真彩色图像获取方法、装置、设备及介质

技术领域

本发明涉及图像处理技术领域，特别涉及真彩色图像获取方法、装置、设备及介质。

背景技术

红外成像技术是一种热辐射信息探测技术，可利用某种特殊的电子装置将物体表面的温度分布转换成人眼可见的图像并以不同颜色显示出来，由于红外图像的成像原理，在夜间和各种极端环境下都可以显示环境中物体的轮廓；人眼的彩色敏感细胞能分辨出几千种彩色色调和亮度但对黑白灰度级却不敏感，而红外成像系统所产生的红外图像为黑白灰度级图像，人眼很难从这些灰度级中获得丰富的信息。为了更直观地显示图像的色彩信息，需要对红外图像进行着色处理，从而得到图像信息更加丰富的真彩色图像。

然而，现有的红外图像着色技术没有可在便携的移动设备上实际应用的先例，大多红外图像着色技术只停留在理论方法阶段，并且需要依靠大型设备如电脑、服务器等的软件算法才能输出结果。少数着色技术可在专用的硬件平台上实现，但硬件平台不能随身携带，在实际的应用场景中缺乏可用性。

综上可见，如何在移动设备上实现基于红外图像获取真彩色图像，提高真彩色图像获取的便利度是本领域有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种真彩色图像获取方法、装置、设备及介质，能够在移动设备上实现基于红外图像获取真彩色图像，提高真彩色图像获取的便利度。其具体方案如下：

第一方面，本申请公开了一种真彩色图像获取方法，包括：

通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；

加载所述移动终端的图像处理工具中预先保存的目标生成器；

利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。

可选的，所述通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像之前，还包括：

将目标网络模型中的目标生成器存储至移动终端的图像处理工具；

相应的，所述将目标网络模型中的目标生成器存储至移动终端的图像处理工具之前，还包括：

利用当前网络模型的当前生成器生成待训练红外图像的预测真彩色图像；

基于所述预测真彩色图像和所述待训练红外图像进行跨域区域相似度损失函数计算，以得到所述当前生成器的损失函数值，并利用所述预测真彩色图像和对应的待训练真彩色图像获取当前判别器的损失函数值；

基于所述当前生成器的损失函数值和所述当前判别器的损失函数值对所述当前网络模型中所述当前生成器和所述当前判别器进行交替更新，利用更新后的网络模型、所述待训练红外图像和所述待训练真彩色图像进行迭代训练，直至满足预设训练停止条件，以得到目标网络模型。

可选的，所述基于所述预测真彩色图像和所述待训练红外图像进行跨域区域相似度损失函数计算，以得到所述当前生成器的损失函数值，包括：

提取所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征；

利用所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，获取所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图；

计算所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图之间的差异度，以得到当前生成器的损失函数值。

可选的，所述提取所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，包括：

对所述待训练红外图像和所述预测真彩色图像进行网格划分，以得到分别包含若干个网格区域的划分后红外图像和划分后预测图像；

提取所述划分后红外图像中包含第一预设数量个网格区域的第一红外图像特征，并基于所述第一红外图像特征的第一位置信息提取所述划分后红外图像中包含第二预设数量个网格区域的第二红外图像特征；

基于所述第一红外图像特征的第一位置信息和所述第二红外图像特征的第二位置信息分别提取所述划分后预测图像中包含第一预设数量个网格区域的第一预测图像特征以及包含第二预设数量个网格区域的第二预测图像特征。

可选的，所述利用所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，获取所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图，包括：

计算所述第一红外图像特征和所述第二预测图像特征之间的相似度，以得到所述待训练红外图像的交叉相似图；

计算所述第二红外图像特征和所述第一预测图像特征之间的相似度，以得到所述预测真彩色图像的交叉相似图。

可选的，所述利用所述预测真彩色图像和对应的待训练真彩色图像获取当前判别器的损失函数值，包括：

利用特征提取网络分别提取所述预测真彩色图像的第三预测图像特征和对应的待训练真彩色图像的第一真彩色图像特征，并对所述第三预测图像特征和所述第一真彩色图像特征进行池化操作，以得到不同尺度的池化后预测图像特征以及池化后真彩图像特征；

对不同尺度的所述池化后预测图像特征以及所述池化后真彩图像特征进行拼接融合处理后，得到拼接后图像特征，并利用所述拼接后图像特征和当前判别器获取当前判定结果；

利用所述当前判定结果获取所述当前判别器的损失函数值。

可选的，所述当前网络模型的当前生成器生成待训练红外图像的预测真彩色图像之前，还包括：

在日间环境下采集待训练真彩色图像，并在夜间环境下采集与待训练真彩色图像的采集场景对应的所述待训练红外图像；

确定初始生成器和初始判别器，并构建生成式对抗网络，以便得到初始网络模型；

相应的，所述基于所述当前生成器的损失函数值和所述当前判别器的损失函数值对所述当前网络模型进行更新，包括：

基于所述当前生成器的损失函数值和所述当前判别器的损失函数值分别对所述当前网络模型中的当前生成器和当前鉴别器进行交替更新。

第二方面，本申请公开了一种真彩色图像获取装置，包括：

红外图像获取模块，用于通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；

生成器加载模块，用于加载所述移动终端的图像处理工具中预先保存的目标生成器；

真彩图像获取模块，用于利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩图像。

第三方面，本申请公开了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现前述公开的真彩色图像获取方法的步骤。

第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的真彩色图像获取方法的步骤。

可见，本申请通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；加载所述移动终端的图像处理工具中预先保存的目标生成器；利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。由此可见，本申请只需要获取当前待转换的目标红外图像，加载移动终端的图像处理工具中的目标生成器，就可以获取目标红外图像的目标真彩色图像；因为本申请将目标生成器存储在方便携带的移动终端上，加载目标生成器就可以实现从红外图像转换为真彩色图像的目的，操作非常简单，可用性大大提高。

附图说明

为了更清楚地说明本申请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，还可以根据提供的附图获得其他的附图。

图1为本申请公开的一种真彩色图像获取方法流程图；

图2为本申请公开的一种具体的移动终端图像转换流程示意图；

图3为本申请公开的一种具体的真彩色图像获取方法流程图；

图4为本申请公开的一种具体的网络模型示意图；

图5为本申请公开的一种具体的差异度获取示意图；

图6为本申请公开的一种一种具体的判别器处理示意图；

图7为本申请公开的一种真彩色图像获取装置结构示意图；

图8为本申请公开的一种电子设备结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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。

红外成像技术是一种热辐射信息探测技术，可利用某种特殊的电子装置将物体表面的温度分布转换成人眼可见的图像并以不同颜色显示出来，由于红外图像的成像原理，在夜间和各种极端环境下都可以显示环境中物体的轮廓；人眼的彩色敏感细胞能分辨出几千种彩色色调和亮度但对黑白灰度级却不敏感，而红外成像系统所产生的红外图像为黑白灰度级图像，人眼很难从这些灰度级中获得丰富的信息。为了更直观地显示图像的色彩信息，需要对红外图像进行着色处理从而使图像信息更加丰富。

然而，现有的红外图像着色技术没有可在便携的移动设备上实际应用的先例，大多红外图像着色技术只停留在理论方法阶段，并且需要依靠大型设备如电脑、服务器等的软件算法才能输出结果。少数着色技术可在专用的硬件平台上实现，但硬件平台不能随身携带，在实际的应用场景中缺乏可用性。

为此本申请相应的提供了一种真彩色图像获取方案，能够在移动设备上实现基于红外图像获取真彩色图像，提高真彩色图像获取的便利度。

参见图1所示，本申请实施例公开了一种真彩色图像获取方法，包括：

步骤S11：通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像。

本实施例中，例如图2所示的一种具体的移动终端图像转换流程示意图，通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像，其中，移动终端例如为智能手机，用智能手机中的预设红外图像采集接口获取目标红外图像，预设红外图像采集接口例如为拍照软件中红外成像装置的图像采集接口。

因为红外成像系统所产生的红外图像为黑白灰度级图像，人眼很难从这些灰度级中获得丰富的信息，直觉上也不符合人的视觉感知。

步骤S12：加载所述移动终端的图像处理工具中预先保存的目标生成器。

本实施例中，加载移动终端的图像处理工具中预先保存的目标生成器，例如目标生成器存储至移动终端的智能处理单元，可以理解的是，在加载目标生成器的过程中，也会加载预先保存的与目标生成器相关的权重参数。

步骤S13：利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。

本实施例中，移动终端将目标红外图像输入至目标生成器，利用图像转换逻辑生成与目标红外图像对应的目标真彩色图像。移动终端例如为智能手机，智能手机的图像处理工具将输入的目标红外图像送入已经加载好的目标生成器中，即可获得对应的目标真彩色图像；将目标真彩色图像保存到智能手机的存储单元中；对于保存至存储单元中的输出结果，可直接在移动终端上查看图像，在不同的实际应用场景中有其独特的应用价值，也可将其通过智能手机的基本传输功能转移至其他电子设备上进行二次开发。

生成的目标真彩色图与人眼日常感知到的场景图像相差无几，不仅成像效果佳而且在极端环境如微光、雾霾、烟尘等时都能正常拍摄。

本实施例中，获取目标红外图像后，无需再采集真彩色图像，目标网络模型中的目标生成器可以利用最终权重参数和目标红外图像生成目标真彩色图像，仅使用目标红外图像而不借助真彩色图像，适用范围更广，也可以避免伪彩融合算法在夜间和极端环境下效果欠佳的缺点，不受光线强度和环境的影响，能够在夜间或者各种极端环境下获得肉眼以及各种可见光探测器无法捕捉的红外图像，进而获得人们常规认知下的真彩色图像。

可见，本申请通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；加载所述移动终端的图像处理工具中预先保存的目标生成器；利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。由此可见，本申请只需要获取当前待转换的目标红外图像，加载移动终端的图像处理工具中的目标生成器，就可以获取目标红外图像的目标真彩色图像；因为本申请将目标生成器存储在方便携带的移动终端上，加载目标生成器就可以实现从红外图像转换为真彩色图像的目的，操作非常简单，可用性大大提高。

参见图3所示，本申请实施例公开了一种具体的真彩色图像获取方法，包括：

步骤S21：将目标网络模型中的目标生成器存储至移动终端的图像处理工具。

本实施例中，所述将目标网络模型中的目标生成器存储至移动终端的图像处理工具之前，还包括：利用当前网络模型的当前生成器生成待训练红外图像的预测真彩色图像；基于所述预测真彩色图像和所述待训练红外图像进行跨域区域相似度损失函数计算，以得到所述当前生成器的损失函数值，并利用所述预测真彩色图像和对应的待训练真彩色图像获取当前判别器的损失函数值；基于所述当前生成器的损失函数值和所述当前判别器的损失函数值对所述当前网络模型中所述当前生成器和所述当前判别器进行交替更新，利用更新后的网络模型、所述待训练红外图像和所述待训练真彩色图像进行迭代训练，直至满足预设训练停止条件，以得到目标网络模型。

如图4所示的一种具体的网络模型示意图，将待训练红外图像输入至当前网络模型中，当前网络模型中的当前生成器生成与与待训练红外图像对应的预测真彩色图像后，需要获取当前生成器的损失函数值，以便利用当前生成器的损失函数值对当前生成器的相关权重参数进行更新，以便获取更新后生成器；将预测真彩色图像输入至当前判别器，当前判别器判断预测真彩色图像是否与待训练真彩色图像匹配，即获取当前判别器生成的判断结果，计算当前判别器生成的判断结果和真实的判断结果之间的损失函数，以得到当前判别器的损失函数值。

可以理解的是，基于当前生成器的损失函数值和当前判别器的损失函数值对当前网络模型中当前生成器和当前判别器进行交替更新。例如第10次至第19次训练中，对生成器进行更新，第20次至第29次训练中，对判别器进行更新，第30次至第39次训练中，对生成器进行更新，第40次至第49次训练中，对判别器进行更新。调整网络模型中生成器、判别器的相关参数，使得网络模型不断趋于收敛，直至满足预设训练停止条件，即网络模型的收敛程度为预设收敛阈值，也可以是迭代次数到达预设迭代次数阈值，以得到目标网络模型，并保存目标网络模型中目标生成器的最终权重参数。

本实施例中，所述当前网络模型的当前生成器生成待训练红外图像的预测真彩色图像之前，还包括：在日间环境下采集待训练真彩色图像，并在夜间环境下采集与待训练真彩色图像的采集场景对应的所述待训练红外图像；确定初始生成器和初始判别器，并构建生成式对抗网络，以便得到初始网络模型。在利用当前网络模型生成待训练红外图像的预测真彩色图像之前，需要搭建初始网络模型，初始网络模型选用生成式对抗网络，并确定初始生成器和初始判别器，初始生成器跨域使用轻量级网络，例如Mobile-Resnet、SqueezeNet系列、ShuffleNet系列、MnasNet，初始判别器可以选择MLP(Multi-LayerPerceptron，即多层感知器)网络。其中，还需要确定生成式对抗网络中生成器的损失函数以及判别器的损失函数，例如判别器的损失函数为二元交叉熵损失函数，生成器的损失函数为交叉熵损失函数和跨域区域相似度损失函数。

本实施例中，所述基于所述预测真彩色图像和所述待训练红外图像进行跨域区域相似度损失函数计算，以得到所述当前生成器的损失函数值，包括：提取所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征；利用所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，获取所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图；计算所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图之间的差异度，以得到当前生成器的损失函数值。例如图5所示的一种具体的差异度获取示意图，计算待训练红外图像的交叉相似图和预测真彩色图像的交叉相似图之间的差异度；其中特征相似度和交叉相似图差异度计算可以选择L1范数、L2范数或余弦相似度函数进行计算。

本实施例中，所述提取所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，包括：对所述待训练红外图像和所述预测真彩色图像进行网格划分，以得到分别包含若干个网格区域的划分后红外图像和划分后预测图像；提取所述划分后红外图像中包含第一预设数量个网格区域的第一红外图像特征，并基于所述第一红外图像特征的第一位置信息提取所述划分后红外图像中包含第二预设数量个网格区域的第二红外图像特征；基于所述第一红外图像特征的第一位置信息和所述第二红外图像特征的第二位置信息分别提取所述划分后预测图像中包含第一预设数量个网格区域的第一预测图像特征以及包含第二预设数量个网格区域的第二预测图像特征。

首先把输入的待训练红外图像和预测真彩色图像按照等距离网格划分为N*N个区域；然后使用特征提取网络从输入的待训练红外图像与预测真彩色图像中提取对应特征，根据位置对应关系获得对应N*N个区域的特征；在待训练红外图像上选取一个小区域s_ir_small和一个大区域S_ir_big，为方便计算，小区域通常设置为1个网格区域大小，大区域S_ir_bug为包含N_big*N_big个网格区域的正方形区域，其中N_big小于等于N，根据对应的位置关系，可以获得小区域s_ir_small的特征为feature_ir_small和大区域S_ir_big上N_big*N_big个特征集合Feature_ir_big，即分别为第一红外图像特征和第二红外图像特征；同样的，在预测真彩色图像上选取相同位置和大小的小区域s_vis_small和一个大区域S_vis_big，以及对应的特征feature_vis_small和特征集合Feature_vis_big，即分别为第一预测图像特征和第二预测图像特征。例如待训练红外图像和预测真彩色图像划分的网格区域为9*9，第一红外图像特征的第一位置信息为(1，1)，第二红外图像特征的第二位置信息则不能包括(1，1)，可以为(2，2)、(2，3)、(3，2)、(3，3)的集合，同样的，第一预测图像特征的位置信息应与第一位置信息(1，1)对应，第二预测图像特征的位置信息应与第二位置信息(2，2)、(2，3)、(3，2)、(3，3)的集合相对应。

本实施例中，所述利用所述待训练红外图像的图像特征和所述预测真彩色图像的图像特征，获取所述待训练红外图像的交叉相似图和所述预测真彩色图像的交叉相似图，包括：计算所述第一红外图像特征和所述第二预测图像特征之间的相似度，以得到所述待训练红外图像的交叉相似图；计算所述第二红外图像特征和所述第一预测图像特征之间的相似度，以得到所述预测真彩色图像的交叉相似图。计算第一红外图像特征s_ir_small与第二预测图像特征S_vis_big中每一个网格区域特征的相似度，即计算feature_ir_small与集合Feature_vis_big中每一个特征的相似度，从而获得待训练红外图像的交叉相似图；计算第一预测图像特征s_vis_small与第二红外图像特征S_ir_big中每一个网格区域特征的相似度，即计算feature_vis_small与集合Feature_ir_big中每一个特征的相似度，从而获得预测真彩色图像的交叉相似图。

本实施例中，所述利用所述预测真彩色图像和对应的待训练真彩色图像获取当前判别器的损失函数值，包括：利用特征提取网络分别提取所述预测真彩色图像的第三预测图像特征和对应的待训练真彩色图像的第一真彩色图像特征，并对所述第三预测图像特征和所述第一真彩色图像特征进行池化操作，以得到不同尺度的池化后预测图像特征以及池化后真彩图像特征；对不同尺度的所述池化后预测图像特征以及所述池化后真彩图像特征进行拼接融合处理后，得到拼接后图像特征，并利用所述拼接后图像特征和当前判别器获取当前判定结果；利用所述当前判定结果获取所述当前判别器的损失函数值。如图6所示的一种具体的判别器处理示意图，为了改善判别器的鉴别能力，设计了多尺度区域鉴别器，将特征提取器输出的特征进行池化，获得不同感受野的多尺度特征，将这些特征进行拼接和融合后输入判别器进行鉴别，其中，特征提取器可以为基于视觉transform的训练的ViT(Vision Transformer，即视觉转换器)模型。

步骤S22：通过所述移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像。

步骤S23：加载所述移动终端的图像处理工具中预先保存的所述目标生成器。

步骤S24：利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。

由此可见，本申请根据所选取区域的范围大小，跨域区域相似度损失函数可以起到不同的约束效果。当选取的大区域范围为全图时，则计算的是全局跨域区域相似度，可以使得转换过程中图像整体结构一致，网络训练能够快速收敛，加快训练速度。当选取的大区域范围为图像局部时，则计算的是局部跨域区域相似度，能够保证局部细节的转换效果。由于所有的交叉相似图都是跨域计算的，这可以使生成过程专注于学习真实图像和合成图像之间的内容或结构对应关系，使得生成器能够学习到真实可见光参考图像的图像色彩风格，而不是真实可见光参考图像中的具体图像内容，使得后续得到的目标生成器生成与目标红外图像对应的目标真彩色图像更加贴近实际，更加灵活。

参见图7所示，本申请实施例公开了一种真彩色图像获取装置，包括：

红外图像获取模块11，用于通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；

生成器加载模块12，用于加载所述移动终端的图像处理工具中预先保存的目标生成器；

真彩图像获取模块13，用于利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩图像。

可见，本申请通过移动终端的预设红外图像采集接口，获取当前待转换的目标红外图像；加载所述移动终端的图像处理工具中预先保存的目标生成器；利用所述目标生成器的图像转换逻辑，将所述目标红外图像转换为目标真彩色图像。由此可见，本申请只需要获取当前待转换的目标红外图像，加载移动终端的图像处理工具中的目标生成器，就可以获取目标红外图像的目标真彩色图像；因为本申请将目标生成器存储在方便携带的移动终端上，加载目标生成器就可以实现从红外图像转换为真彩色图像的目的，操作非常简单，可用性大大提高。

进一步的，本申请实施例还提供了一种电子设备。图8是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图8为本申请实施例提供的一种电子设备的结构示意图。具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的由电子设备执行的真彩色图像获取方法中的相关步骤。

本实施例中，电源23用于为电子设备上的各硬件设备提供工作电压；通信接口24能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备执行的真彩色图像获取方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。

进一步的，本申请实施例还公开了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的由真彩色图像获取过程中执行的方法步骤。

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。

以上对本发明所提供的一种真彩色图像获取方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。