获取原始图像的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵；将最优色彩校正矩阵导入预设图像处理流程中；按照预设图像处理流程采集标准色卡的图像并对采集到的图像进行处理，在处理过程中利用最优色彩校正矩阵对采集到的图像进行色彩校正，生成标准色卡图像；对标准色卡图像进行色彩还原准确性分析，直到分析出色彩还原准确性满足预设条件，则图像色彩校正通过。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：获取原始图像中的像素，根据粒子群算法对像素进行计算得到原始图像的最优色彩校正矩阵，包括：获取原始图像中的像素；将原始图像中的像素从rgb颜色空间转换至cie颜色空间；设置粒子群的总数量、粒子群中每个粒子的初始速度及初始位置；将cie颜色空间的像素、粒子群中每个粒子的初始速度及初始位置，通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值；当粒子的色差中的最大值小于设定阈值，则获取粒子的色差均值，判断色差均值是否为自身历史最佳，若是则将粒子的当前位置更新为自身历史最佳位置；从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置；根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新；将更新后的粒子的速度和位置作为相邻的下一回的初始速度和初始位置进行迭代计算每个粒子的色差和色差均值，若判断获取的粒子的色差均值为自身历史最佳，则将粒子的当前位置更新为自身历史最佳位置，再从粒子群中筛选出全局历史最佳的色差均值所对应的粒子，将粒子的自身历史最佳位置更新为本轮的全局历史最佳位置，直至迭代次数达到迭代阈值，则输出最终的全局历史最佳位置作为原始图像的最优色彩校正矩阵。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：在通过粒子群算法公式计算出粒子群中每个粒子的色差和每个粒子的色差均值之后，还包括：当粒子的色差中的最大值大于设定阈值，则从粒子群中剔除粒子；随机产生新的粒子替代粒子，为新的粒子设置初始速度及初始位置，返回根据粒子速度更新公式对粒子群中所有粒子的速度进行更新，根据粒子位置更新公式对粒子群中所有粒子的位置进行更新的步骤。

在一个实施例中，上述处理器执行计算机程序时还实现以下步骤：预设图像处理流程包括：从图像传感器获取标准色卡的原始图像；对原始图像进行白平衡及去马赛克处理；对经过白平衡及去马赛克处理后的图像进行色彩校正；对经过色彩校正后的图像进行锐化及降噪；将经过锐化及降噪后的图像输出。

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，程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

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。