CN111899239B 图像处理方法和装置 （腾讯科技（深圳）有限公司）

(12)发明专利地址518057广东省深圳市南山区高新区(72)发明人郑旭平陈晓濠任小华限公司44232GO6T7/33(2017GO6T5/92(2024GO6V10/774(2022.0GO6V10/762(2022.0(56)对比文件权利要求书2页说明书14页附图6页图像处理方法和装置(57)摘要本申请的实施例提供了一种图像处理方法于目标图像聚类集中图像的平均颜色通道参数，案使得图像缺陷定位模型能对特定颜色模式聚集的液晶面板图像实现准确的缺陷定位，提高了集2基于图像数据集中各图像的颜色通道参数，对所述图像数据集中的图像进行聚类处从所述多个图像聚类集中选取图像数量最多的目标图像聚类集，基于所述目标图像聚类集中各图像的颜色通道参数，计算所述目标图像聚类集中图像的平均颜色通道参数；基于所述目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像；其中，所述校准后的待检测图像用于进行缺陷定2.根据权利要求1所述的图像处理方法，其特征在于，所述基于图像数据集中各图像的颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚基于所述图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算所述图像数据集中每个图像相对应的平均颜色通道参数；基于所述图像数据集中每个图像相对应的平均颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚类集。3.根据权利要求2所述的图像处理方法，其特征在于，所述基于所述图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算所述图像数据集中每个图像相对应基于所述图像数据集中每个图像所包含的所有像素在各个颜色通道下的颜色通道参数，分别计算所述图像数据集中每个图像在各个颜色通道下的平均颜色通道参数。4.根据权利要求1所述的图像处理方法，其特征在于，所述基于所述目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待基于待检测图像所包含的所有像素的颜色通道参数，确定待检测图像相对应的平均颜色通道参数；基于所述目标图像聚类集中图像的平均颜色通道参数以及所述待检测图像相对应的基于所述校准参数，对所述待检测图像所包含的所有像素的颜色通道参数进行校准处理，得到校准后的待检测图像。5.根据权利要求4所述的图像处理方法，其特征在于，所述基于所述目标图像聚类集中图像的平均颜色通道参数以及所述待检测图像相对应的平均颜色通道参数，生成校准参计算所述目标图像聚类集中图像的平均颜色通道参数与所述待检测图像相对应的平均颜色通道参数之间的比值；6.根据权利要求1-5任意一项所述的图像处理方法，其特征在于，所述图像处理方法，还包括：输入所述校准后的待检测图像至预训练的图像缺陷定位模型中；通过所述图像缺陷定位模型对所述校准后的待检测图像进行缺陷定位处理，输出缺陷定位结果。37.根据权利要求6所述的图像处理方法，其特征在于，所述图像处理方法，还包括：基于所述目标图像聚类集中图像的平均颜色通道参数，对所述图像数据集中的图像的颜色通道参数进行校准处理，得到校准后的图像数据集；对所述校准后的图像数据集中的各图像进行图像缺陷标注处理，得到标注后的图像数据集；基于标注后的图像数据集，生成训练样本数据；基于生成的所述训练样本数据对机器学习模型进行训练，得到所述图像缺陷定位模8.根据权利要求7所述的图像处理方法，其特征在于，所述基于标注后的图像数据集，生成训练样本数据，包括：从所述标注后的图像数据集，选取目标图像；对所述目标图像进行数据增强处理，得到处理后的图像；基于所述处理后的图像以及所述标注后的图像数据集，生成训练样本数据。9.根据权利要求8所述的图像处理方法，所述从所述标注后的图像数据集，选取目标图获取数据增强概率阈值；为所述标注后的图像数据集中的图像分配随机数；将分配的随机数小于或等于所述数据增强概率阈值的图像，确定为所述目标图像。10.一种图像处理装置，其特征在于，包括：聚类单元，用于基于图像数据集中各图像的颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚类集；计算单元，用于从所述多个图像聚类集中选取图像数量最多的目标图像聚类集，基于所述目标图像聚类集中各图像的颜色通道参数，计算所述目标图像聚类集中图像的平均颜色通道参数；第一校准单元，用于基于所述目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像；其中，所述校准后的待检测图像用于进行缺陷定位。11.一种计算机可读介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-9任意一项所述的图像处理方法。12.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9任意一项所述的图像处理方法。4图像处理方法和装置技术领域背景技术[0002]在液晶面板的制造过程中，需要将通过每个加工工艺进行加工的液晶面板进行拍摄，得到液晶面板图像，并通过图像缺陷定位模型来对液晶面板图像进行处理，以得到液晶面板图像的缺陷位置。[0003]图像缺陷定位模型需要通过大量的液晶面板图像来进行训练，相关技术中，一般直接将对液晶面板的制造过程进行拍摄的液晶面板图像作为图像缺陷定位模型的训练样本数据来训练图像缺陷定位模型。[0004]由于液晶面板的拍摄会受到环境光照、相机成像参数以及液晶面板的反光度等多种因素的影响，导致对图像缺陷定位模型进行训练的液晶面板图像呈现特定的颜色模式聚集，如呈现浅黄色、黄绿色、棕黄色或橘黄色等等。将这些液晶面板图像直接作为图像缺陷定位模型的训练样本数据，会导致图像缺陷定位模型对特定颜色模式聚集的液晶面板图像无法实现准确的缺陷定位，缺陷定位的精准度不高。发明内容[0005]本申请的实施例提供了一种图像处理方法和装置，可以在一定程度上解决图像缺陷定位模型对特定颜色模式聚集的液晶面板图像无法实现准确的缺陷定位，缺陷定位的精准度不高的技术问题。[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。[0007]根据本申请实施例的一个方面，提供了一种图像处理方法，包括：基于图像数据集中各图像的颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚类集；从所述多个图像聚类集中选取图像数量最多的目标图像聚类集，基于所述目标图像聚类集中各图像的颜色通道参数，计算所述目标图像聚类集中图像的平均颜色通道参数；基于所述目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校[0008]根据本申请实施例的一个方面，提供了一种图像处理装置，包括：聚类单元，用于基于图像数据集中各图像的颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚类集；计算单元，用于从所述多个图像聚类集中选取图像数量最多的目标图像聚类集，基于所述目标图像聚类集中各图像的颜色通道参数，计算所述目标图像聚类集中图像的平均颜色通道参数；第一校准单元，用于基于所述目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像。[0009]在本申请的一些实施例中，基于前述方案，所述聚类单元被配置为：基于所述图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算所述图像数据集中每5个图像相对应的平均颜色通道参数；基于所述图像数据集中每个图像相对应的平均颜色通道参数，对所述图像数据集中的图像进行聚类处理，得到多个图像聚类集。[0010]在本申请的一些实施例中，基于前述方案，所述聚类单元被配置为：基于所述图像数据集中每个图像所包含的所有像素在各个颜色通道下的颜色通道参数，分别计算所述图像数据集中每个图像在各个颜色通道下的平均颜色通道参数。[0011]在本申请的一些实施例中，基于前述方案，所述第一校准单元被配置为：基于待检测图像所包含的所有像素的颜色通道参数，确定待检测图像相对应的平均颜色通道参数；基于所述目标图像聚类集中图像的平均颜色通道参数以及所述待检测图像相对应的平均颜色通道参数，生成校准参数；基于所述校准参数，对所述待检测图像所包含的所有像素的颜色通道参数进行校准处理，得到校准后的待检测图像。[0012]在本申请的一些实施例中，基于前述方案，所述第一校准单元被配置为：计算所述目标图像聚类集中图像的平均颜色通道参数与所述待检测图像相对应的平均颜色通道参用于输入所述校准后的待检测图像至预训练的图像缺陷定位模型中；定位单元，用于通过所述图像缺陷定位模型对所述校准后的待检测图像进行缺陷定位处理，输出缺陷定位结[0014]在本申请的一些实施例中，基于前述方案，所述图像处理装置，还包括：第二校准单元，用于基于所述目标图像聚类集中图像的平均颜色通道参数，对所述图像数据集中的图像的颜色通道参数进行校准处理，得到校准后的图像数据集；标注单元，用于对所述校准后的图像数据集中的图像进行图像缺陷标注处理，得到标注后的图像数据集；生成单元，用于基于标注后的图像数据集，生成训练样本数据；训练单元，用于基于生成的所述训练样本数据对机器学习模型进行训练，得到所述图像缺陷定位模型。[0015]在本申请的一些实施例中，基于前述方案，所述生成单元被配置为：从所述标注后的图像数据集，选取目标图像；对所述目标图像进行数据增强处理，得到处理后的图像；基于所述处理后的图像以及所述标注后的图像数据集，生成训练样本数据。[0016]在本申请的一些实施例中，基于前述方案，所述生成单元被配置为：获取数据增强概率阈值；为所述标注后的图像数据集中的图像分配随机数；将分配的随机数小于或等于所述数据增强概率阈值的图像，确定为所述目标图像。[0017]根据本申请实施例的一个方面，提供了一种计算机可读介质，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如上述实施例中所述的图像处理方法。[0018]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的图像处理方法。[0019]在本申请的一些实施例所提供的技术方案中，通过基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集，并从多个图像聚类集中选取图像数量最多的目标图像聚类集，且基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数，再基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图6像，通过先对待检测图像进行图像校准的数据预处理，再由图像缺陷定位模型根据校准后的待检测图像来进行缺陷定位检测，相较于将不经过图像校准的数据预处理的待检测图像直接输入至图像缺陷定位模型，使得在当待检测图像为特定颜色模式聚集的液晶面板图像时，图像缺陷定位模型也能进行准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0020]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：[0022]图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。[0023]图2示出了根据本申请的一个实施例的图像处理方法的流程图。[0024]图3示出了根据本申请的一个实施例的图像处理方法的步骤S210的具体流程图。[0025]图4示出了根据本申请的一个实施例的图像处理方法的步骤S230的具体流程图。[0026]图5示出了根据本申请的一个实施例的图像处理方法的步骤S410的具体流程图。[0027]图6示出了根据本申请的一个实施例的图像处理方法的流程图。[0028]图7示出了根据本申请的一个实施例的图像处理方法的流程图。[0029]图8示出了根据本申请的一个实施例的图像处理方法的步骤S720的具体流程图。[0030]图9示出了根据本申请的一个实施例的图像处理方法的步骤S810的具体流程图。[0031]图10示出了根据本申请的一个实施例的图像处理装置的框图。[0032]图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式[0033]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。[0034]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方[0035]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。[0036]附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合7并或部分合并，因此实际执行的顺序有可能根据实际情况改变。[0037]图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。[0038]如图1所示，系统架构可以包括客户端101、网络102和服务器103。网络102用以在客户端101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有[0039]应该理解，图1中的客户端101、网络102和服务器103的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端101、网络102和服务器103,比如服务器103可以是多个服务器组成的服务器集群等。[0040]客户端101通过网络102与服务器103交互，以接收或发送消息等，服务器103可以是提供各种服务的服务器，例如可以为提供图像处理应用的服务器。[0041]客户端101通过基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集，并从多个图像聚类集中选取图像数量最多的目标图像聚类集，且基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数，再基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像，通过先对待检测图像进行图像校准的数据预处理，再由图像缺陷定位模型根据校准后的待检测图像来进行缺陷定位检测，相较于将不经过图像校准的数据预处理的待检测图像直接输入至图像缺陷定位模型，使得在当待检测图像为特定颜色模式聚集的液晶面板图像时，图像缺陷定位模型也能进行准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0042]需要说明的是，本申请实施例所提供的图像处理方法一般由客户端101执行，相应地，图像处理装置一般设置于客户端101中。但是，在本申请的其它实施例中，服务器103也可以与客户端101具有相似的功能，从而执行本申请实施例所提供的图像处理方法的方案。[0043]以下对本申请实施例的技术方案的实现细节进行详细阐述。[0044]图2示出了根据本申请的一个实施例的图像处理方法的流程图，该图像处理方法可以由客户端来执行，该客户端可以是图1中所示的客户端101。参照图2所示，该图像处理方法至少包括步骤S210至步骤S230,详细介绍如下。[0045]在步骤S210中，基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集。[0046]在一个实施例中，在液晶面板的制造过程中，当液晶面板经过某个加工工艺进行加工后，可以通过特定的图像拍摄装置对加工后的液晶面板进行拍摄得到液晶面板图像，拍摄所得的液晶面板图像作为对液晶面板进行颜色缺陷分析的图像。图像数据集为对液晶面板进行拍摄所得到的图像集合，需要指出的是，由于各个液晶面板图像所处拍摄环境的客观差异，例如由于环境光照、相机成像参数以及液晶面板的反光度等多种不同因素作用下而产生的拍摄环境差异，进而导致液晶面板图像的颜色存在差异。因而，图像数据集包含的液晶面板图像集合一般指的是存在色彩特性差异的液晶面板图像集合。[0047]在一个实施例中，图像的颜色通道参数作为图像在特定色彩模式下所对应的颜色通道中的参数值，图像的颜色通道参数可以作为表征图像的色彩特性的一种参数，图像一般包含多个像素，各个像素具有相应的颜色通道参数，图像所包含的所有像素的颜色通道参数构成了该图像的颜色通道参数。8[0048]图像所对应的色彩模式可以是单个颜色通道的色彩模式，例如灰度图，对于单颜色通道的图像，各个像素对应的颜色通道参数值只有一个颜色通道下的参数值。图像所对应的色彩模式也可以是多个颜色通道的色彩模式，例如红绿蓝RGB色彩模式，例如在RGB色彩模式下，相应的颜色通道参数为三个参数值，即在R颜色通道、G颜色通道以及B颜色通道下的参数值。[0049]在一个实施例中，为了确定图像数据集所包含的所有图像所具有的共同色彩特性，可以基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集，各个图像聚类集可以作为表征具有相同色彩特性的图像集合。[0050]可选的，对图像数据集中的图像进行聚类处理所采用的聚类算可以为Mean-Shift聚类算法或k-means聚类算法等等，当然，还可以为其它聚类算法，在此不作限定。[0051]可选的，将图像数据集中各图像的颜色通道参数作为进行聚类处理的输入数据时，可以将图像所包含的所有像素所对应的颜色通道参数直接作为进行聚类的输入数据，来对图像数据集中的图像进行聚类处理，得到多个图像聚类集，以实现根据图像所包含的色彩特性对图像数据集中的图像进行聚类。[0052]参考图3,图3示出了根据本申请的一个实施例的图像处理方法的步骤S210的具体流程图，在该实施例中，步骤S210具体可以包括步骤S310至步骤S320,详细描述如下。[0053]在步骤S310中，基于图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算图像数据集中每个图像相对应的平均颜色通道参数。[0054]在一个实施例中，在基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理时，也可以先根据图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算图像数据集中每个图像相对应的平均颜色通道参数，换而言之，针对图像数据集中的每个图像，根据该图像所包含的所有像素所对应的颜色通道参数，计算该图像相对应的平均颜色通道参数，平均颜色通道参数作为反映该图像所具有的整体色彩特性的参数。[0055]具体的，可以将所有像素的颜色通道参数相加，并除以图像所到该图像相对应的平均颜色通道参数。[0056]可选的，在当图像所对应的色彩模式为单个颜色通道的色彩模式时，可以根据每个图像所包含的所有像素对应的单个颜色通道参数相加，并除以该图像所包含的像素个数得到图像相对应的平均颜色通道参数，所得到的图像相对应的平均颜色通道参数仅为一个。[0057]可选的，在当图像的色彩模式下为多颜色通道的色彩模式时，步骤S310具体可以包括：基于图像数据集中每个图像所包含的所有像素在各个颜色通道下的颜色通道参数，分别计算图像数据集中每个图像在各个颜色通道下的平均颜色通道参数。[0058]在图像的色彩模式下为多颜色通道的色彩模式时，图像相对应的平均颜色通道参数为多个颜色通道中的颜色通道参数。以RGB色彩模式下的图像为例，可以将每个图像所包含的所有像素在R颜色通道下的颜色通道参数相加，并除以该图像所包含的像素个数，得到该图像在R颜色通道下的平均颜色通道参数，同理，可以分别计算得到该图像在G颜色通道下的平均颜色通道参数以及在B颜色通道下的平均颜色通道参数，进而计算得到该图像分别在R颜色通道、G颜色通道下以及B颜色通道下的平均颜色通道参数，该图像在三个不同颜9色通道下的平均颜色通道参数构成了该图像所对应的平均颜色通道参数。[0059]在步骤S320中，基于图像数据集中每个图像相对应的平均颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集。[0060]在一个实施例中，在获取图像数据集中每个图像相对应的平均颜色通道参数后，将其作为聚类算法的输入数据，通过聚类算法对输入数据进行处理，输出多个图像聚类集的聚类结果，从而实现根据图像数据集中各图像的颜色通道参数对图像数据集中的图像进行聚类处理。[0061]图3所示实施例的技术方案中，通过先根据图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算图像数据集中每个图像相对应的平均颜色通道参数，再基于图像数据集中每个图像相对应的平均颜色通道参数，对图像数据集中的图像进行聚类处理，相较于直接根据图像所包含所有像素的颜色通道参数来直接来对图像数据集中的图像进行聚类处理的方式，可以显著降低输入至聚类算法中的每个图像所对应的计算数据[0062]还请继续参考图2,在步骤S220中，从多个图像聚类集中选取图像数量最多的目标图像聚类集，基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数。[0063]在一个实施例中，在得到多个图像聚类集后，可以从多个图像聚类集中选取图像数量最多的图像聚类集作为目标图像聚类集，该目标图像聚类集作为最能表征图像数据集中的所有图像所具有的共性色彩特性的图像集合。[0064]可以理解的是，若存在图像数量相同且图像数量均多于其它图像聚类集的两个图像聚类集时，则可以从这两个图像聚类集中任选一个图像聚类集作为目标图像聚类集。[0065]在一个实施例中，在确定目标图像聚类集后，则可以基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数。[0066]具体的，可以根据目标图像聚类集中每个图像所包含的所有像素对应的颜色通道参数，分别计算图像数据集中每个图像相对应的平均颜色通道参数，换而言之，针对目标图像聚类集中的每个图像.根据该图像所包含的所有像素所对应的颜色通道参数.计算该图像相对应的平均颜色通道参数。在计算得到目标图像聚类集中的每个图像相对应的平均颜色通道参数，则对目标图像聚类集中的每个图像相对应的平均颜色通道参数进行求和，再将求和结果除以目标图像聚类集中的图像个数，计算得到目标图像聚类集中图像的平均颜色通道参数。[0067]如前所述，图像在各个颜色通道下的颜色通道参数需要分别进行计算，因而在当图像所对应的色彩模式为单个颜色通道的色彩模式时，所得到的图像相对应的平均颜色通道参数仅为一个，相应的，目标图像聚类集中图像的平均颜色通道参数也仅为一个；而在当图像的色彩模式下为多颜色通道的色彩模式时，所得到的图像相对应的平均颜色通道参数为多个，相应的，目标图像聚类集中图像的平均颜色通道参数也为多个。[0068]在步骤S230中，基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像。[0069]在一个实施例中，在确定目标图像聚类集中图像的平均颜色通道参数后，可以基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像。[0070]具体的，可以根据目标图像聚类集中图像的平均颜色通道参数来对待检测图像所包含所有像素的颜色通道参数进行校准处理，以使得待检测图像能调整成具有图像数据集中所有图像的共性色彩特性的图像，作为校准后的待检测图像。[0071]相较于将不经过图像校准的待检测图像直接输入至图像缺陷定位模型的方式，通过先对待检测图像进行图像校准的数据预处理，再由图像缺陷定位模型根据校准后的待检测图像来进行缺陷定位检测，使得在当待检测图像为特定颜色模式聚集的液晶面板图像时，图像缺陷定位模型也能进行准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0072]参考图4,图4示出了根据本申请的一个实施例的图像处理方法的步骤S230的具体流程图，在该实施例中，步骤S230具体可以包括步骤S410至步骤S430,详细描述如下。[0073]在步骤S410中，基于待检测图像所包含的所有像素的颜色通道参数，确定待检测图像相对应的平均颜色通道参数。[0074]在一个实施例中，在基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理时，可以先基于待检测图像所包含的所有像素的颜色通道参数，确定待检测图像相对应的平均颜色通道参数。[0075]具体的，可以将所有像素的颜色通道参数相加，并除以图像所包含的像素个数，得到该图像相对应的平均颜色通道参数。[0076]可以理解的是，在当图像所对应的色彩模式为单个颜色通道的色彩模式时，可以根据待检测图像所包含的所有像素对应的单个颜色通道参数相加.并除以该图像所包含的像素个数得到图像相对应的平均颜色通道参数，所得到的待检测图像相对应的平均颜色通道参数仅为一个。[0077]在待检测图像的色彩模式下为多颜色通道的色彩模式时，待检测图像相对应的平均颜色通道参数为多个颜色通道中的颜色通道参数。以RGB色彩模式下的图像为例，可以将待检测图像所包含的所有像素在R颜色通道下的颜色通道参数相加，并除以待检测图像所包含的像素个数，得到待检测图像在R颜色通道下的平均颜色通道参数，同理，可以分别计算得到待检测图像在G颜色通道下的平均颜色通道参数以及在B颜色通道下的平均颜色通道参数.进而计算得到待检测图像分别在R颜色通道、G颜色通道下以及B颜色通道下的平均颜色通道参数，待检测图像在三个不同颜色通道下的平均颜色通道参数构成了待检测图像所对应的平均颜色通道参数。[0078]在步骤S420中，基于目标图像聚类集中图像的平均颜色通道参数以及待检测图像相对应的平均颜色通道参数，生成校准参数。[0079]在一个实施例中，在根据基于目标图像聚类集中图像的平均颜色通道参数以及待检测图像相对应的平均颜色通道参数，生成校准参数时，具体可以根据目标图像聚类集中图像的平均颜色通道参数与待检测图像相对应的平均颜色通道参数，以及对图像进行校准处理的校准参数与目标图像聚类集中图像的平均颜色通道参数、图像相对应的平均颜色通道参数这两者之间的对应关系，生成对该图像进行校准处理的校准参数，进而实现对待检测图像进行校准处理。[0080]参考图5,图5示出了根据本申请的一个实施例的图像处理方法的步骤S410的具体目标图像聚类集中图像的平均颜色通道参数与待检测图像相对应的平均颜色通道参数之[0083]可以理解的是.在当图像的色彩模式下为多类集中图像的平均颜色通道参数以及待检测图像相对应的平均颜色通道参数均包括不同的平均颜色通道参数B1,待检测图像相对应的平均颜色通道参数包括R颜色通道下的平均数B2,则目标图像聚类集中图像的平均颜色通道参数与待检测图像相对应的平均颜色通道参数之间的比值包括R颜色通道对应的、G颜色通道对应的以及B颜色通道对应的将G颜色通道对应的比值作为图像在相应的G颜色通道下的校准参数以及将B颜色通道检测图像对应的校准参数，对待检测图像所包含的所有像素的颜色通道参数进行校准处理，得到校准后的图像数据集。[0092]具体的，根据待检测图像在每个颜色通道下的校准参数对待检测图像的每个像素在对应的颜色通道下的颜色通道参数进行校准处理。进行校准处理方法具体可以为计算图像在每个颜色通道下的校准参数与该图像的像素在对应的颜色通道下的颜色通道参数之间的乘积，该乘积作为校准后的颜色通道参数，进而实现对图像的每个像素在对应的颜色通道下的颜色通道参数进行校准。[0093]在该图像所包含的所有像素的颜色通道参数均进行校准处理后，即可得到校准后的待检测图像。[0094]以上可以看出，通过基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集，并从多个图像聚类集中选取图像数量最多的目标图像聚类集，且基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数，再基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像，通过先对待检测图像进行图像校准的数据预处理，再由图像缺陷定位模型根据校准后的待检测图像来进行缺陷定位检测，相较于将不经过图像校准的数据预处理的待检测图像直接输入至图像缺陷定位模型，使得在当待检测图像为特定颜色模式聚集的液晶面板图像时，图像缺陷定位模型也能进行准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0095]参考图6,图6示出了根据本申请的一个实施例的图像处理方法的流程图，在本申请实施例中的图像处理方法还可以包括步骤S610至步骤S620,详细描述如下。[0096]在步骤S610中，输入校准后的待检测图像至预训练的图像缺陷定位模型中。[0097]在一个实施例中，在对液晶面板进行颜色缺陷分析时，可以将液晶面板图像输入至经过训练所得的图像缺陷定位模型，通过图像缺陷定位模型来实现对液晶面板图像进行缺陷定位，该图像缺陷定位模型为对机器学习模型进行训练所得。机器学习模型可以是CNN(ConvolutionalNeuralNetwork,卷积神经网络)模型，或者也可以是深度神经网络模型等。预训练的图像缺陷定位模型可以对输入的校准后的待检测图像进行缺陷定位处理，以检测待检测图像中的缺陷位置。[0098]在步骤S620中，通过图像缺陷定位模型对校准后的待检测图像进行缺陷定位处[0099]在一个实施例中，通过图像缺陷定位模型对校准后的待检测图像进行缺陷定位处理，输出缺陷定位结果，该缺陷定位结果则为对校准后的待检测图像进行缺陷位置定位处理所得的缺陷定位信息。[0100]图6所示实施例的技术方案中，通过对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像，通过先对待检测图像进行图像校准的数据预处理，再由图像缺陷定位模型根据校准后的待检测图像来进行缺陷定位检测，相较于将不经过图像校准的数据预处理的待检测图像直接输入至图像缺陷定位模型，使得在当待检测图像为特定颜色模式聚集的液晶面板图像时，图像缺陷定位模型也能进行准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0101]参考图7,图7示出了根据本申请的一个实施例的图像处理方法的流程图，在本申请实施例中的图像处理方法还可以包括步骤S710至步骤S740,详细描述如下。[0102]在步骤S710中，基于目标图像聚类集中图像的平均颜色通道参数，对图像数据集中的图像的颜色通道参数进行校准处理，得到校准后的图像数据集。[0103]在一个实施例中，在根据图像数据集生成对机器学习模型进行训练的训练样本数据时，可以先基于目标图像聚类集中图像的平均颜色通道参数，对图像数据集中的图像的颜色通道参数进行校准处理，得到校准后的图像数据集。其中，基于目标图像聚类集中图像的平均颜色通道参数，对图像数据集中的每个图像的颜色通道参数进行校准处理的方法与基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理的方式一致，在此不再赘述。[0104]在步骤S720中，对校准后的图像数据集中的各图像进行图像缺陷标注处理，得到标注后的图像数据集。[0105]在一个实施例中，在根据校准后的图像数据集来对图像缺陷定位模型进行训练时，还可以对校准后的图像数据集中的各图像进行图像缺陷标注处理，即预先在各图像的实际缺陷位置进行标注处理。[0106]在步骤S730中，基于标注后的图像数据集，生成训练样本数据。[0107]在一个实施例中，在对校准后的图像数据集进行标注处理，得到标注后的图像数据集后，可以根据标注后的图像数据集来生成对机器学习模型进行训练的训练样本数据。[0108]参考图8,图8示出了根据本申请的一个实施例的图像处理方法的步骤S720的具体流程图，在本申请实施例中的步骤S720可以包括步骤S810至步骤S830,详细描述如下。[0110]在一个实施例中，在对校准后的图像数据集进行标注处理得到标注后的图像数据集后，为了提高对机器学习模型的效果，还可以从标注后的图像数据集选取部分图像，作为进行数据增强处理的目标图像。[0111]可选的，可以随机从标注后的图像数据集中直接抽取部分图像，作为进行数据增强处理的目标图像。[0112]可选的，参考图9,图9示出了根据本申请的一个实施例的图像处理方法的步骤S810的具体流程图，在本申请实施例中的步骤S810可以包括步骤S910至步骤S930,详细描述如下。[0113]在步骤S910中，获取数据增强概率阈值。[0114]在步骤S920中，为标注后的图像数据集中的图像分配随机数。[0115]在步骤S930中，将分配的随机数小于或等于数据增强概率阈值的图像，确定为目标图像。[0116]在一个实施例中，从标注后的图像数据集中选取进行数据增强处理的目标图像时，为了保证随机性，可以先预设进行图像选取的数据增强概率阈值，并根据该数据增强概率阈值来进行图像选取，该数据增强概率阈值可以为预设的某个概率参数，例如可以为0.5到0.8之间的某个概率参数。[0117]具体的，可以预选为标注后的图像数据集中的各个图像分配一个随机数，该随机数一般为0到1之间的某个参数。[0118]将为各个图像所分配的随机数与数据增强概率阈值进行比对，将分配的随机数小于或等于数据增强概率阈值的图像，确定为目标图像，进而实现了可以随机的从标注后的图像数据集中选择需要进行数据增强处理的目标图像。[0119]还请继续参考图8,在步骤S820中，对目标图像进行数据增强处理，得到处理后的图像。[0120]在一个实施例中，在获取目标图像后，可以对所选取的目标图像进行数据增强处[0121]具体的，针对所选取的任意一个目标图像，可以对该目标图像执行颜色变换、旋转，缩放以及添加噪声等多种类型的数据增强处理。可以理解的是，针对每一种类型的数据增强处理，可以根据一定的概率来确定每个目标图像是否要执行该类型对应的数据增强处理，因而各个目标图像可能同时执行一个或多个类型的数据增强处理。[0122]在步骤S830中，基于处理后的图像以及标注后的图像数据集，生成训练样本数据。[0123]基于经过数据增强处理后的图像以及未进行数据增强处理的原始图像共同组成用于对机器学习模型进行训练的训练样本数据。[0124]图8所示实施例的技术方案中，通过采用未经过数据增强处理的图像以及经过数据增强处理后的图像来共同生成对机器学习模型进行训练的训练样本数据，可以有效提高训练所得的图像缺陷定位模型的泛化能力，提升了图像缺陷定位模型进行图像缺陷定位的性能。[0125]还请继续参考图7,在步骤S740中，基于生成的训练样本数据对机器学习模型进行[0126]在一个实施例中，基于生成的训练样本数据对机器学习模型进行训练，得到图像缺陷定位模型，对机器学习模型进行训练的过程是调整机器学习模型对应的网络结构中的各项系数，使得对于输入的待检测图像，经过机器学习模型对应的网络结构中的各项系数运算，输出结果为所确定的缺陷定位信息。[0127]图7所示实施例的技术方案中，当待检测图像为特定颜色模式聚集的液晶面板图像，通过对图像数据集中各个图像待检测图像进行颜色校准的数据预处理，以使得该图像与校准后的图像数据集中的图像之间的色彩差异性减小，从而使得经过校准后的图像数据集图像来进行训练的图像缺陷定位模型能对特定颜色模式聚集的液晶面板图像实现准确的缺陷定位，提高了图像缺陷定位模型进行缺陷定位的精准度。[0128]以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的图像处理方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的图像处理方法的实施例。[0129]图10示出了根据本申请的一个实施例的图像处理装置的框图。[0130]参照图10所示，根据本申请的一个实施例的图像处理装置1000,包括：聚类单元1010、计算单元1020以及第一校准单元1030。其中，聚类单元1010,用于基于图像数据集中各图像的颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集；计算单元1020,用于从多个图像聚类集中选取图像数量最多的目标图像聚类集，基于目标图像聚类集中各图像的颜色通道参数，计算目标图像聚类集中图像的平均颜色通道参数；第一校准单元1030,用于基于目标图像聚类集中图像的平均颜色通道参数，对待检测图像的颜色通道参数进行校准处理，得到校准后的待检测图像。[0131]在本申请的一些实施例中，基于前述方案，聚类单元1010被配置为：基于图像数据集中每个图像所包含的所有像素对应的颜色通道参数，分别计算图像数据集中每个图像相对应的平均颜色通道参数；基于图像数据集中每个图像相对应的平均颜色通道参数，对图像数据集中的图像进行聚类处理，得到多个图像聚类集。[0132]在本申请的一些实施例中，基于前述方案，聚类单元1010被配置为：基于图像数据集中每个图像所包含的所有像素在各个颜色通道下的颜色通道参数，分别计算图像数据集中每个图像在各个颜色通道下的平均颜色通道参数。[0133]在本申请的一些实施例中，基于前述方案，第一校准单元1030被配置为：基于待检测图像所包含的所有像素的颜色通道参数，确定待检测图像相对应的平均颜色通道参数；基于目标图像聚类集中图像的平均颜色通道参数以及待检测图像相对应的平均颜色通道参数，生成校准参数；基于述校准参数，对待检测图像所包含的所有像素的颜色通道参数进行校准处理，得到校准后的待检测图像。[0134]在本申请的一些实施例中，基于前述方案，第一校准单元1030被配置为：计算目标图像聚类集中图像的平均颜色通道参数与待检测图像相对应的平均颜色通道参数之间的输入校准后的待检测图像至预训练的图像缺陷定位模型中；定位单元，用于通过图像缺陷定位模型对校准后的待检测图像进行缺陷定位处理，输出缺陷定位结果。用于基于目标图像聚类集中图像的平均颜色通道参数，对图像数据集中的图像的颜色通道参数进行校准处理，得到校准后的图像数据集；标注单元，用于对校准后的图像数据集中的图像进行图像缺陷标注处理，得到标注后的图像数据集；生成单元，用于基于标注后的图像数据集，生成训练样本数据；训练单元，用于基于生成的训练样本数据对机器学习模型进行[0137]在本申请的一些实施例中，基于前述方案，生成单元被配置为：从标注后的图像数据集，选取目标图像；对目标图像进行数据增强处理，得到处理后的图像；基于处理后的图像以及标注后的图像数据集，生成训练样本数据。[0138]在本申请的一些实施例中，基于前述方案，生成单元被配置为：获取数据增强概率阈值；为标注后的图像数据集中的图像分配随机数；将分配的随机数小于或等于数据增强[0139]图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。[0140]需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。[0141]如图11所示，计算机系统1110包括中央处理单元(CentralProcessingUnit,CPU)1101,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(RandomAccessMemory,RAM)1103中的程序而执行各作所需的各种程序和数据。CPU1101、ROM1102以及RAM1103通过总线1104入/输出(Input/Output,I/0)接口1105也连接至总线1104。[0142]以下部件连接至I/0接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CathodeRayTube,CRT)、液晶显示器(LiquidCrystalDisplay,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/0接口1105。可拆卸介质从其上读出的计算机程序根据需要被安装入储存部分1108。[0143]特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。[0144]需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。[0145]附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。