CN103258334A - 彩色图像的场景光源颜色估计方法 - Google Patents
彩色图像的场景光源颜色估计方法 Download PDFInfo
- Publication number
- CN103258334A CN103258334A CN2013101669032A CN201310166903A CN103258334A CN 103258334 A CN103258334 A CN 103258334A CN 2013101669032 A CN2013101669032 A CN 2013101669032A CN 201310166903 A CN201310166903 A CN 201310166903A CN 103258334 A CN103258334 A CN 103258334A
- Authority
- CN
- China
- Prior art keywords
- color
- light source
- antagonism
- under
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种彩色图像的场景光源颜色估计方法,包括:提取图像中的颜色分量,计算单拮抗颜色空间下的分量,计算双拮抗颜色空间下的响应值,双拮抗颜色空间变换到三原色空间,计算三原色空间下的光源颜色。本发明的方法通过在双拮颜色空间下灵活的选取DoG滤波器的尺度和幅值来模拟初级视觉皮层颜色敏感性双拮抗神经元的感受野特性,可以快速高效的计算出图像场景的光源颜色值,最后所得到的场景光源颜色值可用于后续多种计算机视觉应用,比如色调校正,白平衡等。本发明的方法具有通过简单灵活的参数选择,快速高效的计算出各种场景下图像的光源颜色信息的优点。
Description
技术领域
本发明属于计算机视觉和图像处理技术领域,具体涉及彩色图像的场景光源颜色估计。
背景技术
在自然环境下,人的视觉系统具有抵制场景中光源颜色变化的能力。比如,对同一个场景,无论是在早晨偏黄的阳光照射下,还是旁晚时分偏红的阳光照射下,我们的视觉系统所感知到的场景的颜色始终保持恒定,这种能力也被称为视觉系统的颜色恒常性。然而,由于技术的限制,由物理设备,比如摄像机所拍摄得到的图像往往由于场景中光源的颜色变化而产生严重的色偏。这种由光源颜色改变所导致的在机器设备记录的图像上产生的色偏会给后续的各种计算机视觉应用带来严重干扰,比如在目标识别或者场景分割中,由于光源颜色改变,物体的颜色也会发生改变,从而导致目标识别算法无法根据颜色有效地识别或者分离出这个物体。因此,对于一幅输入的原始色偏图像,怎么样将其中所包含的场景光源颜色去除就显得非常的重要。计算性颜色恒常正是致力于解决这个问题,它的主要目的是计算任意一幅图像所包含的未知光源的颜色,然后用这个计算得到的光源颜色对原始输入的图像进行光源颜色校正后在标准的白光下进行显示,得到所谓的标准图像。由于标准图像去除了光源颜色的影响,因而对于后续的计算任务,比如基于颜色的场景分类,图像检索就不存在色偏导致的误分类或误检索问题。比较典型的估计场景光源颜色的方法是由A Chakrabarti等2012年提出的方法,参考文献:A.Chakrabarti,K.Hirakawa,and T.Zickler,"Color constancy withspatio-spectral statistics,"Pattern Analysis and Machine Intelligence,IEEE Transactions on,vol.34,pp.1509-1519,2012.该方法用一个尾部截断的高斯分布来对进行多尺度滤波后的图像块进行统计建模,统计模型的参数通过训练获得,同时加入正则化项来引入光源的先验信息,对于一幅输入的色偏图像,根据训练得到的统计模型和光源先验信息采用后验最大似然估计来计算图像的光源颜色。但该方法同其它一些基于学习的图像场景光源颜色估计的方法一样,主要的缺点是计算复杂,需要训练,严重依赖于引入的光源先验和使用的训练图像库,因而灵活性差,不适合用于需要进行实时处理的消费型照相机上的应用,比如图像的色调校正,白平衡。
发明内容
本发明的目的是为了解决现有的图像场景光源颜色估计方法存在的缺陷,提出了一种彩色图像的场景光源颜色估计方法。
本发明的技术方案是:一种彩色图像的场景光源颜色估计方法,包括如下步骤:
S1.提取图像中的颜色分量:将输入的彩色图像分解为红色、绿色和蓝色三个颜色分量;
S2.计算单拮抗颜色空间下的分量:根据预先设定的权值,利用步骤S1得到的红绿蓝颜色分量构造黄分量和亮度分量,然后进行单拮抗计算,得到红绿拮抗颜色分量、蓝黄拮抗颜色分量和黑白拮抗颜色分量;
S3.计算双拮抗颜色空间下的响应值:使用滤波器对步骤S2得到的单拮抗颜色空间下的红绿,蓝黄,黑白分量进行卷积计算,分别得到双拮抗颜色空间下红绿通道的响应值、双拮抗颜色空间下蓝黄通道的响应值和双拮抗颜色空间下黑白通道的响应值;
S4.双拮抗颜色空间变换到三原色空间:将步骤S3得到的双拮抗颜色空间下红绿,蓝黄和黑白颜色通道的三种响应值转换到三原色空间下的响应值;
S5.计算三原色空间下的光源颜色:利用步骤S4计算得到的三原色空间下的响应值,分别计算每个颜色通道的光源颜色值。
作为一个较佳的实施例,步骤S3所述的滤波器具体为中心外周尺度不同且幅值不等的双高斯差型滤波器。
上述步骤S3所用的双高斯差型滤波器的参数取值范围为:中心高斯滤波器的尺度范围为σ1∈0.5~12的任意值,幅值固定为k1=1;外周高斯滤波器的尺度范围为σ2∈3×(0.5~12)的任意值,幅值大小为k2∈0.1~1的任意值。
上述步骤S4所述的转换具体通过线性变换的形式进行。
上述所述的线性变换具体通过线性变换矩阵进行,所述的线性变换矩阵具体为矩阵
上述步骤S5中所述的计算三原色空间下的光源颜色具体包括如下分步骤:
S51.计算三原色空间下每个颜色分量的最小值;
S52.三原色空间下每个颜色分量的响应值减去步骤S51中计算出的最小值,然后再计算每个颜色分量的最大值;
S53.将三原色空间中的三个颜色分量的最大值进行归一化处理,处理后的值作为此输入图像的场景光源颜色估计值。
经过上述步骤S5之后计算出来的图像的场景光源颜色值可以直接用于后续的计算机视觉应用,比如用输入的原彩色图像的每个颜色分量除以上述步骤S5计算出来的光源颜色值,以达到去除彩色图像中光源颜色的目的。此外图像的色调校正,白平衡处理也需要用到步骤S5估计的场景光源颜色。
本发明的有益效果:本发明的估计方法首先将输入的彩色图像分解为红色、绿色和蓝色三个颜色分量,然后计算单拮抗颜色空间下的分量,分别为红绿,蓝黄,黑白颜色拮抗分量;接着使用中心外周尺度不同且幅值不等的双高斯差型(Difference of Gaussian,DoG)滤波器计算双拮抗颜色空间下的响应值,最后将双拮抗颜色空间下的响应值变换到三原色空间下来求取图像中场景光源的颜色。本发明本质上汲取了人视觉系统初级视觉皮层(V1区)中颜色敏感性双拮抗细胞处理信息的特点——同时具备中心和外周的空间拮抗和颜色拮抗的双重拮抗感受野结构,适当的调节中心外周的感受野范围(DoG滤波器中心和外周的尺度)以及外周感受野的敏感性强度(DoG滤波器外周的幅值),从而可以改变双拮抗颜色敏感性细胞的空间频率调制特性(比如在带通特性和低通特性之间进行变化),此外调节外周感受野的敏感性强度(幅值大小)能够有效地提取场景中各种颜色区域,颜色边界信息来更好地估计场景光源的颜色,因而这里中心和外周的尺度和敏感性强度(幅值大小)是两个主要的参数。本发明的方法具有参数少(仅有两个可调参数,即尺度和幅值),计算简单,速度快,效果好,能够进行实时处理等特点,非常适合于内置在物理设备(如照相机)预处理的前端来对图像中的场景光源颜色进行估计。
附图说明
图1是本发明的彩色图像的场景光源颜色估计方法的流程示意图。
图2展示了由DoG滤波器对红绿拮抗颜色分量进行卷积构成红绿双拮抗颜色空间的示意图,这里中心和外周的幅值是不平衡的。
图3展示了对一幅原始输入图像(图3a)进行处理时由步骤S4计算得到三原色空间下的响应值以RGB图像形式显示的效果图(图3b),以及将S4计算得到的三原色空间下红色和绿色分量的响应值进行散点分析(图3c中散点集包含了实线,实线代表真实的场景光源颜色),它们表明由步骤S4计算得到的响应值有效地包含了真实场景光源颜色的信息。图3d是利用步骤S5计算的光源颜色值对原始的输入图像(图3a)进行色调校正后的结果。
具体实施方式
初级视觉皮层(V1区)是人类视觉系处理视觉信息的最重要的视觉皮层,V1区存在一种中心外周既有空间拮抗又有颜色拮抗感受野结构的颜色敏感性双拮抗神经元,它一直被认为是人视觉系统实现颜色恒常性的生理基础,基于此提出了本发明的场景光源颜色估计方法。
下面通过一个实施例进行具体说明。
从目前国际公认的用于估计场景光源颜色的图像库网站上下载一幅图像(IMG_0788.png)及其对应的真实光源颜色,图像大小为512×512,其中IMG_0788图像没有经过任何相机本身的预处理(如色调校正,gamma值校正)。本发明的详细步骤的流程示意图如图1所示,具体过程如下:
S1.提取图像中的颜色分量:首先将输入的彩色图像分解为红色、绿色和蓝色三个颜色分量,以原输入图像的一个像素值(186,240,200)为例,分解为红色、绿色和蓝色三个颜色分量后的值分别为186,240,200。
S2.计算单拮抗颜色空间下的分量:根据预设的权值,由步骤S1得到的红绿蓝颜色分量首先构成红,绿,蓝,黄(由红色分量加上绿色分量得到),亮度(由红,绿,蓝三个颜色分量相加得到)五个分量,然后进行单拮抗计算。
其中,红绿拮抗颜色分量由红分量减去绿分量得到;蓝黄拮抗颜色分量由蓝分量减去黄分量得到;黑白拮抗颜色分量由亮度分量直接得到。经过上述的计算得到红绿,蓝黄,黑白三个单拮抗颜色空间下的分量。
以S1中的像素值为例:由步骤S1得到的红绿蓝三个颜色分量首先构成红(186),绿(240),蓝(200),黄(由红色分量加上绿色分量得到(186+240)=426),亮度(由红,绿,蓝三个颜色分量相加得到(186+240+200)=626)五个分量,然后进行单拮抗计算:①由红绿颜色分量的权值其中红绿拮抗颜色分量由红分量减去绿分量得到为②由黄蓝颜色分量的权值蓝黄拮抗颜色分量由蓝分量减去黄分量得到为③由黑白颜色分量的权值黑白拮抗颜色分量由亮度分量直接得到为
S3.计算双拮抗颜色空间下的响应值:
分别使用滤波器对由步骤S2得到的单拮抗颜色空间下的红绿,蓝黄,黑白分量进行卷积计算。这里的滤波器可以是双高斯差型高斯滤波器外还可以使用别的滤波器,如拉普拉斯滤波器,高斯微分滤波器,Gabor滤波器等。因为除DoG外,拉普拉斯滤波器,高斯微分滤波器等也具有空间上的拮抗计算功能。
作为一种优选的方式,本实施例中具体采用中心外周尺度不同且幅值不等的双高斯差型滤波器。
具体计算过程为:①由一个中心为正,小尺度的幅值不变的高斯滤波器加上另外一个外周为负,大尺度的幅值可变化的高斯滤波器构成双高斯差(DoG)型滤波器;②用DoG滤波器对红绿拮抗颜色分量进行卷积计算,得到双拮抗颜色空间下红绿通道的响应值;③用DoG滤波器对蓝黄拮抗颜色分量进行卷积计算,得到双拮抗颜色空间下蓝黄通道的响应值;④用DoG滤波器对黑白拮抗颜色分量进行卷积计算,得到双拮抗颜色空间下黑白通道的响应值。
这里以一个双高斯差型(DoG)滤波器为例,其中心高斯滤波器尺度σ1=2.5,幅值k1=1,外周高斯滤波器的尺度为σ2=7.5,幅值为k2=0.3。这里以S2计算的红绿拮抗颜色分量的值-38.1为例,使用上述DoG滤波器计算后的响应值为-43.8,按照同样的计算方式,对S2中蓝黄拮抗颜色分量的值-10.6和黑白拮抗颜色分量的值361.4使用DoG滤波器计算后的响应值分别为7.5和328.8。
图2展示了本例子所使用的双高斯差型(DoG)滤波器对红绿拮抗颜色分量进行处理形成红绿双拮抗颜色空间的示意图。对于不同的图像场景,可以灵活的调整尺度(σ)和幅值(k)两个参数,从而在双拮抗颜色空间下估计场景光源的颜色。
S4.双拮抗颜色空间变换到三原色空间:由步骤S3计算得到的双拮抗颜色空间下的红绿,蓝黄和黑白颜色通道下的三种响应值-43.8,7.5,328.8为例,乘上一个线性变换矩阵转换到三原色空间后,得到的响应值分别为161.9,223.8,183.7。
图3展示了对一幅原始输入图像IMG_0788(图3a)进行处理时由步骤S4计算得到的三原色空间下的响应值以RGB图像形式显示的效果图(图3b),以及将S4计算得到的三原色空间下红色和绿色分量的响应值进行散点分析的示意图(图3c中散点集包含了实线,实线代表真实的场景光源颜色),它们表明由步骤S4计算得到的响应值有效地包含了真实场景光源颜色的信息。
S5.计算三原色空间下的光源颜色:以通过步骤S1~S4对输入像素值(186,240,200)进行计算得到的三原色空间下的值161.9,223.8,183.7为例。
这里可以采用如下的一种计算方式:
S51.分别计算每个三原色空间下颜色分量的最小值,这里以输入图像IMG_0788计算后的结果为例,得到三原色颜色空间下每个分量的最小值分别为36.2,35.7,34.4。
S52.每个颜色分量值减去S51中计算出的最小值,以S4中计算得到的响应值为例,红分量的响应值161.9减去相应分量的最小值36.2为125.7,同样绿分量下的响应值223.8减去相应分量的最小值35.7为188.1,蓝分量下的响应值183.7减去相应分量的最小值34.4为149.3。
S53.计算经过步骤S52处理后得到的每个颜色分量的最大值,并将这个最大值归一化后作为此颜色分量的光源颜色估计值。这里以整个输入图像IMG_0788计算后的结果为例(经历S1~S4,以及S51、S52处理后),分别得到三原色空间下红分量的最大值为859.6,绿分量的最大值为1660,蓝分量下的最大值为1444.2;则用这三个值的归一化后的值分别作为红,绿,蓝三个颜色分量的光源颜色估计值。这里用求和后的值作为归一化的分母,计算为L=859.6+1660+1444.2=3963.8,则红分量光源颜色值为859.6/L=0.2,绿分量光源颜色值为1660/L=0.4,蓝分量光源颜色值为1444.2/L=0.4;
以上的简单实例主要以图像的单个像素值为例子来阐述,实际计算时是在整幅图像的所有像素值上进行的。
至此,通过这样一个简单实例充分阐述了本发明计算场景光源颜色的整个过程。下面利用步骤S1~S5计算得到的光源颜色以图像的色调校正为例作为一个实际应用时的简单示范。
利用步骤S5计算得到的各个颜色分量下的光源颜色值,分别校正原始输入图像的每个颜色分量的像素值。以步骤S1中原始输入图像的一个像素值(186,240,200)为例,其校正后的结果为(186/0.2,240/0.4,200/0.4)=(930,600,500),然后将校正后的值乘上标准白光系数得到536.9,346.4,288.6作为最终输出的校正图像的像素值,原始输入图像的其它像素值也做类似的计算,最后得到校正后的彩色图像。
图3d是利用步骤S5计算的光源颜色值对原始的图像(图3a)进行色调校正后的结果。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种彩色图像的场景光源颜色估计方法,包括如下步骤:
S1.提取图像中的颜色分量:将输入的彩色图像分解为红色、绿色和蓝色三个颜色分量;
S2.计算单拮抗颜色空间下的分量:根据预先设定的权值,利用步骤S1得到的红绿蓝颜色分量构造黄分量和亮度分量,然后进行单拮抗计算,得到红绿拮抗颜色分量、蓝黄拮抗颜色分量和黑白拮抗颜色分量;
S3.计算双拮抗颜色空间下的响应值:使用滤波器对步骤S2得到的单拮抗颜色空间下的红绿,蓝黄,黑白分量进行卷积计算,分别得到双拮抗颜色空间下红绿通道的响应值、双拮抗颜色空间下蓝黄通道的响应值和双拮抗颜色空间下黑白通道的响应值;
S4.双拮抗颜色空间变换到三原色空间:将步骤S3得到的双拮抗颜色空间下红绿,蓝黄和黑白颜色通道的三种响应值转换到三原色空间下的响应值;
S5.计算三原色空间下的光源颜色:利用步骤S4计算得到的三原色空间下的响应值,分别计算每个颜色通道的光源颜色值。
3.根据权利要求1或2所述的彩色图像的场景光源颜色估计方法,其特征在于,步骤S3所述的滤波器具体为中心外周尺度不同且幅值不等的双高斯差型滤波器。
4.根据权利要求3所述的彩色图像的场景光源颜色估计方法,其特征在于,所用的双高斯差型滤波器的参数取值范围为:中心高斯滤波器的尺度范围为σ1∈0.5~12的任意值,幅值固定为k1=1;外周高斯滤波器的尺度范围为σ2∈3×(0.5~12)的任意值,幅值大小为k2∈0.1~1的任意值。
5.根据权利要求3所述的彩色图像的场景光源颜色估计方法,其特征在于,步骤S4所述的转换具体通过线性变换的形式进行。
6.根据权利要求4所述的彩色图像的场景光源颜色估计方法,其特征在于,所述的线性变换具体通过线性变换矩阵进行,具体通过线性变换矩阵进行,所述的线性变换矩阵具体为矩阵的任意线性组合。
7.根据权利要求1所述的彩色图像的场景光源颜色估计方法,步骤S5中所述的计算三原色空间下的光源颜色具体包括如下分步骤:
S51.计算三原色空间下每个颜色分量的最小值;
S52.三原色空间下每个颜色分量的响应值减去步骤S51中计算出的最小值,然后再计算每个颜色分量的最大值;
S53.将三原色空间中的三个颜色分量的最大值进行归一化处理,处理后的值作为此输入图像的场景光源颜色估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310166903.2A CN103258334B (zh) | 2013-05-08 | 2013-05-08 | 彩色图像的场景光源颜色估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310166903.2A CN103258334B (zh) | 2013-05-08 | 2013-05-08 | 彩色图像的场景光源颜色估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103258334A true CN103258334A (zh) | 2013-08-21 |
CN103258334B CN103258334B (zh) | 2015-11-18 |
Family
ID=48962227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310166903.2A Active CN103258334B (zh) | 2013-05-08 | 2013-05-08 | 彩色图像的场景光源颜色估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103258334B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850432A (zh) * | 2015-04-29 | 2015-08-19 | 小米科技有限责任公司 | 调节颜色的方法及装置 |
CN106295679A (zh) * | 2016-07-28 | 2017-01-04 | 电子科技大学 | 一种基于分类校正的彩色图像光源颜色估计方法 |
CN110060308A (zh) * | 2019-03-28 | 2019-07-26 | 杭州电子科技大学 | 一种基于光源颜色分布限制的颜色恒常性方法 |
CN110210502A (zh) * | 2019-06-13 | 2019-09-06 | 广西师范大学 | 整合蜜蜂和人类视觉感知机制的特征提取和图像检索方法 |
CN111046202A (zh) * | 2019-12-16 | 2020-04-21 | 广西师范大学 | 基于hsv颜色空间特有属性的图像检索方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296658B (zh) * | 2016-07-28 | 2018-09-04 | 电子科技大学 | 一种基于相机响应函数的场景光源估计准确性提升方法 |
CN108537852B (zh) * | 2018-04-17 | 2020-07-07 | 四川大学 | 一种基于图像局部对比度的自适应颜色恒常性方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020167615A1 (en) * | 2001-02-07 | 2002-11-14 | Ramot University Authority For Applied Research And Industrial Development Ltd. | Method for automatic color and intensity contrast adjustment of still and video images |
CN1714372A (zh) * | 2002-11-29 | 2005-12-28 | Uea恩特普里西斯公司 | 图像信号处理 |
US20080088807A1 (en) * | 2006-10-13 | 2008-04-17 | Samsung Electronics Co.; Ltd | Method and apparatus for adjusting image colors of image projector |
CN101534432A (zh) * | 2009-04-09 | 2009-09-16 | 上海广电(集团)有限公司中央研究院 | 基于人眼感知模型的码率控制方法 |
-
2013
- 2013-05-08 CN CN201310166903.2A patent/CN103258334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020167615A1 (en) * | 2001-02-07 | 2002-11-14 | Ramot University Authority For Applied Research And Industrial Development Ltd. | Method for automatic color and intensity contrast adjustment of still and video images |
CN1714372A (zh) * | 2002-11-29 | 2005-12-28 | Uea恩特普里西斯公司 | 图像信号处理 |
US20080088807A1 (en) * | 2006-10-13 | 2008-04-17 | Samsung Electronics Co.; Ltd | Method and apparatus for adjusting image colors of image projector |
CN101534432A (zh) * | 2009-04-09 | 2009-09-16 | 上海广电(集团)有限公司中央研究院 | 基于人眼感知模型的码率控制方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850432A (zh) * | 2015-04-29 | 2015-08-19 | 小米科技有限责任公司 | 调节颜色的方法及装置 |
CN104850432B (zh) * | 2015-04-29 | 2018-02-06 | 小米科技有限责任公司 | 调节颜色的方法及装置 |
CN106295679A (zh) * | 2016-07-28 | 2017-01-04 | 电子科技大学 | 一种基于分类校正的彩色图像光源颜色估计方法 |
CN106295679B (zh) * | 2016-07-28 | 2019-06-25 | 电子科技大学 | 一种基于分类校正的彩色图像光源颜色估计方法 |
CN110060308A (zh) * | 2019-03-28 | 2019-07-26 | 杭州电子科技大学 | 一种基于光源颜色分布限制的颜色恒常性方法 |
CN110060308B (zh) * | 2019-03-28 | 2021-02-02 | 杭州电子科技大学 | 一种基于光源颜色分布限制的颜色恒常性方法 |
CN110210502A (zh) * | 2019-06-13 | 2019-09-06 | 广西师范大学 | 整合蜜蜂和人类视觉感知机制的特征提取和图像检索方法 |
CN110210502B (zh) * | 2019-06-13 | 2023-03-31 | 广西师范大学 | 整合蜜蜂和人类视觉感知机制的特征提取和图像检索方法 |
CN111046202A (zh) * | 2019-12-16 | 2020-04-21 | 广西师范大学 | 基于hsv颜色空间特有属性的图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103258334B (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258334B (zh) | 彩色图像的场景光源颜色估计方法 | |
Padmavathi et al. | Implementation of RGB and grayscale images in plant leaves disease detection–comparative study | |
CN106920221B (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
Hernández-Hernández et al. | Optimal color space selection method for plant/soil segmentation in agriculture | |
CN109559310B (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN110233971B (zh) | 一种拍摄方法及终端、计算机可读存储介质 | |
US20240062530A1 (en) | Deep perceptual image enhancement | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
US9036047B2 (en) | Apparatus and techniques for image processing | |
CN106204662B (zh) | 一种多光源环境下的图像颜色恒常方法 | |
Banić et al. | Color cat: Remembering colors for illumination estimation | |
CN105138987B (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 | |
CN115526803A (zh) | 非均匀光照图像增强方法、系统、存储介质及设备 | |
Li et al. | A pseudo-siamese deep convolutional neural network for spatiotemporal satellite image fusion | |
CN103295205A (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
Guo et al. | Improving visibility and fidelity of underwater images using an adaptive restoration algorithm | |
CN105072341A (zh) | 一种可用于机器视觉的高动态范围现实场景信息重构方法 | |
Buzzelli et al. | Consensus-driven illuminant estimation with GANs | |
CN109784168A (zh) | 一种高分辨率遥感输电通道巡视方法及系统 | |
Rasras et al. | Developing a new color model for image analysis and processing | |
CN114596562A (zh) | 一种稻田杂草识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |