通过深入学习Python和Keras，如何在执行照明估计后显示经过颜色校正的图像？

我正在通过深入学习Python和Keras来做一个有监督的图像颜色校正方法。我完成了数据的训练，并预测了测试数据的值。现在，我想展示数据集中的一些经过颜色校正的图像，这样我可以直观地将它们与原始图像进行比较。我陷入了一个循环，不知道如何解决这个问题。有人能帮我写代码或一些提示吗

我已经比较了预测光照和地面真实光照的数量，但我想用预测光照绘制它们的外观图片。我正在使用3倍交叉验证，这使得验证更加困难。 我有1000多张图片，但为了简单起见，我只有12张。我将对其中8个进行训练，并对其中4个进行测试

#this is the part where the training and testing is happening, images are loaded
#in xs variable and ground truth illumination is loaded in ys variable

for i in range (3):
    print('\nFold ',i)
    X_train = xs [folds[i]==0, :]
    X_test = xs [folds[i]==1, :]
    Y_train = ys [folds[i]==0, :]
    Y_test = np.zeros((4,3), dtype=np.uint8)

    model = None
    model = create_model()
    history = model.fit(X_train, Y_train, epochs=10, batch_size=8)

    Y_test = model.predict(X_test, batch_size=4)
    print("Predicted values for fold %d:" % i, Y_test)
    for y in Y_test[:]:
        predicted.append(y)

这部分代码功能完美，我不知道的是，在使用预测照明进行颜色校正后，如何绘制或保存这12幅图像中的每一幅。

---

编辑：我提取了每张照片的预测值。如何将其应用于图像？

如果我理解正确，您希望使用模型预测的光源对颜色投射的图像进行白平衡。您的预测包括3个值（比如[alpha、beta、ceta]），它们是将应用于彩色浇铸图像的每个通道（蓝色、绿色、红色）的校正增益

但是，在应用校正增益之前，需要对图像执行gamma线性化（更多信息请参阅）

以下是一些帮助您的示例代码：

import cv2
import numpy as np

def gamma_decode(B_gamma, G_gamma, R_gamma):
    B_gamma = B_gamma/255
    G_gamma = G_gamma/255
    R_gamma = R_gamma/255 

    gamma = 1/2.2
    B_gamma_decode = 255*(B_gamma**(1/gamma)) 
    G_gamma_decode = 255*(G_gamma**(1/gamma))
    R_gamma_decode = 255*(R_gamma**(1/gamma))
    return (B_gamma_decode, G_gamma_decode, R_gamma_decode)


def gamma_encode(B_channel, G_channel, R_channel):
    B_channel = B_channel/255
    G_channel = G_channel/255
    R_channel = R_channel/255

    gamma = 1/2.2
    if np.all(B_channel <= 0):
        B_gamma_cor = (B_channel**(gamma + 0j))
        B_gamma_cor = 255*(abs(B_gamma_cor))
    else:
        B_gamma_cor = 255*(B_channel**gamma)

    if np.all(G_channel <= 0):
        G_gamma_cor = (G_channel**(gamma + 0j))
        G_gamma_cor = 255*(abs(G_gamma_cor))
    else:
        G_gamma_cor = 255*(G_channel**gamma)

    if np.all(R_channel <= 0):
        R_gamma_cor = (R_channel**(gamma + 0j))
        R_gamma_cor = 255*(abs(R_gamma_cor))
    else:
        R_gamma_cor = 255*(R_channel**gamma)

    return (B_gamma_cor, G_gamma_cor, R_gamma_cor)


def white_balance(img, pred_illum) 
   B_channel, G_channel, R_channel = cv2.split(img)
   alpha, beta, ceta = pred_illum

   #Gamma_decoding
   B_channel, G_channel, R_channel = gamma_decode(B_channel, G_channel, R_channel)

   #Correction
   B_cor = (alpha*B_channel)
   G_cor = (beta*G_channel)
   R_cor = (ceta*R_channel)

   #Gamma encoding
   B_cor, G_cor, R_cor = gamma_encode(B_cor, G_cor, R_cor)

   #Convert to uint8 to display
   B_cor = B_cor.astype(np.uint8)
   G_cor = G_cor.astype(np.uint8)
   R_cor = R_cor.astype(np.uint8)
   img_white_balanced = cv2.merge((B_cor, G_cor, R_cor))
   return img_white_balanced

导入cv2
将numpy作为np导入
def gamma_解码（B_gamma、G_gamma、R_gamma）：
B_gamma=B_gamma/255
G_伽马=G_伽马/255
R_gamma=R_gamma/255
伽马=1/2.2
B_gamma_decode=255*（B_gamma**（1/gamma））
G_伽马解码=255*（G_伽马**（1/伽马））
R_伽马解码=255*（R_伽马**（1/伽马））
返回（B_gamma_解码、G_gamma_解码、R_gamma_解码）
def伽马编码（B_通道、G_通道、R_通道）：
B_通道=B_通道/255
G_通道=G_通道/255
R_通道=R_通道/255
伽马=1/2.2
如果np.all（B_频道）感谢您的输入！是的，您答对了，我想用预测照明对图片进行白平衡。您能澄清一下在应用预测照明后如何查看图像吗？您是否尝试过我上面的代码？您正在寻找的是img_白平衡。您可以运行cv2.imwrite（'image\u white\u balanced.png'，img\u white\u balanced）为此purpose@Pham，我尝试了你的代码，我也尝试了一些编辑，但它不能正确显示图片。它非常嘈杂，只有鲜艳的颜色，所以我试图找出问题所在。你知道吗？你能给我一些你正在处理的彩色图片吗？