1.本公开涉及深度学习技术领域，尤其涉及一种图像矫正方法、装置、设备及计算机可读存储介质。
背景技术：
2.色卡是一种用于摄影、印刷、设计等领域的重要工具，其上包含多种标准颜色。在图像质量测试过程中，可以将色卡图像作为参考，来获取待测试图像的色彩准确度、白平衡、对比度和渐晕等信息，从而对图像质量进行量化。
3.然而，使用色卡之前需要进行一系列复杂的操作，如保持色卡水平放置后采集色卡图像、框选色卡图像上的色块等，这些操作的准确性都会影响色卡对于图像质量评估的准确性与可靠性。
4.现有技术中，通常需要在拍摄色卡图像前手动调整色卡的放置位置及方向，这需要进行多次尝试和调整，也需要操作者具有高度的技术水平和经验，极易导致色卡放置不到位，从而导致图像质量测试结果不准确。
技术实现要素：
5.为了解决上述技术问题，本公开提供了一种图像矫正方法、装置、设备及计算机可读存储介质，以提高图像质量测试的准确性。
6.第一方面，本公开实施例提供一种图像矫正方法，包括：
7.获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张所述色卡样本图像的偏移角度；
8.将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；
9.将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；
10.根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
11.在一些实施例中，所述将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型，包括：
12.将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集；
13.将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；
14.根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调
整，得到训练好的角度预测模型。
15.在一些实施例中，所述根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型，包括：
16.将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第一偏移角度预测值；
17.根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型；
18.将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值；
19.若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。
20.在一些实施例中，所述若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述角度预测模型的准确率符合预设条件，则确定所述角度预测模型训练完成，得到训练好的角度预测模型之前，所述方法还包括：
21.计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
22.在一些实施例中，所述角度预测模型的超参数至少包括下列一项或多项：
23.所述角度预测模型的优化器、所述角度预测模型的迭代次数、所述角度预测模型的学习率。
24.在一些实施例中，所述根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，包括：
25.若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
26.第二方面，本公开实施例提供一种图像矫正装置，包括：
27.获取模块，用于获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张色卡样本图像的偏移角度；
28.训练模块，用于将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；
29.输入模块，用于将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；
30.矫正模块，用于根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
31.在一些实施例中，训练模块包括划分单元、训练单元、调整单元；
32.划分单元，用于将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集；
33.训练单元，用于将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；
34.调整单元，用于根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型。
35.第三方面，本公开实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术任意实施例所提供的图像矫正方法的步骤。
36.第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术任意实施例所提供的图像矫正方法的步骤。
37.本公开实施例提供的图像矫正方法、装置、设备及计算机可读存储介质，通过使用深度学习模型预测色卡需要矫正的角度，基于该角度对色卡图像进行矫正，实现了自动化、高效、准确的图像矫正，提高了使用色卡进行图像测试的效率与准确性。
附图说明
38.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
39.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
40.图1为本公开实施例提供的图像校正方法流程图；
41.图2为本公开实施例提供的一种色卡矫正效果示意图；
42.图3为本公开另一实施例提供的图像矫正方法流程图；
43.图4为本公开实施例提供的图像矫正装置的结构示意图；
44.图5为本公开实施例提供的计算机设备的结构示意图。
具体实施方式
45.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
46.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
47.mcc(macbeth color checker)24色卡是一种用于摄影、印刷、设计等领域的重要工具。它包含了24种标准颜色，可以用来校正照片或图像中的颜色偏差，保证最终的色彩准确性。在图像测试中可以使用mcc色卡来获取图像的色彩准确度、白平衡、对比度和渐晕等信息，从而评估图像的质量。总之，mcc24色卡一种重要的色彩标准工具，可以帮助摄影师、
印刷商、设计师等在工作中保持色彩的准确性，从而提高工作效率和产品质量。
48.现有技术中，图像测试时需要使用24色卡来校准图像的色彩和白平衡等信息。然而，使用24色卡需要进行一系列复杂的操作，如框选24色块、保持色卡水平放置等，这些操作可能会影响测试结果的准确性和可靠性。
49.首先，框选24色卡中的24色块需要非常精确，以确保测试结果的准确性。如果色卡没有被正确地框选，或者色卡放置不正确，例如没有水平放置，可能会导致一些色块超出色卡边缘，从而影响测试结果的准确性。
50.其次，在使用灯箱拍摄24色卡时，需要通过手动调整灯箱壁来确保色卡水平放置。这需要进行多次尝试和调整，非常繁琐和耗时，同时也需要操作者具有高度的技术水平和经验，否则可能会导致测试结果的不准确或不可靠。
51.针对上述问题，本公开实施例提供了一种图像矫正方法，下面结合具体的实施例对该方法进行介绍。
52.在一个实施例中，如图1所示，提供了一种图像矫正方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
53.s101、获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张所述色卡样本图像的偏移角度。
54.预先收集不同角度的多张色卡样本图像用于构建色卡数据集。其中，每一张色卡样本图像都对应有该色卡样本图像的实际测量出来的偏移角度。
55.具体的，色卡通常为矩形，色卡样本图像的偏移角度可以是图像中色卡上边缘(或下边缘)与水平方向的夹角，或是图像中色卡左边缘(或右边缘)与竖直方向的夹角。
56.s102、将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型。
57.角度预测模型可以由卷积神经网络(convolutional neural networks，cnn)构成。可以使用常见的卷积层、池化层、全连接层和激活函数等组成角度预测模型，以提取图像的特征并进行角度的回归预测任务。
58.下表给出了一种可能实现的角度预测模型结构：
[0059][0060]
其中，图像输入层(imageinput)用于接收输入的图像，对图像进行初步处理后送入下一层。具体的，在将色卡样本图像输入角度预测模型之前，先对各色卡样本图像进行预处理以及归一化，使得色卡样本图像符合角度预测模型(如卷积神经网络)的输入格式，并将色卡样本图像调整为一致的大小(本实施例中以规格为240x240x3的图像为例)。进一步，对色卡样本图像进行zerocenter归一化操作，简单来说即从输入图像中减去平均图像，使它们的平均值为0，标准偏差为1，有助于在模型训练期间实现平滑和快速的优化过程。
[0061]
第一2-d卷积层(conv_1)由4个3x3的感受野进行卷积，其步长为[1 1]。这一层用于对图像输入层给出的图像进行特征提取。
[0062]
第一批量归一化层(batchnorm_1)用于在应用激活函数之前，将所有的数据稳定在统一的数据分布下。随着网络训练的进行，前一层参数的调整会使得后一层输入数据的分布发生变化，各层在训练过程中就需要不断改变以适应这种新的数据分布。及时输入数据已经进行标准化，前几层所发生的微小改变在后几层会被累积放大，造成靠近输出层的剧烈变化，导致难以训练出有效的模型。通过第一批量归一化层，可以使各层的中间输出数值更加稳定，从而使神经网络模型更容易收敛。具体的，第一批量归一化层采用4通道批量归一化。
[0063]
第一relu层(relu_1)即激活函数层，relu是一个分段函数，当输入小于零的时候，输出为零，当输入大于零的时候，将输入值作为输出。它主要用于避免梯度消失和梯度爆炸。对于梯度消失，因为sigmoid的梯度最大值只有0.25，在链式求导过程中可能就会导致梯度消失，而relu在激活函数大于零的时候梯度恒为1，因此可以有效避免梯度消失和梯度爆炸的现象。另一方面，采用relu激活函数能够使得网络的收敛速度加快。
[0064]
第一2-d最大池化层(maxpool_1)用于降低信息冗余、提升模型的尺度不变性、旋转不变性以及防止模型过拟合。最大池化即取局部接受域中值最大的点，它能学习到图像的边缘和纹理结构，减小卷积层参数误差造成估计均值的偏移。在本公开实施例中，将第一2-d最大池化层的卷积核的大小设置为2
×
2，步长[2 2]。
[0065]
角度预测模型中还包括第二2-d卷积层(conv_2)、第二批量归一化层(batchnorm_2)、第二relu层(relu_2)以及第二2-d最大池化层(maxpool_2)，其原理与作用与上述各层类似，具体参数可以根据实际需要进行设置，此处不再赘述。
[0066]
角度预测模型中还包括全连接层(fullyconnectedlayer)、归一化层(regressionlayer)。全连接层用于将前一层输出的特征进行整合，输出为一个值。归一化层也称为回归输出层，将输入的特征经由归一化计算后非线性转换为0～1区间的数值后输出。
[0067]
本步骤将色卡样本图像作为角度预测模型的输入，将色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对角度预测模型进行训练，得到训练好的角度预测模型，使得训练好的角度预测模型能够根据输入的图像输出该图像中色卡的偏移角度。
[0068]
s103、将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度。
[0069]
待矫正色卡图像即为需要进行矫正使得图像中色卡达到预设放置状态的图像。根据上述步骤中训练好的角度预测模型，能够得到待矫正色卡图像中色卡与预设放置状态所差的角度，即待矫正色卡图像的偏移角度。
[0070]
s104、根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
[0071]
根据待矫正色卡图像的偏移角度，对待矫正色卡图像进行旋转后，即可将待矫正色卡图像中色卡的放置状态矫正至预设放置状态，实现待矫正色卡图像的矫正。
[0072]
图2为本公开实施例提供的一种色卡矫正效果示意图。如图2所示，待矫正色卡图像21中色卡与水平方向有一定的夹角，经过上述步骤对该待矫正色卡图像进行矫正，得到矫正后的色卡图像22，矫正后的色卡图像22中色卡呈水平方向放置，达到了矫正效果。
[0073]
本公开实施例通过获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张色卡样本图像的偏移角度；将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正，使用深度学习模型预测色卡需要矫正的角度，基于该角度对色卡图像进行矫正，实现了自动化、高效、准确的图像矫正，提高了使用色卡进行图像测试的效率与准确性。
[0074]
在上述实施例的基础上，色卡数据集包括训练数据集、验证数据集、测试数据集。具体的，可以按照预设比例将色卡数据集分为训练数据集、验证数据集、测试数据集，例如从色卡数据集中选取80％训练数据集、10％验证数据集和10％测试数据集。进一步地，将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型。其中，所述根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型，包括：将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第
一偏移角度预测值；根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型；将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值；若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。下面结合具体实施例对上述步骤进行介绍。
[0075]
图3为本公开另一实施例提供的图像矫正方法流程图，如图3所示，该方法包括如下几个步骤：
[0076]
s301、获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张色卡样本图像的偏移角度。
[0077]
具体的，s301和s101的实现过程和原理一致，此处不再赘述。
[0078]
s302、将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集。
[0079]
s303、将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练。
[0080]
s304、判断迭代次数是否达到预设迭代次数。若是，执行s305；若否，执行s303。
[0081]
s305、将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第一偏移角度预测值。
[0082]
s306、根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型。
[0083]
对于训练次数达到预设迭代次数的角度预测模型，利用验证数据集对当前角度预测模型的性能进行初步评估，并根据评估结果对角度预测模型的超参数进行更新调整。
[0084]
具体的，采用验证数据集中的色卡样本图像作为角度预测模型的输入，得到验证数据集中的色卡样本图像对应的第一偏移角度预测值。如上所述，训练数据集中每个色卡样本图像都对应有实际测量得到的偏移角度，即色卡样本图像对应的真实偏移角度，计算偏移角度与第一偏移角度预测值之间的误差，即可对角度预测模型的训练效果进行评估，并相应对模型的超参数进行调整。
[0085]
其中，超参数至少包括下列一项或多项：所述角度预测模型的优化器、所述角度预测模型的迭代次数、所述角度预测模型的学习率。
[0086]
优化器用于在深度学习反向传播过程中，指引损失函数(目标函数)的各个参数往正确的方向更新合适的大小，使得更新后的各个参数让损失函数(目标函数)值不断逼近全局最小。采用合适的优化器能够提高模型的训练效果。可选的，sgdm(sgd with momentum)为一种可用的优化器。
[0087]
学习率学习指每步参数更新中，模型参数的更新程度。对于模型来说，学习率越小，模型收敛越慢；学习率越大，模型收敛越快。
[0088]
可以理解的是，上述步骤s305～s306可以循环执行多次，本公开实施例仅以其中一次为例进行说明。
[0089]
s307、将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值。
[0090]
对角度预测模型进行超参数更新后，得到更新后的角度预测模型。为确定更新后的角度预测模型是否能够达到投入使用的需求，利用测试数据集对更新后的角度预测模型的性能进行评估。
[0091]
首先将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值。
[0092]
具体的，测试数据集中每个色卡样本图像均对应一个第二偏移角度预测值，即色卡样本图像与第二偏移角度预测值一一对应。
[0093]
s308、计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0094]
进一步，利用色卡样本图像第二偏移角度预测值与该色卡样本图像对应的真实的偏移角度计算均方根误差。均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根。
[0095]
在此步骤中，第二误差即为对色卡样本图像的第二偏移角度预测值与偏移角度之差的平方，与该色卡样本图像测试次数比值的平方根。
[0096]
s309、若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。
[0097]
第二误差表征了更新后的角度预测模型的预测准确性，更新后的角度预测模型的准确率符合预设条件后，则确定更新后的角度预测模型满足使用条件，可以作为训练好的角度预测模型投入使用。
[0098]
s310、将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度。
[0099]
s311根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
[0100]
本公开实施例通过对训练数据集进行划分，构建角度预测模型进行训练、调整与评估，最终使用训练好的角度预测模型实现对于待矫正色卡图像的矫正，提高了图像矫正的准确性。
[0101]
在上述实施例的基础上，所述根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，包括：若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
[0102]
其中，第一预设阈值以及第二预设阈值均可以根据实际需要设定，本公开实施例
对此不做限定。
[0103]
如上所述，在利用测试数据集对更新后的角度预测模型进行测试时，针对测试数据集中每个色卡样本图像都能够获取其对应的第二误差。对于一个色卡样本图像，若其第二误差小于第一预设阈值，则表明更新后的角度预测模型对该色卡样本图像的角度预测效果较好。对于测试数据集中的多个色卡样本图像，若其中角度预测效果较好的色卡样本图像占测试数据集中色卡样本图像总数的比例大于第二预设阈值，则表明更新后的角度预测模型对测试数据集的角度预测效果较好，达到了投入使用的要求。因此，若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
[0104]
本公开实施例通过灵活设置第一预设阈值与第二预设阈值，对于更新后的角度预测模型的可接受误差范围能够进行灵活限定，提高了图像矫正方法的灵活性。
[0105]
应该理解的是，虽然图1及图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1及图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0106]
图4为本公开实施例提供的图像矫正装置的结构示意图。该图像矫正装置可以是如上实施例所述的终端，或者该图像矫正装置可以该终端中的部件或组件。本公开实施例提供的图像矫正装置可以执行图像矫正方法实施例提供的处理流程，如图4所示，图像矫正装置40包括：获取模块41、训练模块42、输入模块43、矫正模块44；其中，获取模块41用于获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张色卡样本图像的偏移角度；训练模块42用于将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；输入模块43用于将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；矫正模块44用于根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
[0107]
可选的，训练模块42包括划分单元421、训练单元422、调整单元423；其中，划分单元421用于将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集；训练单元422用于将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；调整单元423用于根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型。
[0108]
可选的，调整单元423具体用于将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第一偏移角度预测值；根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型；
将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值；若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。
[0109]
可选的，调整单元423还用于计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0110]
可选的，所述角度预测模型的超参数至少包括下列一项或多项：所述角度预测模型的优化器、所述角度预测模型的迭代次数、所述角度预测模型的学习率。
[0111]
可选的，调整单元423还用于若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
[0112]
关于图像矫正装置的具体限定可以参见上文中对于图像矫正方法的限定，在此不再赘述。上述图像矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0113]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像矫正方法。
[0114]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备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。
[0115]
在一个实施例中，本技术提供的图像矫正装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像矫正装置的各个程序模块，比如，图4所示的获取模块41、训练模块42、输入模块43、矫正模块44。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的图像矫正方法中的步骤。
[0116]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张所述色卡样本图像的偏移角度；将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；根据所述
待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
[0117]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集；将训练数据集中色卡样本图像作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；
[0118]
根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型。
[0119]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第一偏移角度预测值；根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型；将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值；若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。
[0120]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0121]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0122]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
[0123]
本公开实施例通过使用深度学习模型预测色卡需要矫正的角度，基于该角度对色卡图像进行矫正，实现了自动化、高效、准确的图像矫正，提高了使用色卡进行图像测试的效率与准确性。
[0124]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取色卡数据集，所述色卡数据集中包括多张角度不同的色卡样本图像以及每张所述色卡样本图像的偏移角度；将所述色卡样本图像作为角度预测模型的输入，将所述色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练，得到训练好的角度预测模型；将待矫正色卡图像输入所述训练好的角度预测模型中，得到所述待矫正色卡图像的偏移角度；根据所述待矫正色卡图像的偏移角度，对所述待矫正色卡图像进行旋转，实现所述待矫正色卡图像的矫正。
[0125]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述色卡数据集按照预设比例分为训练数据集、验证数据集、测试数据集；将训练数据集中色卡样本图像
作为角度预测模型的输入，将所述训练数据集中色卡样本图像对应的偏移角度作为所述角度预测模型的输出，对所述角度预测模型进行训练；根据所述验证数据集以及所述测试数据集对所述角度预测模型的超参数进行调整，得到训练好的角度预测模型。
[0126]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将验证数据集中色卡样本图像作为角度预测模型的输入，得到所述角度预测模型输出的所述验证数据集中色卡样本图像对应的第一偏移角度预测值；根据所述第一偏移角度预测值与所述验证数据集中色卡样本图像对应的偏移角度之间的第一误差，对所述角度预测模型的超参数进行更新，得到更新后的角度预测模型；将测试数据集中色卡样本图像作为所述更新后的角度预测模型的输入，得到所述更新后的角度预测模型输出的所述测试数据集中色卡样本图像对应的第二偏移角度预测值；若根据所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的第二误差，确定所述更新后的角度预测模型的准确率符合预设条件，则确定所述更新后的角度预测模型为训练好的角度预测模型。
[0127]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0128]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述第二偏移角度预测值与所述测试数据集中色卡样本图像对应的偏移角度之间的均方根误差，作为所述数据集中色卡样本图像对应的第二误差。
[0129]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若所述第二偏移角度预测值与所述色卡样本图像对应的偏移角度之间的第二误差小于第一预设阈值的色卡样本图像数量占所述测试数据集中色卡样本图像数量的比值大于第二预设阈值，则确定所述角度预测模型的准确率符合预设条件。
[0130]
本公开实施例通过使用深度学习模型预测色卡需要矫正的角度，基于该角度对色卡图像进行矫正，实现了自动化、高效、准确的图像矫正，提高了使用色卡进行图像测试的效率与准确性。
[0131]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，比如静态随机存取存储器(static random access memory，sram)和动态随机存取存储器(dynamic random access memory，dram)等。
[0132]
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。
[0133]
以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。