一种基于色温的能见度确定方法、装置、设备及存储介质

技术领域

本发明实施例涉及数据处理技术，尤其涉及一种基于色温的能见度确定方法、装置、设备及存储介质。

背景技术

大气能见度对人类生活有着及其重要的意义，特别是低能见度对航海、航空、道路交通以及人类的日常生活都会产生许多不利的影响，因而准确测量出大气能见度具有重大意义。能见度测量方法有目测法、器测法、视频检测方法。目测法是最原始的观测方法，通过专业观测人员人工目测地面标志物的可见程度来测量能见度，但目测法受主观因素的影响，观测标准无法统一，测量误差较大。器测法是利用大气投射仪、激光能见度等自动测量仪进行能见度测量，该方法较为客观，但是成本高，调试复杂。

目前视频能见度检测方法中广泛使用的有双亮度差方法，基于暗通道的能见度检测方法，以及能见度回归方法。但是由于受太阳高度角的影响，不同色温下的大气透射率不同，所以导致根据大气透射率计算出的能见度值不同，而在没有雾的情况下，能见度等级应该不变。因此，现有的能见度检测方法在进行能见度检测时，没有考虑到不同色温对能见度的影响，因此检测的能见度准确度较低，进而影响人们的日常生活，为人们的日常生活带来极大的不便。

发明内容

本发明提供一种基于色温的能见度确定方法、装置、设备及存储介质，以实现对不同色温下图像的能见度的准确预测。

第一方面，本发明实施例提供了一种基于色温的能见度确定方法，所述基于色温的能见度确定方法包括：

获取待识别图像，以及所述待识别图像对应的光学参数，所述光学参数至少包括色温；

将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；

根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。

第二方面，本发明实施例还提供了一种基于色温的能见度确定装置，该基于色温的能见度确定装置包括：

获取模块，用于获取待识别图像，以及所述待识别图像对应的光学参数，所述光学参数至少包括色温；

输入模块，用于将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；

预测模块，用于根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

一个或多个处理器；

存储器，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，使得所述一个或多个处理器实现如本发明实施例中任一所述的一种基于色温的能见度确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种基于色温的能见度确定方法。

本发明实施例提供了一种基于色温的能见度确定方法、装置、设备及存储介质，通过获取待识别图像，以及待识别图像对应的光学参数，光学参数至少包括色温；将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。解决了通过大气透射率计算能见度结果不准确的问题。预先训练目标能见度预测模型，在进行能见度预测时，将待识别图像和光学参数同时作为模型的输入，预测能见度，提高了不同色温下图像的能见度识别准确率，降低由于能见度准度较低所带来的负面影响。

附图说明

图1是本发明实施例一中的一种基于色温的能见度确定方法的流程图；

图2是本发明实施例二中的一种基于色温的能见度确定方法的流程图；

图3是本发明实施例二中的一种基于色温的能见度确定方法中确定训练样本集的实现流程图；

图4是本发明实施例二中的一种待训练网络模型的结构示例图；

图5是本发明实施例三中的一种基于色温的能见度确定装置的结构示意图；

图6是本发明实施例四中的一种计算机设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

实施例一

图1给出了本申请实施例一提供的一种基于色温的能见度确定方法的流程示意图，该方法适用于预测能见度的情况。该方法可以由计算机设备执行，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。

如图1所示，本实施例一提供的一种基于色温的能见度确定方法，具体包括如下步骤：

S110、获取待识别图像，以及待识别图像对应的光学参数，光学参数至少包括色温。

在本实施例中，待识别图像具体可以理解为需要进行能见度预测，识别图像中环境的能见度的图像，待识别图像可以通过图像采集装置采集，例如，照相机、摄像机等。光学参数具体可以理解为在采集待识别图像时，此时的天气环境所对应的光学数据。进一步地，光学参数至少包括：色温、反射系数和散射系数等等，还可以包括透射系数。光学参数可以通过色温仪、光谱测量仪等仪器采集。

具体的，采集待识别图像的图像采集装置可以设置在任意位置处，也可以设置在任意设备上。例如，在航空应用中，图像采集装置可以设置在飞机的任意位置上(如，机翼，飞机头部等)；在道路交通应用中，图像采集装置可以设置在车辆的任意位置上(如，车头，车顶等)；飞机或车辆在行驶过程中就可以随时采集待识别图像，并将待识别图像发送给执行能见度确定方法的本执行设备，实现对能见度的实时确定。或者图像采集装置设置在一个固定位置，固定采集此位置的待识别图像，进而实现对此位置能见度的识别。图像采集装置的数量可以是一个或者多个，在同一时刻所采集的待识别图像同理也可以是一个或者多个，对于每张待识别图像，均采用本申请实施例所提供的基于色温的能见度确定方法进行处理，预测待识别图像的能见度。

S120、将待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，目标能见度预测模型的损失函数与训练样本中的标准能见度相关。

在本实施例中，目标能见度预测模型具体可以理解为可通过图像预测能见度的神经网络模型，目标能见度预测模型预先通过对大量的图像及光学参数进行训练得到。本申请中的目标能见度预测模型以MobileNetV2模型为例，在现有的MobileNetV2模型结构基础上，至少添加非常规矩形卷积层，使得目标能见度预测模型可以处理原始的、分辨率较高的图像。标准能见度具体可以理解为作为标准的能见度，用来判断预测能见度是否准确。训练样本通常包括需要学习的数据(如，图像和光学参数)以及对应的标准数据(即标准能见度)。

具体的，预先对目标能见度预测模型进行训练，在训练过程中根据损失函数不断调整模型的参数，最终得到符合要求的目标能见度预测模型，完成训练。训练好的目标能见度预测模型可以直接输入数据，根据学习经验得到预测结果。现有的MobileNetV2模型只能预测低分辨率的图像，且图像像素需为224×224、448×448类型的图像。本申请实施例中的目标能见度预测模型在训练过程中，考虑不同能见度条件下图像的差异大小，根据训练样本中的标准能见度确定模型的损失函数，使目标能见度预测模型更加精准；并且本申请实施例中的目标能见度预测模型在现有的MobileNetV2模型结构的基础上进行改进，至少添加了非常规矩形卷积层，通过非常规矩形卷积层可以处理原始采集的图像，例如，像素值为1920×1080的图像。无需对采集的待识别图像进行其他处理，可以最大限度的保留光学参数，避免信息丢失，提高能见度预测的准确率。

S130、根据目标能见度预测模型的输出结果，对能见度进行预测，获得待识别图像的目标能见度。

在本实施例中，目标能见度具体可以理解为待识别图像中的环境在图像采集时刻的能见度。目标能见度预测模型根据学习的经验，对输入的待识别图像和光学参数进行处理，预测待识别图像对应的能见度，将预测结果作为模型的输出结果输出，实现对能见度的预测，模型的输出结果即为待识别图像的目标能见度。

本发明实施例提供了一种基于色温的能见度确定方法，通过获取待识别图像，以及待识别图像对应的光学参数，光学参数至少包括色温；将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。解决了通过大气透射率计算能见度结果不准确的问题。预先训练目标能见度预测模型，在进行能见度预测时，将待识别图像和光学参数同时作为模型的输入，预测能见度，提高了能见度识别准确度，降低由于能见度准度较低所带来的负面影响。通过目标能见度预测模型预测目标能见度时，在目标能见度预测模型中添加非常规矩形卷积层，处理原始采集的图像。无需对采集的待识别图像进行其他处理，可以最大限度的保留光学参数，避免信息丢失，提高能见度预测的准确率。

实施例二

图2为本发明实施例二提供的一种基于色温的能见度确定方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，具体主要包括如下步骤：

S210、获取包含至少一个训练样本的训练样本集，训练样本集通过预先设定的样本处理方法确定。

在本实施例中，本申请实施例将采集的图像和光学参数作为待学习数据，将此图像、光学参数及其对应的标准数据作为一个训练样本。标准数据通常是人为进行标注的，或者通过其他方式标注的，在训练前需要预先确定标准数据，本申请实施例中的标准数据为能见度值。训练样本集具体可以理解为包括一个或者多个训练样本的数据集。

具体的，预先采集大量的图像，对每张图像分别进行处理和标注，形成训练样本，然后根据各训练样本形成训练样本集。

进一步地，图3提供了一种基于色温的能见度确定方法中确定训练样本集的实现流程图，训练样本集的确定步骤包括：

S211、获取至少一个训练样本图像以及对应的训练样本光学参数，训练样本光学参数至少包括色温。

在本实施例中，训练样本图像具体可以理解为训练时所采用的图像，本申请实施例中的训练样本图像可以是由图像采集装置采集的不同天气状况下的图像。训练样本光学参数具体可以理解为采集训练样本图像时的天气环境所对应的光学数据，训练样本光学参数可以包括色温、反射系数、散射系数等，还可以包括透射系数。

具体的，预先采集一个或者多个训练样本图像和训练样本图像的训练样本光学参数，当存在多个训练样本图像时，训练样本图像可以是由同一个图像采集装置采集的，也可以是由不同的图像采集装置采集的，为保证颜色校正矩阵适用于所有图像采集装置，在使用多个图像采集装置采集训练样本图像时，可以使用同一类型的图像采集装置。在采集了训练样本图像以及对应的训练样本光学参数后，可以将其存储在本地存储空间，也可以存储在服务器等存储空间。在训练模型时，从存储空间中获取训练样本图像及其对应的训练样本光学参数。

S212、针对每个训练样本图像，根据色温筛选颜色校正矩阵，得到目标颜色校正矩阵。

在本实施例中，颜色校正矩阵具体可以理解为对图像的颜色进行校正的矩阵。目标颜色校正矩阵具体可以理解为与色温匹配的颜色校正矩阵，为各颜色校正矩阵中的一个矩阵。

需要知道的是，颜色校正矩阵需要预先确定。本申请实施例提供一种确定各颜色校正矩阵的方法：

1)在空旷的场地架设一个摄像机，将摄像头保持水平调整到合适的位置，使得摄像头拍摄到的天空部分占整张图片的三分之一。

2)用摄像机拍摄不同天气状况下的图片，同时用色温仪获得当前环境场下拍摄时刻的色温值。从拍摄图片中选取N(N为大于或等于1的正整数)张图片x，作为颜色校正所用图像。

3)准备一块标准24色色卡，把色卡放在拍照现场，不需要填满整个画面，只需要相机可以拍到所有的色块，并且不处于阴影中或曝光过度的位置，分别在不同色温下进行拍照，获取不同色温下图片y的RGB值，利用下面公式分别求得摄像机在不同色温下的颜色矩阵M。

其中，M是颜色矩阵，第一行决定红色、第二行决定绿色、第三行决定蓝色，第四列是颜色的偏移量。C矩阵是图片x中包含的RGB信息，C1矩阵是拍摄24色色卡图片y的标准RGB颜色分量。

通过拍摄不同色温下的图片x以及24色色卡图片y(同一色温下，分别拍摄图片x和图片y)，然后计算每个色温下的颜色矩阵M，将颜色矩阵M作为颜色校正矩阵，同时对应关联色温。

接上述描述，各颜色校正矩阵为不同色温下的颜色校正矩阵，即每个颜色校正矩阵均对应一个色温，并与之关联。通过色温与颜色校正矩阵的对应关系查找训练样本图像的色温所对应的目标颜色校正矩阵。

S213、根据目标颜色校正矩阵对训练样本图像进行校正，得到校正图像。

在本实施例中，校正图像具体可以理解为进行了色彩校正的图像。将训练样本图像的矩阵和目标颜色校正矩阵相乘，得到校正图像。

S214、将校正图像及对应的训练样本光学参数作为一个训练样本。

S215、根据各训练样本形成训练样本集。

每个训练样本由校正图像及对应的训练样本光学参数组成，各个训练样本构成训练样本集。

需要知道的是，训练样本中还包括作为衡量标准的标准能见度，用于衡量预测的能见度是否准确。每个训练样本图像具有对应的标准能见度，相应的，每个校正图像也具有对应的标准能见度。

S220、将当前迭代下对应的训练样本输入至当前的待训练网络模型中，获得预测能见度。

在本实施例中，待训练网络模型具体可以理解为未进行训练的、基于深度学习的神经网络模型。预测能见度具体可以理解为待训练网络模型在训练过程中根据输入的数据所预测的能见度。

具体的，将当前迭代下对应的训练样本输入至当前的待训练网络模型中，待训练网络模型根据当前的网络参数进行预测，通过不同的卷积层以及全连接层对数据进行处理，得到预测结果，即预测能见度。

进一步地，所述待训练网络模型至少包括非常规矩形卷积层，设定卷积核的第一卷积层、第二卷积层、第三卷积层以及全连接层，所述第一卷积层和第二卷积层的卷积核不同；

在本实施例中，第一卷积层和第二卷积层的作用是对非常规矩形卷积层所输出的特征数据进行降维处理。现有的MobileNetV2网络模型仅能处理低分辨率且分辨率长宽一致的图像，无法直接对原始图像进行处理。本申请的神经网络模型通过增加非常规矩形卷积层、第一卷积层和第二卷积层，可以实现对原始采集图像的处理，无需对采集到的图像进行预处理，避免了原始图像数据丢失。

本申请实施例中的待训练网络模型还可以包括其他卷积层和数据处理层。

示例性的，如图4所示，本申请实施例提供一种待训练网络模型的结构示例图，至少包括第三卷积层21、非常规矩形卷积层22，第一卷积层23、第二卷积层24和全连接层25。数据从第三卷积层输入，从全连接层输出。输入的数据依次经过各层的处理，输出预测能见度。需要知道的是，第三卷积层21和非常规矩形卷积层22之间还可以包括卷积层，卷积层的卷积核可以与其他卷积层的卷积核相同，也可以不同。第一卷积层23和第二卷积层24的卷积核与非常规矩形卷积层22的卷积核有关，非常规矩形卷积层22的卷积核可以根据需求设定，在确定非常规矩形卷积层22的卷积核后，为了保证输入的图像可以降低到一定维度，相应设置第一卷积层23和第二卷积层24的卷积核大小。本申请实施例示例性的给出各卷积层的卷积核大小：3×3的第三卷积层21、4×7的非常规矩形卷积层22，7×7的第一卷积层23、5×5的第二卷积层24。

作为本实施例的一个可选实施例，本可选实施例进一步将所述将当前迭代下对应的训练样本输入至当前的待训练网络模型中，获得预测能见度优化为：

A1、将训练样本输入至待训练网络模型中的第三卷积层，得到第一特征数据。

在本实施例中，第一特征数据具体可以理解为经过卷积处理后所得到的特征数据，可以是特征向量。第三卷积层通过对训练样本进行卷积处理，得到第一特征数据。

A2、将第一特征数据作为输入，依次经过非常规矩形卷积层、第一卷积层和第二卷积层的处理，得到第二特征数据。

在本实施例中，第二特征数据具体可以理解为经过卷积处理后所得到的特征数据，同样也可以是特征向量。第一特征数据和第二特征数据的类型相同，仅仅是通过不同卷积层处理所得到的不同特征数据。第一特征数据首先输入到非常规矩形卷积层进行处理，得到的数据输入到第一卷积层进行处理，再次将第一卷积层输出的数据输入到第二卷积层，通过第二卷积层的卷积处理，得到第二特征数据。

A3、将第二特征数据输入到全连接层，得到预测能见度。

通过全连接层对第二特征数据进行处理，输出一个一维数组，即为预测能见度。

S230、根据当前迭代下对应的训练样本中的标准能见度确定当前损失函数表达式。

标准能见度可以通过人工标注的方式进行标注确定，工作人员通过经验确定或者通过实际测量得到能见度，将此能见度作为标准能见度与训练样本中的校正图像进行关联。当前损失函数表达式具体可以理解为损失函数当前计算方式。损失函数在计算时通过参数进行计算，本申请中的损失函数的计算参数与标准能见度有关。

具体的，通过对标准能见度采用设定的计算方法进行计算，得到计算值，将此计算值作为损失函数表达式的参数，结合给定的表达式，确定当前损失函数表达式。因此，不同的训练样本具有不同的标准能见度时，所得到的当前损失函数表达式也是不同的。将损失函数的计算公式与标准能见度关联，考虑不同能见度条件下，图像的差异大小，使损失函数的计算更加准确，从而得到更加精准的预测模型。

作为本实施例的一个可选实施例，本可选实施例进一步将所述将根据当前迭代下对应的训练样本中的标准能见度确定当前损失函数表达式优化为：

B1、根据标准能见度确定当前损失函数参数。

在本实施例中，当前损失函数参数具体可以理解为损失函数在当前计算时的参数。

具体的，通过对标准能见度进行运算，确定当前损失函数参数。示例性的，本申请实施例提供一种当前损失函数参数的计算方式：

B2、基于当前损失函数参数确定当前损失函数表达式。

具体的，将当前损失函数参数带入给定的表达式中，得到当前损失函数表达式。

进一步地，本申请实施例提供了一种当前损失函数表达式：

loss＝α

其中，loss表示当前损失函数表达式；α表示当前损失函数参数；y

S240、根据当前损失函数表达式，结合预测能见度以及对应的标准能见度，获得相应的当前损失函数。

在本实施例中，当前损失函数具体可以理解为根据当前迭代下的训练样本所计算得到的损失函数。将根据当前迭代下的训练样本得到的预测能见度和标准能见度带入当前损失函数表达式中进行计算，得到当前损失函数。

S250、基于当前损失函数对待训练网络模型进行反向传播，得到用于下一迭代的待训练网络模型，直至满足迭代收敛条件，得到目标能见度预测模型。

在神经网络模型的训练过程中，通过反向传播方法不断更新调整模型的参数，直至模型的输出与目标趋于一致，将此时模型的参数确定为目标能见度预测模型的参数。在确定了当前损失函数后，通过该当前损失函数对待训练网络模型进行反向传播，直到得到满足收敛条件的目标能见度预测模型。本发明实施例对具体的反向传播过程不做限定，可根据具体情况进行设置。示例性的，本申请实施例中的当前损失函数趋于稳定到100左右或者更小的值认为满足迭代收敛条件。

在通过S210-S250的方法实现对模型的训练，得到目标能见度预测模型后，此目标能见度预测模型在实际应用中可以预测能见度。在实际应用中，当采集到待识别图像后，通过执行下述S260-S280步骤预测待识别图像的目标能见度。预测得到的目标能见度可以用来规划驾驶路线、提醒驾驶员前方路线情况等，例如，语音提示“前方能见度为300m，请小心驾驶”。

S260、获取待识别图像，以及待识别图像对应的光学参数，光学参数至少包括色温。

S270、将待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中。

S280、根据目标能见度预测模型的输出结果，对能见度进行预测，获得待识别图像的目标能见度。

本发明实施例提供了一种基于色温的能见度确定方法，通过获取待识别图像，以及待识别图像对应的光学参数；将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。解决了通过大气透射率计算能见度结果不准确的问题。预先训练目标能见度预测模型，在进行能见度预测时，将待识别图像和光学参数同时作为模型的输入，预测能见度，由于考虑到了反射系数和散射系数，提高了能见度识别的准确度，降低由于能见度准度较低所带来的负面影响。同时，目标能见度预测模型通过增加非常规矩形卷积层、第一卷积层和第二卷积层，可以实现对原始采集图像的处理，无需对采集到的图像进行预处理，避免了原始图像数据丢失。将损失函数的计算公式与标准能见度关联，考虑不同能见度条件下图像的差异大小，使损失函数的计算更加准确，从而得到更加精准的预测模型。

实施例三

图5为本发明实施例三提供的一种基于色温能见度确定装置的结构示意图，该装置包括：获取模块31、输入模块32和预测模块33。

其中，获取模块31，用于获取待识别图像，以及所述待识别图像对应的光学参数，所述光学参数至少包括色温；

输入模块32，用于将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；

预测模块33，用于根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。

本发明实施例提供了一种基于色温的能见度确定装置，通过获取待识别图像，以及待识别图像对应的光学参数；将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。解决了通过大气透射率计算能见度结果不准确的问题。预先训练目标能见度预测模型，在进行能见度预测时，将待识别图像和光学参数同时作为模型的输入，预测能见度，提高了不同色温下能见度识别的准确度，降低由于能见度准度较低所带来的负面影响。

进一步地，该装置还包括：

样本集获取模块，用于获取包含至少一个训练样本的训练样本集，所述训练样本集通过预先设定的样本处理方法确定；

样本输入模块，用于将当前迭代下对应的训练样本输入至当前的待训练网络模型中，获得预测能见度；

函数表达式确定模块，用于根据当前迭代下对应的训练样本中的标准能见度确定当前损失函数表达式；

损失函数确定模块，用于根据所述当前损失函数表达式，结合所述预测能见度以及对应的标准能见度，获得相应的当前损失函数；

模型确定模块，用于基于所述当前损失函数对所述待训练网络模型进行反向传播，得到用于下一迭代的待训练网络模型，直至满足迭代收敛条件，得到目标能见度预测模型。

进一步地，该装置还包括：样本集确定模块，用于确定训练样本集。

样本集确定模块，包括：

样本获取单元，用于获取至少一个训练样本图像以及对应的训练样本光学参数，所述训练样本光学参数至少包括色温；

矩阵确定单元，用于针对每个训练样本图像，根据所述色温筛选颜色校正矩阵，得到目标颜色校正矩阵；

校正单元，用于根据所述目标颜色校正矩阵对所述训练样本图像进行校正，得到校正图像；

样本确定单元，用于将所述校正图像及对应的训练样本光学参数作为一个训练样本；

样本集形成单元，用于根据各所述训练样本形成训练样本集。

进一步地，所述待训练网络模型至少包括非常规矩形卷积层，设定卷积核的第一卷积层、第二卷积层、第三卷积层以及全连接层，所述第一卷积层和第二卷积层的卷积核不同；

相应的，样本输入模块，包括：

第一数据确定单元，用于将训练样本输入至待训练网络模型中的第三卷积层，得到第一特征数据；

第二数据确定单元，用于将所述第一特征数据作为输入，依次经过所述非常规矩形卷积层、第一卷积层和第二卷积层的处理，得到第二特征数据；

能见度确定单元，用于将所述第二特征数据输入到所述全连接层，得到预测能见度。

进一步地，函数表达式确定模块，包括：

参数确定单元，用于根据所述标准能见度确定当前损失函数参数；

表达式确定单元，用于基于所述当前损失函数参数确定当前损失函数表达式。

进一步地，所述当前损失函数表达式为：

loss＝α

其中，loss表示当前损失函数表达式；α表示当前损失函数参数；y

进一步地，所述光学参数至少还包括反射系数和散射系数。

本发明实施例所提供的基于色温的能见度确定装置可执行本发明任意实施例所提供的基于色温的能见度确定方法，具备执行方法相应的功能模块和有益效果。

实施例四

图6为本发明实施例四提供的一种计算机设备的结构示意图，如图6所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图6中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中基于色温的能见度确定方法对应的程序指令/模块(例如，基于色温的能见度确定装置中的获取模块31、输入模块32和预测模块33)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于色温的能见度确定方法。

存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于色温的能见度确定方法，该方法包括：

获取待识别图像，以及所述待识别图像对应的光学参数，所述光学参数至少包括色温；

将所述待识别图像和光学参数作为输入数据输入到预确定的目标能见度预测模型中，其中，所述目标能见度预测模型的损失函数与训练样本中的标准能见度相关；

根据所述目标能见度预测模型的输出结果，对能见度进行预测，获得所述待识别图像的目标能见度。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于色温的能见度确定方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述基于色温的能见度确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。