图像处理方法、装置及计算机可读存储介质

1.本技术涉及图像处理领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。


背景技术：

2.当前，电子设备为了获得与人眼视觉一致的颜色效果，电子设备一般先对图像经过白平衡处理后再显示图像，或将经过白平衡处理后的图像通过与其连接的显示设备呈现。其中，白平衡处理是彩色成像、彩色显示等电子设备的重要组成部分，具体是指根据图像数据，自适应地校正由图像的颜色值，使其与实际场景的光照环境一致。
3.本技术的发明人在研究和实践过程中发现，目前的电子设备所应有的白平衡模型均为预先训练并部署于电子设备，由于在部署于电子设备后，不再对白平衡模型进行更新，因此电子设备具有固定的图像的白平衡处理能力，图像的白平衡处理灵活性差。
4.因此，如何在实现对图像进行白平衡处理的同时实现白平衡处理能力的稳步提升成为亟需解决的问题。


技术实现要素：

5.本技术提供一种图像处理方法、装置及计算机可读存储介质，可提高图像的白平衡处理效果，提高图像处理质量，适用性高。
6.第一方面，本技术提供了一种图像处理方法，包括：获取待处理图像，基于白平衡模型确定上述待处理图像的第一颜色值；基于多种回归算法确定上述待处理图像的多个第二颜色值，其中，一种回归算法用于确定上述待处理图像的一个第二颜色值；基于上述待处理图像的第一颜色值、上述多个第二颜色值确定上述待处理图像对应的白平衡图像。
7.在本技术中，基于白平衡模型可对待处理图像进行初步的白平衡处理。进一步地可基于多种回归算法确定出的待处理图像的第二颜色值，结合对待处理图像进行初步白平衡处理后得到的第一颜色值，可对待处理图像进行进一步白平衡处理得到优于第一颜色值的目标颜色值。也就是说，本技术可在白平衡模型进行白平衡处理的基础之上，进一步优化白平衡效果以使待处理图像对应的白平衡图像更接近于真实的光照值，适用性高。
8.结合第一方面，在第一种可能的实施方式中，上述基于上述待处理图像的第一颜色值、上述多个第二颜色值确定上述待处理图像对应的白平衡图像包括：基于各个第二颜色值的权重、上述第一颜色值和上述多个第二颜色值确定上述待处理图像的目标颜色值；基于上述目标颜色值和上述待处理图像，确定上述待处理图像对应的白平衡图像。在本技术中，通过各个第二颜色值的权重和多个第二颜色值，可确定出白平衡效果优于第一颜色值的目标颜色值。也就是说，结合经过白平衡模型得到的第一颜色值和基于各个回归算法得到的第二颜色值，在各个第二颜色值的权重基础之上得到更接近真实光照值得目标颜色值，从而得到更接近真实光照场景的白平衡图像。
9.结合第一方面第一种可能的实施方式，在第二种可能的实施方式中，上述基于上
述目标颜色值和上述待处理图像，确定上述待处理图像对应的白平衡图像包括：根据上述目标颜色值调整上述待处理图像的颜色值，将调整颜色值后的待处理图像确定为上述待处理图像对应的白平衡图像。在本技术中，根据待处理图像的目标颜色值可适应性调整待处理图像的颜色值，从而可对待处理图像的颜色值进行灵活调整，进而可得到最接近真实光照环境的白平衡图像。
10.结合第一方面，在第三种可能的实施方式中，上述获取待处理图像之前，上述方法还包括：获取多个样本图像，确定各个样本图像的第三颜色值；获取上述各个样本图像的颜色特征，基于上述各个样本图像的颜色特征和上述各个样本图像的第三颜色值构建白平衡模型。在本技术中，通过获取多个样本图像，可尽可能在模型训练阶段采集多种光照环境的样本图像，从而使得训练处的白平衡模型对任何待处理图像均能对其进行白平衡处理，可有效提升白平衡模型的白平衡处理能力。同时，基于各个样本图像的颜色特征和各个样本图像的第三颜色值可训练出具备确定待处理图像的颜色值能力的白平衡模型，适用性高。
11.结合第一方面第三种可能的实施方式，在第四种可能的实施方式中，上述获取上述各个样本图像的颜色特征包括：基于高斯滤波器对任一样本图像进行降噪处理得到上述任一样本图像对应的预处理样本图像；获取上述预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量，基于任一像素点的蓝色分量、绿色分量以及红色分量确定上述任一像素点的二通道颜色特征，以得到上述预处理样本图像各个像素点的二通道颜色特征；将上述预处理样本图像的各个像素点的二通道颜色特征确定为上述任一样本图像的颜色特征，以得到上述各个样本图像的颜色特征。在本技术中，通过高斯滤波器对样本图像进行降噪处理，可降低样本图像的噪声的干扰，提升样本图像质量，进而使得基于样本图像训练得到的白平衡模型的白平衡处理效果更好。与此同时，通过将各个像素点的红色分量、绿色分量以及蓝色分量调整为二通道颜色特征，可减少构建白平衡模型过程中的数据处理量，有助于提升白平衡模型的训练效率。
12.结合第一方面第三种可能的实施方式或者第一方面第四种可能的实施方式，在第五种可能的实施方式中，上述基于白平衡模型确定上述待处理图像的第一颜色值包括：将上述待处理图像输入上述白平衡模型，基于上述白平衡模型的输出上述待处理图像的第一颜色值。
13.第二方面，本技术提供了一种图像处理装置，包括：
14.获取模块，用于获取待处理图像，基于白平衡模型确定上述待处理图像的第一颜色值；确定模块，用于基于多种回归算法确定上述待处理图像的多个第二颜色值，其中，一种回归算法用于确定上述待处理图像的一个第二颜色值；处理模块，用于基于上述待处理图像的第一颜色值、上述多个第二颜色值确定上述待处理图像对应的白平衡图像。
15.结合第二方面，在第一种可能的实施方式中，上述处理模块，用于：
16.基于各个第二颜色值的权重、上述第一颜色值和上述多个第二颜色值确定上述待处理图像的目标颜色值；基于上述目标颜色值和上述待处理图像，确定上述待处理图像对应的白平衡图像。
17.结合第二方面第一种可能的实施方式，在第二种可能的实施方式中，上述处理模块，用于：根据上述目标颜色值调整上述待处理图像的颜色值，将调整颜色值后的待处理图像确定为上述待处理图像对应的白平衡图像。
18.结合第二方面，在第三种可能的实施方式中，上述获取模块，还用于：
19.获取多个样本图像，确定各个样本图像的第三颜色值；获取上述各个样本图像的颜色特征，基于上述各个样本图像的颜色特征和上述各个样本图像的第三颜色值构建白平衡模型。
20.结合第二方面第三种可能的实施方式，在第四种可能的实施方式中，上述获取模块，用于：
21.基于高斯滤波器对任一样本图像进行降噪处理得到上述任一样本图像对应的预处理样本图像；获取上述预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量，基于任一像素点的蓝色分量、绿色分量以及红色分量确定上述任一像素点的二通道颜色特征，以得到上述预处理样本图像各个像素点的二通道颜色特征；将上述预处理样本图像的各个像素点的二通道颜色特征确定为上述任一样本图像的颜色特征，以得到上述各个样本图像的颜色特征。
22.结合第二方面第三种可能的实施方式或者第二方面第四种可能的实施方式，在第五种可能的实施方式中，上述获取模块，用于：
23.将上述待处理图像输入上述白平衡模型，基于上述白平衡模型的输出上述待处理图像的第一颜色值。
24.第三方面，本技术提供了一种电子设备，包括：存储器和处理器；上述存储器用于存储计算机程序，上述处理器用于执行上述计算机程序，当上述处理器执行上述计算机程序时，上述电子设备执行如上述第一方面或第一方面任意一种可能的实施方式中所述的方法。
25.第四方面，本技术提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时，上述处理器执行如上述第一方面或第一方面任意一种可能的实施方式中所述的方法。
26.在本技术中，基于白平衡模型可对待处理图像进行初步的白平衡处理。进一步地可基于多种回归算法确定出的待处理图像的第二颜色值，结合对待处理图像进行初步白平衡处理后得到的第一颜色值，可对待处理图像进行进一步白平衡处理得到优于第一颜色值的目标颜色值。也就是说，本技术可在白平衡模型进行白平衡处理的基础之上，进一步优化白平衡效果以使待处理图像对应的白平衡图像更接近于真实的光照值。另一方面，通过获取多个样本图像，可尽可能在白平衡模型训练阶段采集多种光照环境的样本图像，从而使得训练处的白平衡模型对任何待处理图像均能对其进行白平衡处理，可有效提升白平衡模型的白平衡处理能力。同时，通过高斯滤波器对样本图像进行降噪处理，可降低样本图像的噪声的干扰，提升样本图像质量，进而使得基于样本图像训练得到的白平衡模型的白平衡处理效果更好。与此同时，通过将待处理图像的各个像素点的红色分量、绿色分量以及蓝色分量调整为二通道颜色特征，可减少构建白平衡模型过程中的数据处理量，有助于提升白平衡的训练效率，适用性高。
附图说明
27.图1是本技术提供的图像处理方法的流程示意图；
28.图2是本技术提供的白平衡模型训练方法的流程示意图；
29.图3是本技术提供的获取颜色特征的方法的流程示意图；
30.图4a是本技术提供的一颜色值比较示意图；
31.图4b是本技术提供的另一颜色值比较示意图；
32.图5是本技术提供的图像处理装置的结构示意图；
33.图6是本技术提供的电子设备的结构示意图。
具体实施方式
34.本技术提供的图像处理方法可适用于具有图像采集、图像处理以及图像显示等功能的电子设备，具体可根据实际应用场景需求确定，在此不做限制。例如，上述电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，mid)、显示屏控制器等，具体也可根据实际应用场景需求确定，在此不做限制。
35.结合上述本技术提供的图像处理方法所适用的电子设备，本技术提供的图像处理方法可适用于任意对图像进行白平衡处理场景，如基于电子设备拍摄图像时保持图像的真实光照环境，如基于电子设备将任意图像的光照环境还原至与人眼视觉一致等白平衡处理场景，具体也可根据实际应用场景需求确定，在此不做限制。
36.下面将结合图1至图4b对本技术提供的图像处理方法进行描述。
37.参见图1，图1是本技术提供的图像处理方法的流程示意图。如图1所示，本技术提供的图像处理方法可包括如下步骤s11至s13。
38.s11、获取待处理图像，基于白平衡模型确定待处理图像的第一颜色值。
39.在一些可行的实施方式中，上述待处理图像可以为任一需要进行白平衡处理的图像。其中，上述待处理图像可由电子设备通过截屏获取，或者通过摄像头进行拍摄获取，还可由电子设备基于数据传输接收其他设备发送的待处理图像以及从网络、与电子设备相连接的存储空间获取，具体可基于实际应用场景需求确定，在此不做限制。换句话说，本实施例提供的图像处理方法可对基于任意获取方式获取的任何图像进行白平衡处理，即本实施例提供的图像处理方法可对广范围内的待处理图像进行白平衡处理，适用性更高。
40.其中，上述与电子设备相连接的存储空间包括但不限于移动硬盘、电子设备存储空间、云存储空间以及电子设备缓存等，具体可基于实际应用场景需求确定，在此不做限制。
41.在一些可行的实施方式中，在获取到待处理图像之后，可将待处理图像输入预先训练的白平衡模型，通过白平衡模型确定待处理图像的颜色值(为方便描述，以下简称第一颜色值)。其中，待处理图像的第一颜色值为基于白平衡模型对待处理图像进行白平衡处理后，得到的待处理图像的预估光照值。并且，待处理图像的第一颜色值可以由rgb向量表示，以表征待处理图像的预估光照值。
42.在一些可行的实施方式中，上述白平衡模型可基于多个样本图像训练得到，具体训练方式可参见图2。图2是本技术提供的白平衡模型训练方法的流程示意图。如图2所示，本技术提供的白平衡模型训练方法可包括如下步骤s111至s112。
43.s111、获取多个样本图像，确定各个样本图像的第三颜色值。
44.在一些可行的实施方式中，可基于多种获取方式获取多个样本图像。如电子设备通过截屏获取，或者通过摄像头进行拍摄获取，还可由电子设备基于数据传输方式接收其
他设备发送的待处理图像以及从网络、与电子设备相连接的存储空间获取样本图像，具体可基于实际应用场景需求确定，在此不做限制。
45.需要特别说明的是，上述样本图像的图像内容包括多种内容场景，如人脸图像、风景图像、建筑图像等，从而基于包含多种内容场景的样本图像训练得到的白平衡模型可对任意内容场景的待处理图像进行白平衡处理。可选的，上述样本图像除包括多种内容场景外，还可以包括不同光照环境。其中上述光照环境包括但不限于阴暗、晴天、室内外、人造光源等，如室外晴天、室外阴天、室内晴天、室内阴天、阴影、烛光、灯光以及荧光灯等光照环境，具体可基于实际应用场景需求确定，在此不做限制。
46.另一方面，在获取同一内容场景的样本图像时，可从不同的光照角度获取同一内容场景的样本图像，如顺光、逆光、侧光、顶光以及混合光源下的样本图像，从而可进一步扩大样本图像的光照环境覆盖范围。例如，在获取内容场景为一建筑物的样本图像时，可获取该建筑物在太阳升起、高悬以及降落时不同光照角度下的多个样本图像。再例如，在获取内容场景为家庭厨房的样本图像时，可获取家庭厨房在晴天、阴天、灯光下以及烛光下多角度的多个样本图像等。基于通过上述方式获取到的样本图像训练得到的白平衡模型，可对任意内容场景和任意光照场景相结合的待处理图像进行白平衡处理，进一步提升白平衡模型的白平衡处理效果。
47.在一些可行的实施方式中，在获取到样本图像之后，可基于图像处理工具获取各个样本图像的颜色值(为方便描述，以下简称第三颜色值)，或者在采集各个样本图像时实时标注出各个样本图像的第三颜色值。其中，上述第三颜色值为在获取上述各个样本图像时各个样本图像的图像场景的真实光照值。比如某样本图像拍摄于夕阳下，则该样本图像的真实光照值可能是一个偏红色的rgb向量，代表一个偏红色的光照。进一步地，基于各个样本图像的第三颜色值可训练得到白平衡模型，具体可参见下述步骤s112，在此不做说明。
48.s112、获取各个样本图像的颜色特征，基于各个样本图像的颜色特征和各个样本图像的第三颜色值构建白平衡模型。
49.在一些可行的实施方式中，各个样本图像的第三颜色值可用于说明各个样本图像的图像场景的真实光照值，因此基于各个样本图像的真实光照值和各个样本图像的颜色特征可训练白平衡模型。其中，获取各个样本图像的颜色特征的具体实现方式可参见图3。图3是本技术提供的获取颜色特征的方法的流程示意图。如图3所示，本技术提供的获取颜色特征的方法可包括如下步骤s1121至s1123。
50.s1121、基于高斯滤波器对任一样本图像进行降噪处理得到任一样本图像对应的预处理样本图像。
51.在一些可行的实施方式中，由于各个样本图像在获取和传输过程中会受到各种噪声的干扰，使得样本图像质量下降，导致基于样本图像训练得到的白平衡模型的白平衡处理准确度降低。因此，为了抑制噪声、提升各个样本图像的图像质量，可通过高斯滤波器对各个本图像进行降噪处理(平滑处理)以得到高质量的样本图像。需要特别说明的是，上述高斯滤波器的标准差和窗口大小可根据实际应用场景需求确定，在此不做限制。其中，基于高斯滤波器对样本图像进行降噪处理后的图像称之为样本图像对应的预处理样本图像。
52.s1122、获取预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量，基于任一像素点的蓝色分量、绿色分量以及红色分量确定任一像素点的二通道颜色特征，
以得到预处理样本图像各个像素点的二通道颜色特征。
53.在一些可行的实施方式中，可先获取每个预处理样本图像的每个像素点的三通道颜色特征，进而将三通道颜色特征改写为每个像素点的二通道颜色特征，进而得到预处理样本图像各个像素点的二通道颜色特征。以一个样本图像f为例，该样本图像f的预处理样本图像为即f
σ
表示图像f与高斯滤波器g
σ
的卷积，σ表示高斯滤波器的标准差。进一步地，可基于预处理样本图像f
σ
确定预处理样本图像f
σ
的各个像素点的rgb三通道特征，即各个像素点的蓝色分量、绿色分量以及红色分量。
54.为进一步减少图像数据处理量，提升白平衡模型的训练效率，可将预处理样本图像f
σ
的三通道特征更改为二通道颜色特征。具体可先计算任一像素点的任意一个颜色分量分别与其他两个颜色分量的比值，再将得到的两个颜色分量比值改写为对数形式从而得到该像素点的二通道颜色特征，其中上述对数的底数可基于实际应用场景需求确定，在此不做限制。
55.如，对于一个像素点来说，可先分别计算该像素点的绿色分量与红色分量的比值i
g
/i
r
以及绿色分量与蓝色分量的比值i
g
/i
b
，并进一步将绿色分量与红色分量的比值i
g
/i
r
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
u
＝log2(i
g
/i
r
)，将绿色分量与蓝色分量的比值i
g
/i
b
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
v
＝log2(i
g
/i
b
)，由此可得到该像素点的所有二通道颜色特征。
56.再如，可先分别计算该像素点的红色分量与绿色分量的比值i
r
/i
g
以及红色分量与蓝色分量的比值i
r
/i
b
，并进一步将红色分量与绿色分量的比值i
r
/i
g
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
u
＝log2(i
r
/i
g
)，将红色分量与蓝色分量的比值i
r
/i
b
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
v
＝log2(i
r
/i
b
)，由此可得到该像素点的所有二通道颜色特征。
57.又如，可先分别计算该像素点的蓝色分量与绿色分量的比值i
b
/i
g
以及蓝色分量与红色分量的比值i
b
/i
r
，并进一步将蓝色分量与绿色分量的比值i
b
/i
g
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
u
＝log2(i
b
/i
g
)，将蓝色分量与红色分量的比值i
b
/i
r
改写为以2为底数的对数得到该像素点的一个二通道颜色特征i
v
＝log2(i
b
/i
r
)，由此可得到该像素点的所有二通道颜色特征。
58.基于上述实现方式可得到该像素点的二通道颜色特征，从而对于一个预处理样本图像来说，其所有的像素点对应的所有二通道颜色特征可作为该预处理样本图像的二通道颜色特征，进而可得到所有预处理样本图像的二通道颜色特征。
59.在一些可行的实施方式中，为加强预处理样本图像的二通道颜色特征的代表性，可在对样本图像进行降噪处理得到预处理样本图像之后，基于预处理样本图像的n阶导数获取预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量。如可先确定预处理样本图像的二阶导数i，其中，理样本图像的二阶导数i，其中，表示对预处理图像进行二阶求导过程，基于确定出每个像素点的蓝色分量、绿色分量以及红色分量。需要说明的是，在对预处理图像进行求导的过程中，导数的具体阶数可基于实际应用场景需求确
定，在此不做限制。
60.s1123、将预处理样本图像的各个像素点的二通道颜色特征确定为任一样本图像的颜色特征，以得到各个样本图像的颜色特征。
61.在一些可行的实施方式，在确定出每个预处理样本图像的所有像素点的二通道颜色特征之后，可将该每个预处理样本图像所有像素点的二通道颜色特征确定为相对应的样本图像的颜色特征。
62.基于以上颜色特征的获取方法，可得到充分表征各个样本图像的颜色特征，有利于提升白平衡模型的颜色值标注的准确性。
63.在步骤s1121至s1123所示的实现方式中，通过高斯滤波器对样本图像进行降噪处理，可降低样本图像的各种噪声的干扰，提升样本图像质量，进而使得基于样本图像训练得到的白平衡模型的白平衡处理效果更好。另一方面，通过将各个像素点的红色分量、绿色分量以及蓝色分量调整为二通道颜色特征，可减少构建白平衡模型过程中的数据处理量，有助于提升白平衡模型的训练效率。
64.进一步地，在一些可行的实施方式中，在获取到各个样本图像的颜色特征和各个样本图像的第三颜色值之后，可基于一种或者多种半监督学习算法，结合各个样本图像的颜色特征和各个样本图像的第三颜色值训练得到白平衡模型。其中，上述半监督学习算法包括但不限于knn算法、coreg算法、self-knn算法以及self-ls算法等，并且在训练白平衡模型过程中所选择的具体半监督学习算法可基于实际应用场景需求确定，在此不做限制。
65.例如，在采用knn算法训练白平衡模型时，可将各个样本图像作为样本图像集合。在样本图像集中每个样本图像的第三颜色值为每个样本图像所对应的样本标签，也就是说，上述样本图像集合的任一样本图像均独立对应一个样本标签(第三颜色值)。从而基于knn算法对样本图像集合中的所有样本图像、每个样本图像的二通道颜色特征和相对应的样本标签进行训练，直至将任一样本图像输入训练模型之后得到该样本图像的第三颜色值。由此可将最终的训练模型确定为具有确定任一待处理图像的第一颜色值的能力的白平衡模型。也就是说，此时训练得到的白平衡模型可将任一没有标注颜色值的待处理图像，与样本图像集中的各个样本图像进行比较，得到样本图像集合中与该待处理图像最相近的样本图像的第三颜色值，以将该第三颜色值作为待处理图像的第一颜色值。
66.其中，由于白平衡模型只用于确定样本图像集中与待处理图像最相近的一个样本图像，因此在采用knn算法训练白平衡模型的过程中k值为1。
67.可选的，在一些可行的实施方式中，在采用coreg算法训练白平衡模型时，可分别使用采用不同距离计算方法的1nn算法(k值为1的knn算法)基于上述knn算法的训练方式得到两个具有确定任一待处理图像的颜色值的能力的算法模型。其中，从而进一步将上述两种算法模型进行融合得到一个具有确定任一待处理图像的第一颜色值的能力的白平衡模型。也就是说，当将一待处理图像输入采用coreg算法训练得到的白平衡模型后，白平衡模型可先确定出待处理图像的两个颜色值，再进一步将得到的两个颜色值进行融合以得到待处理图像第一颜色值。基于coreg算法可进一步提升白平衡模型确定待处理图像得到第一颜色值的准确度。
68.需要特别说明的是，上述白平衡模型对两个颜色值的融合方式可以取平均值实现，也可以相对应的算法模型的权重系数决定，具体融合方式可基于实际应用场景需求确
定，在此不做限制。
69.其中，上述knn算法的距离确定方式包括但不限于欧式距离确定方式、曼哈顿距离确定方式以及切比雪夫距离确定方式等，即上述基于两种knn算法所选择的距离确定方式不同即可，在此不做限制。
70.可选的，在一些可行的实施方式中，也可采用self-knn算法，结合各个样本图像的颜色特征和各个样本图像的第三颜色值训练得到白平衡模型。即在基于knn算法确定出一个可确定待处理图像的颜色值的knn算法模型的基础之上，可基于knn算法模型对未确定颜色值的多个样本图像进行颜色值的确定，以得到相较于训练knn算法模型时所采用的样本图像集合更大范围的新的样本图像集合。在新的样本图像基础之上，基于上述knn模型的训练方式重新训练得到一个新的knn算法模型。以此类推，当任一次得到的knn算法模型对基于样本图像的二通道颜色特征确定出该样本图像的颜色值与其对应的第三颜色值不再具有差异时，完成knn算法模型的训练。此时将训练完成的knn算法模型作为最终的白平衡模型。
71.可选的，在一些可行的实施方式中，还可采用self-ls算法，结合各个样本图像的颜色特征和各个样本图像的第三颜色值训练得到白平衡模型。即在基于最小二乘回归算法确定出一个可确定待处理图像的颜色值的最小二乘回归算法模型的基础之上，可基于最小二乘回归算法模型对未确定颜色值的多个样本图像进行颜色值的确定，以得到相较于训练最小二乘回归算法模型时所采用的样本图像集合更大范围的新的样本图像集合。在新的样本图像基础之上，基于上述最小二乘归回模型的训练方式重新训练得到一个新的最小二乘回归算法模型。以此类推，当任一次得到的最小二乘回归算法模型对基于样本图像的二通道颜色特征确定出该样本图像的颜色值与其对应的第三颜色值不再具有差异时，完成最小二乘回归算法模型的训练。此时将训练完成的最小二乘回归算法模型作为最终的白平衡模型。
72.在一些可行的实施方式中，在训练得到白平衡模型之后，可在获取到待处理图像时，将待处理图像输入训练好的白平衡模型，从而将白平衡模型的输出结果作为待处理图像的第一颜色值。
73.步骤s111至s112所示的实现方式中，通过获取多个样本图像，可尽可能在模型训练阶段采集多种光照环境的样本图像，从而使得训练处的白平衡模型对任何待处理图像均能对其进行白平衡处理，可有效提升白平衡模型的白平衡处理能力。
74.s12、基于多种回归算法确定待处理图像的多个第二颜色值。
75.在一些可行的实施方式中，由于上述白平衡模型由有限量的样本图像及其第三颜色值训练得到，因此白平衡模型的白平衡效果会始终处于固定状态。也就是说，将同一待处理图像输入多次输入白平衡模型之后，白平衡模型对该待处理图像的白平衡效果会相对固定。因此，在白平衡模型的白平衡处理结果的基础之上，即基于白平衡模型得到待处理图像的第一颜色值之后，可基于多种回归算法进一步提升待处理图像的优化效果。
76.在一些可行的实施方式中，为了在第一颜色值的基础之上进一步优化对待处理图像的白平衡效果，可先基于多种回归算法确定待处理图像对应于每一种回归算法的颜色值(为方便描述，以下简称第二颜色值)。其中，一种回归算法用于确定待处理图像的一个第二颜色值，也就是说，在基于白平衡模型得到待处理图像的第一颜色值之后，可基于各个回归
算法分别确定一次待处理图像的第二颜色值，从而基于多种回归算法确定出待处理图像的多个第二颜色值，进而基于待处理图像的第二颜色值和第一颜色值待处理图像进行进一步白平衡处理。
77.需要说明的是，上述回归算法包括但不限于训练白平衡模型所适用的半监督学习算法，具体可根据实际应用场景需求确定，在此不做限制。
78.s13、基于待处理图像的第一颜色值、多个第二颜色值确定待处理图像对应的白平衡图像。
79.在一些可行的实施方式中，由于待处理图像的每个第二颜色值分别对应不同的回归算法，因此每个第二颜色值均对应不同的权重，从而可确定出每个第二颜色值的权重之后，基于各个第二颜色值及其权重，以及第一颜色值确定出待处理图像的目标颜色值。其中，待处理图像的目标颜色值为待处理图像经过白平衡处理后的颜色值。
80.进一步地，基于待处理图像的第一颜色值、各个第二颜色值及其权重可确定出与各个第二颜色值相关的目标函数：其中，f0表示第一颜色值，f
i
表示第二颜色值，α
i
为第二颜色值fi对应的权重，b为第二颜色值的个数，即回归算法的个数。也就是说，通过上述与各个第二颜色值相关的目标函数可求得第一颜色值在α
i
f
i
所组成的平面上的投影。请一并参见图4a，图4a是本技术提供的一颜色值比较示意图。在图4a中，假设f
*
为待处理图像的最理想的颜色值，即待处理图像的真实颜色值，为待处理图像的目标颜色值，f0为通过白平衡模型对待处理图像进行白平衡处理后得到的待处理图像的第一颜色值，ω为由待处理图像的各个第二颜色值所构成的平面。在图4a中不难发现，当存在a0使得为f0在平面上的投影时，可以确定一定小于||f
0-f
*
||2(前者为直角三角形的直角边，后者为斜边，直角边一定小于斜边)。换句话说，更接近于真实值f
*
，即待处理图像的目标颜色值比待处理图像的第一颜色值更为接近待处理图像的理想颜色值，从而基于上述条件可确定出各个第二颜色值的权重。
81.可选的，在一些可行的实施方式中，请参见图4b，图4b是本技术提供的另一颜色值比较示意图。如图4b所示，由于在小于||f
0-f
*
||2时，比f0更接近于真实值f
*
，因此上述待处理图像的各个第二颜色值权重可以是使得一定小于||f
0-f
*
||2的任意权重，具体可根据实际应用场景需求确定，在此不做限制。
82.在确定出各个第二颜色值的权重之后，可基于待处理图像、待处理图像的第一颜色值、待处理图像的各个第二颜色值及其权重，可确定出待处理图像所对应的白平衡图像的目标函数，从而得到对待处理图像进行白平衡处理后的白平衡图像。
83.可选的，在一些可行的实施方式中，结合图4a和/或图4b，在确定出待处理图像的各个第二颜色值的权重之后，可基于待处理图像的各个第二颜色值及其权重，以及待处理
图像的第一颜色值确定出待处理图像的目标颜色值。其中，待处理图像的目标颜色值的白平衡效果优于基于白平衡模型得到的第一颜色值的白平衡效果，即确定一定小于||f
0-f
*
||2。从而可进一步将待处理图像的颜色值调整至目标颜色值，或者将待处理图像的颜色值调整至目标颜色值所对应的颜色值区间的任一颜色值，从而得到待处理图像对应的白平衡图像。
84.其中，上述目标颜色值所对应的颜色值区间为包含目标颜色值在内的固定区间，具体区间范围可基于目标颜色值的具体颜色值以及实际应用场景需求确定，在此不做限制。
85.在本技术中，基于白平衡模型可对待处理图像进行初步白平衡处理。进一步地可基于多种回归算法确定出的待处理图像的第二颜色值，结合对待处理图像进行初步白平衡处理后得到的第一颜色值，可对待处理图像进行进一步白平衡处理得到优于第一颜色值的目标颜色值。也就是说，本技术可在白平衡模型进行白平衡处理的基础之上，进一步优化白平衡效果以使待处理图像对应的白平衡图像更接近于真实的光照值，适用性高。
86.参见图5，图5是本技术提供的图像处理装置的结构示意图。如图5所示，本技术提供的图像处理装置1000包括：
87.获取模块11，用于获取待处理图像，基于白平衡模型确定上述待处理图像的第一颜色值；
88.确定模块12，用于基于多种回归算法确定上述待处理图像的多个第二颜色值，其中，一种回归算法用于确定上述待处理图像的一个第二颜色值；
89.处理模块13，用于基于上述待处理图像的第一颜色值、上述多个第二颜色值确定上述待处理图像对应的白平衡图像。
90.在一些可行的实施方式中，上述处理模块13，用于：
91.基于各个第二颜色值的权重、上述第一颜色值和上述多个第二颜色值确定上述待处理图像的目标颜色值；
92.基于上述目标颜色值和上述待处理图像，确定上述待处理图像对应的白平衡图像。
93.在一些可行的实施方式中，上述处理模块13，用于：
94.根据上述目标颜色值调整上述待处理图像的颜色值，将调整颜色值后的待处理图像确定为上述待处理图像对应的白平衡图像。
95.在一些可行的实施方式中，上述获取模块11，还用于：
96.获取多个样本图像，确定各个样本图像的第三颜色值；
97.获取上述各个样本图像的颜色特征，基于上述各个样本图像的颜色特征和上述各个样本图像的第三颜色值构建白平衡模型。
98.在一些可行的实施方式中，上述获取模块11，用于：
99.基于高斯滤波器对任一样本图像进行降噪处理得到上述任一样本图像对应的预处理样本图像；
100.获取上述预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量，基于任一像素点的蓝色分量、绿色分量以及红色分量确定上述任一像素点的二通道颜色特
征，以得到上述预处理样本图像各个像素点的二通道颜色特征；
101.将上述预处理样本图像的各个像素点的二通道颜色特征确定为上述任一样本图像的颜色特征，以得到上述各个样本图像的颜色特征。
102.在一些可行的实施方式中，上述获取模块11，用于：
103.将上述待处理图像输入上述白平衡模型，基于上述白平衡模型的输出上述待处理图像的第一颜色值。
104.具体实现中，上述图像处理装置可通过其内置的各个模块和/单元执行如上图1至图3中各个步骤所提供的实现方式，在此不再赘述。
105.在本技术中，基于白平衡模型可对待处理图像进行初步白平衡处理。进一步地可基于多种回归算法确定出的待处理图像的第二颜色值，结合对待处理图像进行初步白平衡处理后得到的第一颜色值，可对待处理图像进行进一步白平衡处理得到优于第一颜色值的目标颜色值。也就是说，本技术可在白平衡模型进行白平衡处理的基础之上，进一步优化白平衡效果以使待处理图像对应的白平衡图像更接近于真实的光照值。另一方面，通过获取多个样本图像，可尽可能在白平衡模型训练阶段采集多种光照环境的样本图像，从而使得训练处的白平衡模型对任何待处理图像均能对其进行白平衡处理，可有效提升白平衡模型的白平衡处理能力。同时，通过高斯滤波器对样本图像进行降噪处理，可降低样本图像的各种噪声的干扰，提升样本图像质量，进而使得基于样本图像训练得到的白平衡模型的白平衡处理效果更好。与此同时，通过将各个像素点的红色分量、绿色分量以及蓝色分量调整为二通道颜色特征，可减少构建白平衡模型过程中的数据处理量，有助于提升白平衡的训练效率，适用性高。
106.参见图6，图6是本技术提供的电子设备的结构示意图。如图6所示，本实施例中的电子设备可以包括：一个或多个处理器701和存储器702。上述处理器701和存储器702通过总线703连接。存储器702用于存储计算机程序，该计算机程序包括程序指令，处理器701用于执行存储器702存储的程序指令，执行如下操作：
107.获取待处理图像，基于白平衡模型确定上述待处理图像的第一颜色值；
108.基于多种回归算法确定上述待处理图像的多个第二颜色值，其中，一种回归算法用于确定上述待处理图像的一个第二颜色值；
109.基于上述待处理图像的第一颜色值、上述多个第二颜色值确定上述待处理图像对应的白平衡图像。
110.在一些可行的实施方式中，上述处理器701用于：
111.基于各个第二颜色值的权重、上述第一颜色值和上述多个第二颜色值确定上述待处理图像的目标颜色值；
112.基于上述目标颜色值和上述待处理图像，确定上述待处理图像对应的白平衡图像。
113.在一些可行的实施方式中，上述处理器701用于：
114.根据上述目标颜色值调整上述待处理图像的颜色值，将调整颜色值后的待处理图像确定为上述待处理图像对应的白平衡图像。
115.在一些可行的实施方式中，上述处理器701用于：
116.获取多个样本图像，确定各个样本图像的第三颜色值；
117.获取上述各个样本图像的颜色特征，基于上述各个样本图像的颜色特征和上述各个样本图像的第三颜色值构建白平衡模型。
118.在一些可行的实施方式中，上述处理器701用于：
119.基于高斯滤波器对任一样本图像进行降噪处理得到上述任一样本图像对应的预处理样本图像；
120.获取上述预处理样本图像的各个像素点的蓝色分量、绿色分量以及红色分量，基于任一像素点的蓝色分量、绿色分量以及红色分量确定上述任一像素点的二通道颜色特征，以得到上述预处理样本图像各个像素点的二通道颜色特征；
121.将上述预处理样本图像的各个像素点的二通道颜色特征确定为上述任一样本图像的颜色特征，以得到上述各个样本图像的颜色特征。
122.在一些可行的实施方式中，上述处理器701用于：
123.将上述待处理图像输入上述白平衡模型，基于上述白平衡模型的输出上述待处理图像的第一颜色值。
124.具体实现中，上述电子设备可通过其内置的各个模块和/单元执行如上图1至图3中各个步骤所提供的实现方式，在此不再赘述。
125.在本技术中，基于白平衡模型可对待处理图像进行初步白平衡处理。进一步地可基于多种回归算法确定出的待处理图像的第二颜色值，结合对待处理图像进行初步白平衡处理后得到的第一颜色值，可对待处理图像进行进一步白平衡处理得到优于第一颜色值的目标颜色值。也就是说，本技术可在白平衡模型进行白平衡处理的基础之上，进一步优化白平衡效果以使待处理图像对应的白平衡图像更接近于真实的光照值。另一方面，通过获取多个样本图像，可尽可能在白平衡模型训练阶段采集多种光照环境的样本图像，从而使得训练处的白平衡模型对任何待处理图像均能对其进行白平衡处理，可有效提升白平衡模型的白平衡处理能力。同时，通过高斯滤波器对样本图像进行降噪处理，可降低样本图像的各种噪声的干扰，提升样本图像质量，进而使得基于样本图像训练得到的白平衡模型的白平衡处理效果更好。与此同时，通过将各个像素点的红色分量、绿色分量以及蓝色分量调整为二通道颜色特征，可减少构建白平衡模型过程中的数据处理量，有助于提升白平衡的训练效率，适用性高。
126.本技术还提供了一种计算机可读存储介质。上述方法实施例中的全部或者部分流程可以由计算机程序来指令相关的硬件完成，该程序可存储于上述计算机存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。该计算机可读存储介质包括：只读存储器(read-only memory，rom)或随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的介质。