安检图像着色方法、装置、存储介质及计算机设备

技术领域

本发明涉及安检技术领域，尤其涉及一种安检图像着色方法、装置、存储介质及计算机设备。

背景技术

安检机是常见的安全检查工具，广泛应用于交通运输、场馆安全检查等领域。安检机在对物品进行安全检查时，主要是使用X射线源发射高低能射线，接收板接收经高低能射线照射物品后得到高低能数据后，通过高低能数据计算相应的原子序数后进行物质分类并着色。物品的颜色主要是根据计算的原子序数、高低能融合图谱数据，生成对应的颜色数据。通常定义有机物品显示为橙色或黄色系，无机物表示为蓝色系，混合物表示为绿色系。

目前，在计算原子序数时，主要是根据实验参数和理论推导公式进行计算的，计算过程中会存在原子序数计算不准确的情况，且质子序数和颜色空间存在多对一的关系，进而导致图像着色的准确率较低。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中计算原子序数时，会存在原子序数计算不准确的情况，且质子序数和颜色空间存在多对一的关系，进而导致图像着色的准确率较低的技术缺陷。

本发明提供了一种安检图像着色方法，所述方法包括：

获取安检时采集的原始高低能图像，所述原始高低能图像包括原始高能图像和原始低能图像融合后生成的L通道数据；

将所述原始高低能图像输入至预先配置的图像着色模型，得到所述图像着色模型输出的与所述原始高低能图像对应的ab着色通道数据；其中，所述图像着色模型为，以训练高低能图像为训练样本，以所述训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到；

基于所述L通道数据以及所述图像着色模型输出的ab着色通道数据，确定与所述原始高低能图像对应的彩色图像。

可选地，所述训练高低能图像包括不同类型的安检机，对不同厚度的有机物、无机物和混合物所采集的高低能图像。

可选地，所述训练高低能图像渲染着色后的彩色图像的获取过程包括：

获取训练高低能图像；

对所述训练高低能图像进行渲染着色，得到渲染着色后的初始彩色图像；

对所述初始彩色图像进行二次加工处理，得到最终的彩色图像。

可选地，所述图像着色模型包括特征提取网络、融合层和输出层；

所述将所述原始高低能图像输入至预先配置的图像着色模型，得到所述图像着色模型输出的与所述原始高低能图像对应的ab着色通道数据的步骤，包括：

将所述原始高低能图像输入至预先配置的图像着色模型中；

基于所述特征提取网络对所述原始高低能图像进行特征提取，得到相应的特征图；

基于所述融合层对所述特征图进行融合，得到融合后的特征图；

基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据。

可选地，所述特征提取网络包括低级特征提取网络、中级特征提取网络和全局特征提取网络；

所述基于所述特征提取网络对所述原始高低能图像进行特征提取，得到相应的特征图；基于所述融合层对所述特征图进行融合，得到融合后的特征图的步骤，包括：

基于所述低级特征提取网络对所述原始高低能图像进行低级特征提取，得到低级特征图；

基于所述中级特征提取网络对所述原始高低能图像进行中级特征提取，得到中级特征图；

基于所述全局特征提取网络对所述原始高低能图像进行全局特征提取，得到全局特征图；

基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行融合，得到融合后的特征图。

可选地，所述基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行融合，得到融合后的特征图的步骤，包括：

基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行尺度划分；

将尺度超过设定尺度阈值的特征图进行下采样，以及将尺度低于所述设定尺度阈值的特征图进行上采样；

将下采样后的特征图、上采样后的特征图以及符合所述设定尺度阈值的特征图进行融合。

可选地，所述图像着色模型的训练过程，包括：

将所述训练高低能图像输入至所述图像着色模型中；

基于所述特征提取网络对所述训练高低能图像进行特征提取，得到相应的特征图；

基于所述融合层对所述特征图进行融合，得到融合后的特征图；

基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据；以所述图像着色模型输出的ab着色通道数据趋近于所述样本标签为目标，更新模型参数。

本发明还提供了一种安检图像着色装置，包括：

图像获取模块，用于获取安检时采集的原始高低能图像，所述原始高低能图像包括原始高能图像和原始低能图像融合后生成的L通道数据；

图像着色模块，用于将所述原始高低能图像输入至预先配置的图像着色模型，得到所述图像着色模型输出的与所述原始高低能图像对应的ab着色通道数据；其中，所述图像着色模型为，以训练高低能图像为训练样本，以所述训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到；

图像生成模块，用于基于所述L通道数据以及所述图像着色模型输出的ab着色通道数据，确定与所述原始高低能图像对应的彩色图像。

本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述安检图像着色方法的步骤。

本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述安检图像着色方法的步骤。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明提供的安检图像着色方法、装置、存储介质及计算机设备，使用图像着色模型对安检时采集到的原始高低能图像进行着色时，由于图像着色模型是以训练高低能图像为训练样本，以训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到的，因而，将原始高低能图像输入至图像着色模型中，可以得到与原始高低能图像对应的ab着色通道数据，基于原始高低能图像的L通道数据以及图像着色模型输出的ab着色通道数据，即可得到与原始高低能图像对应的Lab颜色空间数据；本申请使用图像着色模型对安检时采集到的原始高低能图像进行着色，摆脱了现有技术中通过高低能实验数据推导公式计算相应的原子序数后进行物质分类并着色的方式，避免了计算原子序数时存在原子序数计算不准确、质子序数和颜色空间存在多对一关系的情况，从而有效提高了图像着色准确率。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种安检图像着色方法的流程示意图；

图2为本发明实施例提供的一种安检图像着色装置的结构示意图；

图3为本发明实施例提供的一种计算机设备的内部结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

安检机是常见的安全检查工具，广泛应用于交通运输、场馆安全检查等领域。安检机在对物品进行安全检查时，主要是使用X射线源发射高低能射线，接收板接收经高低能射线照射物品后得到高低能数据后，通过高低能数据计算相应的原子序数后进行物质分类并着色。物品的颜色主要是根据计算的原子序数、高低能融合图谱数据，生成对应的颜色数据。通常定义有机物品显示为橙色或黄色系，无机物表示为蓝色系，混合物表示为绿色系。

目前，在计算原子序数时，主要是根据实验参数和理论推导公式进行计算的，计算过程中会存在原子序数计算不准确的情况，且质子序数和颜色空间存在多对一的关系，进而导致图像着色的准确率较低。

因此，本发明的目的是解决现有技术中计算原子序数时，会存在原子序数计算不准确的情况，且质子序数和颜色空间存在多对一的关系，进而导致图像着色的准确率较低的技术问题，并提出如下技术方案：

在一个实施例中，如图1所示，图1为本发明实施例提供的一种安检图像着色方法的流程示意图；本发明提供了一种安检图像着色方法，具体包括如下步骤：

S110：获取安检时采集的原始高低能图像，原始高低能图像包括原始高能图像和原始低能图像融合后生成的L通道数据。

本步骤中，安检机在采集原始高低能图像时，首先采集到的是原始高能图像和原始低能图像，原始高能图像和原始低能图像为两张黑白图像。其中，原始高能图像对厚重的物体细节有较好的成像，原始低能图像对轻薄的物质的细节有较好的成像。因此，对原始高能图像与原始低能图像采用细节增强的方式进行融合后，得到的原始高低能图像，能够保留各自区域的细节部分。

接着，由于融合后的原始高低能图像为灰度图像，因而在Lab颜色空间中只显示L通道数据。

可以理解的是，Lab颜色空间是由亮度(L)和有关色彩的a，b三个要素组成。L表示明度(Luminosity)，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。

比如说，L的值域由0到100，L＝50时，就相当于50％的黑色；a和b的值域都是由+127至-128，其中+127a就是洋红色，渐渐过渡到-128a的时候就变成绿色；同样原理，+127b是黄色，-128b是蓝色。所有的颜色以这三个值交互变化所组成。例如，一块色彩的Lab值是L＝100，a＝30，b＝0，这块色彩即表示粉红色。

S120：将原始高低能图像输入至预先配置的图像着色模型，得到图像着色模型输出的与原始高低能图像对应的ab着色通道数据。

本步骤中，通过步骤S110获取到安检时采集的原始高低能图像后，可以将原始高低能图像输入至预先配置的图像着色模型中，以通过图像着色模型来预测原始高低能图像对应的ab着色通道数据。

需要说明的是，本申请中的图像着色模型是以训练高低能图像为训练样本，以训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练后得到的。

其中，训练高低能图像指的是模型训练时输入的原始高低能图像；训练高低能图像渲染着色后的彩色图像指的是，对训练时输入的原始高低能图像进行渲染着色后得到的彩色图像，该彩色图像在Lab颜色空间对应有L通道数据和ab着色通道数据。

当输入训练高低能图像对图像着色模型进行训练时，以训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签，并通过不断调整图像着色模型的参数，来缩小图像着色模型输出的的ab着色通道数据与样本标签之间的差值，以此对图像着色模型进行训练，最终得到的图像着色模型在输入原始高低能图像后，即可输出与原始高低能图像对应的ab着色通道数据。

进一步地，本申请中的图像着色模型可以包括多个特征提取网络、融合层以及输出层，多个特征提取网络可以设置为低级特征提取网络、中级特征提取网络和全局特征提取网络，且每个特征提取网络可以由多层CNN网络和Relu层构建而成，使用下采样或上采样的方式，将多个特征提取网络提取到的不同尺度的特征图在融合层进行融合，并通过输出层确定与原始高低能图像对应的ab着色通道数据。

可以理解的是，这里使用Relu层的作用是增加了神经网络各层之间的非线性关系，Relu层会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

S130：基于L通道数据以及图像着色模型输出的ab着色通道数据，确定与原始高低能图像对应的彩色图像。

本步骤中，通过步骤S120将原始高低能图像输入至预先配置的图像着色模型，得到图像着色模型输出的与原始高低能图像对应的ab着色通道数据后，可以通过原始高低能图像的L通道数据，以及图像着色模型输出的ab着色通道数据，来共同确定与原始高低能图像对应的彩色图像。

例如，将图像着色模型输出的ab着色通道数据和原始高低能图像的L通道数据组合成Lab颜色空间数据后，由于L、a、b的值均已确定，因而可直接生成彩色图像。

上述实施例中，使用图像着色模型对安检时采集到的原始高低能图像进行着色时，由于图像着色模型是以训练高低能图像为训练样本，以训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到的，因而，将原始高低能图像输入至图像着色模型中，可以得到与原始高低能图像对应的ab着色通道数据，基于原始高低能图像的L通道数据以及图像着色模型输出的ab着色通道数据，即可得到与原始高低能图像对应的Lab颜色空间数据；本申请使用图像着色模型对安检时采集到的原始高低能图像进行着色，摆脱了现有技术中通过高低能实验数据推导公式计算相应的原子序数后进行物质分类并着色的方式，避免了计算原子序数时存在原子序数计算不准确、质子序数和颜色空间存在多对一关系的情况，从而有效提高了图像着色准确率。

上述实施例对本申请的安检图像着色方法进行了展开描述，下面将对本申请的训练高低能图像进行详细描述。

在一个实施例中，所述训练高低能图像可以包括不同类型的安检机，对不同厚度的有机物、无机物和混合物所采集的高低能图像。

本实施例中，在对图像着色模型进行训练时，输入的训练高低能图像可以包括多种类型的数据，如使用同一类型的安检机进行检测时，设计有机物、无机物、混合物、同种物质、不同种物质、实物厚度等多种变量，进行多维度的组合设计来采集高低能图像。

举例来说，可以使用不同类型的安检机来采集不厚度的有机物对应的高低能图像，不同厚度的无机物对应的高低能图像，不同厚度无机物及不同厚度有机物混合后对应的高低能图像，以及更加复杂的数据组合。

由于采集的数据涵盖实际应用中的不同物质组合数据，同时涵盖不同的机型数据，因此，使用该数据对模型进行训练后，得到的图像着色模型能够兼容不同机型的高低能图像，从而保证着色的一致性和稳定性。

另外，图像着色模型的训练过程还可以按照由简及难的策略，先使用单一物质进行训练，即使用不同厚度的有机物数据、不同厚度的无机物数据先进行训练，然后再逐渐加入有机物、无机物混合数据进行训练，采用该策略可以训练出稳定的图像着色模型。

上述实施例对本申请的训练高低能图像进行详细描述，下面将对本申请中对训练高低能图像进行渲染着色后得到彩色图像的过程进行说明。

在一个实施例中，所述训练高低能图像渲染着色后的彩色图像的获取过程可以包括：

A11：获取训练高低能图像。

A12：对所述训练高低能图像进行渲染着色，得到渲染着色后的初始彩色图像。

A13：对所述初始彩色图像进行二次加工处理，得到最终的彩色图像。

本实施例中，为了更好地对模型进行训练，可以将训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签，以此来更新模型的参数。

在对训练高低能图像进行渲染着色时，可以先对训练高低能图像进行渲染着色，得到渲染着色后的初始彩色图像，然后在对初始彩色图像进行二次加工处理，从而得到最终的彩色图像。

其中，渲染着色指的是对训练高低能图像进行细粒度的图片着色，该着色方法可以采用传统的着色方法进行初步着色，然后在二次加工处理时，通过人工对初步着色后的彩色图像进行精细化处理，得到最终的彩色图像。

进一步地，对于对于渲染着色后得到的彩色图像，可以按照比例划分为训练集和测试集，利用训练集作为模型参数更新的依据，利用测试集对模型输出的数据进行验证。

更进一步地，在后期的训练过程中，可以使用训练精度较高的模型先对训练高低能图像进行着色，然后再进行局部修改，以加快人工渲染的速度，进而增加数据集容量。

上述实施例对本申请中对训练高低能图像进行渲染着色后得到彩色图像的过程进行说明，下面将对本申请中的图像着色模型的使用过程进行详细说明。

在一个实施例中，所述图像着色模型可以包括特征提取网络、融合层和输出层；步骤S120中将所述原始高低能图像输入至预先配置的图像着色模型，得到所述图像着色模型输出的与所述原始高低能图像对应的ab着色通道数据的步骤，可以包括：

S121：将所述原始高低能图像输入至预先配置的图像着色模型中。

S122：基于所述特征提取网络对所述原始高低能图像进行特征提取，得到相应的特征图。

S123：基于所述融合层对所述特征图进行融合，得到融合后的特征图。

S124：基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据。

本实施例中，图像着色模型可以包括特征提取网络、融合层和输出层，其中，特征提取网络可以对原始高低能图像进行特征提取，得到相应的特征图，融合层对特征提取网络提取到的特征图进行融合，得到融合后的特征图，输出层通过融合后的特征图确定对应的ab着色通道数据。

上述实施例对本申请中的图像着色模型的使用过程进行详细说明，下面将对本申请中特征提取网络的特征提取过程进行展开描述。

在一个实施例中，所述特征提取网络可以包括低级特征提取网络、中级特征提取网络和全局特征提取网络；步骤S122中基于所述特征提取网络对所述原始高低能图像进行特征提取，得到相应的特征图；以及步骤S123中基于所述融合层对所述特征图进行融合，得到融合后的特征图的步骤，可以包括：

B11：基于所述低级特征提取网络对所述原始高低能图像进行低级特征提取，得到低级特征图。

B12：基于所述中级特征提取网络对所述原始高低能图像进行中级特征提取，得到中级特征图。

B13：基于所述全局特征提取网络对所述原始高低能图像进行全局特征提取，得到全局特征图。

B14：基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行融合，得到融合后的特征图。

本实施例中，图像着色模型使用特征提取网络对原始高低能图像进行特征提取时，该特征提取网络可以包括低级特征提取网络、中级特征提取网络和全局特征提取网络，且每个特征提取网络可以由多层CNN网络和Relu层构建而成。

当有多层特征提取网络时，可以使用低级特征提取网络、中级特征提取网络以及全局特征提取网络分别对原始高低能图像的低级特征、中级特征以及全局特征进行特征提取，然后利用融合层对提取的低级特征图、中级特征图以及全局特征图进行融合，从而得到融合后的特征图。

本申请使用多层特征提取网络进行特征提取，并使用融合层来融合不同深度提取的特征图后，可以达到区域信息的融合效果，进而生成ab两个色彩通道；并且，每个着色像素点的生成都是利用局区域及全局区域提取的特征信息，相较于传统上文基于单一点物质判断并着色的方法而言，本申请着色后的图像颜色过渡平滑，对高低能中的噪点不敏感。

上述实施例对本申请中特征提取网络的特征提取过程进行展开描述，下面将对融合层的具体融合过程进行详细描述。

在一个实施例中，步骤B14中基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行融合，得到融合后的特征图的步骤，可以包括：

B141：基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行尺度划分。

B142：将尺度超过设定尺度阈值的特征图进行下采样，以及将尺度低于所述设定尺度阈值的特征图进行上采样。

B143：将下采样后的特征图、上采样后的特征图以及符合所述设定尺度阈值的特征图进行融合。

本实施例中，融合层使用上采样或下采样的方式，对不同尺度的特征图进行融合，从而得到最终的待着色的融合图像。

其中，上采样指的是对图像进行放大的过程，下采样指的是对图像进行缩小的过程，放大或缩小后的图像的尺度的相同，进而可以更好地进行融合。

具体地，在对图像进行上采样或下采样时，可以先设置对应的设定尺度阈值，然后将超过设定尺度阈值的特征图进行下采样，将尺度低于设定尺度阈值的特征图进行上采样，接着将下采样后的特征图、上采样后的特征图以及符合设定尺度阈值的特征图进行融合，继而得到融合后的特征图。

上述实施例对融合层的具体融合过程进行详细描述，下面将对图像着色模型的训练过程进行展开说明。

在一个实施例中，所述图像着色模型的训练过程，可以包括：

C11：将所述训练高低能图像输入至所述图像着色模型中。

C12：基于所述特征提取网络对所述训练高低能图像进行特征提取，得到相应的特征图。

C13：基于所述融合层对所述特征图进行融合，得到融合后的特征图。

C14：基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据。

C15：以所述图像着色模型输出的ab着色通道数据趋近于所述样本标签为目标，更新模型参数。

本实施例中，在对图像着色模型进行训练时，在图像着色模型的输出端输入训练高低能图像，训练高低能图像经过图像着色模型前向传播后，输出ab两个着色通道数据，然后取训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签，通过损失函数梯度的反向传播，不断地缩小两者之间的差距，当图像着色模型输出的ab着色通道数据趋近于样本标签时，完成本次训练。

具体地，训练高低能图像经过图像着色模型前向传播的过程可以是：基于特征提取网络对训练高低能图像进行特征提取，得到相应的特征图；接着基于融合层对特征图进行融合，得到融合后的特征图；最后基于输出层确定与融合后的特征图对应的ab着色通道数据；在进行反向传播时，通过损失函数计算当前输出的ab着色通道数据与样本标签之间差值，然后根据梯度下降原理，从当前图像着色模型的权重减去这个值，继而根据重新确定的权重来继续对原始高低能图像进行特征提取并融合。

下面对本申请实施例提供的安检图像着色装置进行描述，下文描述的安检图像着色装置与上文描述的安检图像着色方法可相互对应参照。

在一个实施例中，如图2所示，图2为本发明实施例提供的一种安检图像着色装置的结构示意图；本发明还提供了一种安检图像着色装置，包括图像获取模块210、图像着色模块220和图像生成模块230，具体包括如下：

图像获取模块210，用于获取安检时采集的原始高低能图像，所述原始高低能图像包括原始高能图像和原始低能图像融合后生成的L通道数据。

图像着色模块220，用于将所述原始高低能图像输入至预先配置的图像着色模型，得到所述图像着色模型输出的与所述原始高低能图像对应的ab着色通道数据；其中，所述图像着色模型为，以训练高低能图像为训练样本，以所述训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到。

图像生成模块230，用于基于所述L通道数据以及所述图像着色模型输出的ab着色通道数据，确定与所述原始高低能图像对应的彩色图像。

上述实施例中，使用图像着色模型对安检时采集到的原始高低能图像进行着色时，由于图像着色模型是以训练高低能图像为训练样本，以训练高低能图像渲染着色后的彩色图像对应的ab着色通道数据作为样本标签训练得到的，因而，将原始高低能图像输入至图像着色模型中，可以得到与原始高低能图像对应的ab着色通道数据，基于原始高低能图像的L通道数据以及图像着色模型输出的ab着色通道数据，即可得到与原始高低能图像对应的Lab颜色空间数据；本申请使用图像着色模型对安检时采集到的原始高低能图像进行着色，摆脱了现有技术中通过高低能实验数据推导公式计算相应的原子序数后进行物质分类并着色的方式，避免了计算原子序数时存在原子序数计算不准确、质子序数和颜色空间存在多对一关系的情况，从而有效提高了图像着色准确率。

在一个实施例中，所述训练高低能图像包括不同类型的安检机，对不同厚度的有机物、无机物和混合物所采集的高低能图像。

在一个实施例中，所述图像着色模块220中训练高低能图像渲染着色后的彩色图像的获取过程包括：

获取训练高低能图像。

对所述训练高低能图像进行渲染着色，得到渲染着色后的初始彩色图像。

对所述初始彩色图像进行二次加工处理，得到最终的彩色图像。

在一个实施例中，所述图像着色模型可以包括特征提取网络、融合层和输出层；所述图像着色模块220可以包括：

将所述原始高低能图像输入至预先配置的图像着色模型中。

基于所述特征提取网络对所述原始高低能图像进行特征提取，得到相应的特征图。

基于所述融合层对所述特征图进行融合，得到融合后的特征图。

基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据。

在一个实施例中，所述特征提取网络可以包括低级特征提取网络、中级特征提取网络和全局特征提取网络；所述图像着色模块220中的特征提取过程可以包括：

基于所述低级特征提取网络对所述原始高低能图像进行低级特征提取，得到低级特征图。

基于所述中级特征提取网络对所述原始高低能图像进行中级特征提取，得到中级特征图。

基于所述全局特征提取网络对所述原始高低能图像进行全局特征提取，得到全局特征图。

基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行融合，得到融合后的特征图。

在一个实施例中，所述图像着色模块220中的融合过程可以包括：

基于所述融合层对所述低级特征图、所述中级特征图及所述全局特征图进行尺度划分。

将尺度超过设定尺度阈值的特征图进行下采样，以及将尺度低于所述设定尺度阈值的特征图进行上采样。

将下采样后的特征图、上采样后的特征图以及符合所述设定尺度阈值的特征图进行融合。

在一个实施例中，所述图像着色模块220中的图像着色模型在使用之前需要进行模型训练，所述模型训练过程，可以包括：

将所述训练高低能图像输入至所述图像着色模型中。

基于所述特征提取网络对所述训练高低能图像进行特征提取，得到相应的特征图。

基于所述融合层对所述特征图进行融合，得到融合后的特征图。

基于所述输出层确定与所述融合后的特征图对应的ab着色通道数据。

以所述图像着色模型输出的ab着色通道数据趋近于所述样本标签为目标，更新模型参数。

在一个实施例中，本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述安检图像着色方法的步骤。

在一个实施例中，本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述安检图像着色方法的步骤。

示意性地，如图3所示，图3为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备300可以被提供为一服务器。参照图3，计算机设备300包括处理组件302，其进一步包括一个或多个处理器，以及由存储器301所代表的存储器资源，用于存储可由处理组件302的执行的指令，例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件302被配置为执行指令，以执行上述任意实施例的安检图像着色方法。

计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理，一个有线或无线网络接口304被配置为将计算机设备300连接到网络，和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。