买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明公开了一种基于特征感知和多通道学习的图像色差检测方法，包括：1构建用于训练色差检测网络的训练集，色差检测网络由多通道学习模块、特征感知模块、区域建议网络和预测回归网络组成；2将图像输入多通道学习模块，获取图像全面特征图；3将图像全面特征图输入特征感知模块，得到感知加权特征图；4将感知加权特征图输入区域建议网络，得到区块特征图；5将区块特征图输入预测回归网络，得到色差偏移量及位置，与真实值计算损失，反向传播调整参数；6迭代训练至预设值，确定色差检测网络；7将待检测图像输入色差检测网络，获取色差偏移量及位置。本发明可实现对具有复杂纹理及图案的图像高速高精度色差检测。

主权项：1.基于特征感知和多通道学习的图像色差检测方法，其特征在于，包括以下步骤：1采集具有复杂纹理及图案的图像，对图像中的色差异常标注色差偏移量及位置，构建用于训练色差检测网络的训练集；其中，所述色差检测网络由多通道学习模块、特征感知模块、区域建议网络和预测回归网络组成；2将训练集中的图像输入色差检测网络进行训练，具体过程如下：2.1图像输入多通道学习模块，获取图像全面特征图；2.2将图像全面特征图输入特征感知模块，获得感知加权后的特征图：对不同通道的特征图加权求和： 将不同通道的特征图两两拼接再加权求和： 将上述两步求和得到的特征图C0[x,y]和C1[x,y]拼接，并通过k层卷积，得到感知加权后的特征图： 以上三个公式中，fi[x,y]和fj[x,y]分别表示对应i通道和j通道的特征图，R,G,B为像素点RGB三个通道的值，H,S,V和Y,U,V'分别为转换得到的HSV格式和YUV’格式的对应通道值，δi和δij为对应不同通道的感知权重，为第1层到第k层的卷积核，*为卷积运算，·为乘法运算，C[x,y]为感知加权后的特征图；2.3将感知加权后的特征图输入区域建议网络，得到被网络判断存在色差异常的区块特征图：｛m1[x，y]，……，mn[x，y]}＝RPNC[x,y]式中，C[x,y]为感知加权后的特征图，RPN为区域建议网络，m1[x,y],......,mn[x,y]为n个存在色差异常概率高的区块特征图；2.4将区块特征图输入预测回归网络，得到色差异常位置及色差偏移量，与真实的色差异常位置及色差偏移量做运算，计算损失，通过损失函数反向传播，调整多通道学习模块、特征感知模块及预测回归网络的参数；包括以下步骤：2.4.1将区块特征图输入预测回归网络，得到色差异常位置及色差偏移量；色差偏移量预测：zr＝Hmr[x,y]式中，mr[x,y]为存在色差异常概率高的区块特征图，H是预测回归网络的预测部分，zr为预测得到的色差偏移量；边框预测：[xo，yo，h，w]＝Gmr[x,y]式中，G为预测回归网络的回归部分，[xo,yo，h，w]为网络输出的色差异常位置，用中心坐标[xo,yo]和宽高[h,w]描述一个边框；2.4.2将预测值与真实的色差异常位置与色差偏移量做运算，计算损失，通过损失函数反向传播，调整多通道学习模块、特征感知模块及预测回归网络的参数；损失函数： Lpre＝-zr·logPr+1-zr·log1-Pr 式中，Lpre表示色差偏移量预测损失，表示边框回归损失，L表示总损失，Pr表示真实色差偏移值，ti表示预测得到的位置参数向量，表示真实的位置参数向量，xo*,yo*,h*,w*为真实边框的中心坐标[xo*,yo*]和宽高[h*,w*]；3返回步骤2，重新将训练集中的图像输入调整后的色差检测网络进行迭代训练，不断重复步骤2至3，直至训练次数大于预设迭代次数，将最后一次得到的网络确定为训练好的色差检测网络；4将待检测的具有复杂纹理及图案的图像输入训练好的色差检测网络，识别出超过阈值的色差异常并在图中标注色差偏移量及位置，完成对具有复杂纹理及图案的图像的色差检测。

全文数据：

权利要求：

百度查询： 华南理工大学 基于特征感知和多通道学习的图像色差检测方法