CN105427271B - 一种图像色彩调节方法及系统 - Google Patents
一种图像色彩调节方法及系统 Download PDFInfo
- Publication number
- CN105427271B CN105427271B CN201410474553.0A CN201410474553A CN105427271B CN 105427271 B CN105427271 B CN 105427271B CN 201410474553 A CN201410474553 A CN 201410474553A CN 105427271 B CN105427271 B CN 105427271B
- Authority
- CN
- China
- Prior art keywords
- region
- color
- image
- distribution
- toning
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种图像色彩调节方法及系统,包括:S1:获取待处理图像的每个区域的几何特征;S2:将待处理图像的每个区域的几何特征输入到训练后的MLR模型中,输出待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;S3:根据每个区域的单区域颜色特征分布和相对颜色特征分布,获得待处理图像的总体颜色分布;S4:对总体颜色分布进行采样,获得多个调色方案;S5:从多个调色方案中选择预设数量的调色方案;S6:分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像。通过本发明提供的方法及系统能够自动输出多个调色方案,除输入待处理图像外无需额外的输入。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像色彩调节方法及系统。
背景技术
图像处理是用计算机对图像进行分析,以达到所需结果的技术。在图像处理中,通过对图像色彩的调节能够根据对图像配色的要求输出所需要的图像,图像色彩调节越来越被重视。
对图像色彩的调节主要是调节图像的颜色特征,其中,图像的颜色特征包括图像的亮度、图像的色相、图像的饱和度等参数。
现有技术中对图像色彩的调节需要进行额外的输入,例如需要输入指定区域的语义、提供参考图片、提供参考颜色主题,然后根据额外的输入获得一个单一的最优解。
发明内容
本发明提供了一种图像色彩调节方法,能够自动输出多个调色方案,除输入待处理图像外无需额外的输入。
一方面,本发明提供了一种图像色彩调节方法,包括:
S1:获取待处理图像的每个区域的几何特征;
S2:将所述待处理图像的每个区域的几何特征输入到训练后的多项逻辑斯蒂回归MLR模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
S3:根据所述每个区域的单区域颜色特征分布和所述相对颜色特征分布,获得所述待处理图像的总体颜色分布;
S4:对所述总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
S5:从所述多个调色方案中选择预设数量的调色方案;
S6:分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
进一步地,在所述S1之前还包括:根据图像数据库训练MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过基于区域的图结构RegionNet结构来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
所述单区域颜色特征包括:亮度,色相,饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相,区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比,区域的纹理描述符。
进一步地,所述S3具体包括:根据所述每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布。
进一步地,所述S4具体包括:
通过马尔科夫蒙特卡洛方法对所述总体颜色分布进行采样,获得多个调色方案。
进一步地,所述S5具体包括:
根据最大区间相关度MMR准则对所述多个调色方案进行排序,选择排在前预设数量的调色方案。
进一步地,所述分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,具体包括:
通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。
另一方面,本发明提供了一种图像色彩调节系统,包括:
获取模块,用于获取待处理图像的每个区域的几何特征;
多项逻辑斯蒂回归MLR模块,用于将所述获取模块获取的待处理图像的每个区域的几何特征输入到训练后的MLR模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
总体颜色分布模块,用于根据所述MLR模块输出的每个区域的单区域颜色特征分布和所述相对颜色特征分布,获得所述待处理图像的总体颜色分布;
采样模块,用于对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
选择模块,用于从所述采样模块获得的多个调色方案中选择预设数量的调色方案;
输出模块,用于分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
进一步地,所述系统还包括训练模块,用于根据图像数据库训练MLR模型,获得所述MLR模块中的MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过基于区域的图结构RegionNet结构来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
所述单区域颜色特征包括:亮度,色相,饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相,区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比,区域的纹理描述符。
进一步地,所述总体颜色分布模块,具体用于根据所述MLR模块输出的每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布;
和/或,所述采样模块,具体用于通过马尔科夫蒙特卡洛方法对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案。
进一步地,所述选择模块,具体用于根据最大区间相关度MMR准则对所述采样模块获得的多个调色方案进行排序,选择排在前预设数量的调色方案;
和/或,所述输出模块,具体用于通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。
本发明提供的一种图像色彩调节方法及系统,通过对待处理图像的总体颜色分布进行采样,获得多种调色方案,将待处理图像按照选择出的调色方案进行调色,能够自动输出多个色彩不同的图像,除输入待处理图像外无需额外的输入。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种图像色彩调节方法流程图;
图2是本发明一实施例提供的一种图像色彩调节系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
本发明实施例提供了一种图像色彩调节方法,参见图1,该方法包括:
S1:获取待处理图像的每个区域的几何特征;
S2:将所述待处理图像的每个区域的几何特征输入到训练后的MLR(MultinomialLogistic Regression,多项逻辑斯蒂回归)模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
S3:根据所述每个区域的单区域颜色特征分布和所述相对颜色特征分布,获得所述待处理图像的总体颜色分布;
S4:对所述总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
S5:从所述多个调色方案中选择预设数量的调色方案;
S6:分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
上述实施例提供的一种图像色彩调节方法,通过对待处理图像的总体颜色分布进行采样,获得多种调色方案,将待处理图像按照选择出的调色方案进行调色,能够自动输出多个色彩不同的图像,除输入待处理图像外无需额外的输入。
为使MLR模型满足要求,需要对MLR模型进行训练,通过训练来确定MLR模型的相关参数。在所述S1之前还包括:根据图像数据库训练MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过RegionNet结构(基于区域的图结构)来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
其中,相邻区域的邻近程度是指两个区域之间直接相邻的像素的数目。
所述单区域颜色特征包括:亮度,色相,饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相,区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比,区域的纹理描述符。
其中,所述图像数据库中图像可以是按照对颜色搭配的要求挑选获得的。
其中,在训练时,MLR模型的输入是(几何特征,颜色特征)对,其中,颜色特征包括:单区域颜色特征、相邻区域的相对颜色特征。
MLR模型训练完毕后,当输入待处理图像各区域的几何特征时,将会输出MLR模型预测的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布。
为了将MLR模型预测的每个区域的单区域颜色特征分布和相邻区域颜色特征分布综合起来,在一种可能的实现方式中,采用了因子图模型,所述S3具体包括:根据所述每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布。
在一种可能的实现方式中,所述S4具体包括:通过马尔科夫蒙特卡洛方法对所述总体颜色分布进行采样,获得多个调色方案。具体地,可以使用Parallel Tempering技术,同时使用5条不同温度的链进行采样。
为了选择出配色更加合理的调色方案,所述S5具体包括:根据MMR(MaximumMarginal Relevance,最大区间相关度)准则对所述多个调色方案进行排序,选择排在前预设数量的调色方案。具体地,可以结合概率密度和多样性对所述多个调色方案进行排序,使得选择出的调色方案即符合要求又不会出现调色方案相同的情况。
为了实现对每个区域的调色,并使得整幅输出图像的颜色改变平滑不失真,在步骤S6中,所述分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,具体包括:通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。具体地,利用基于编辑传播的方法,以每个区域内部的采样点作为初始笔触,计算出每个区域对于全图各个像素的影响权重;根据每个区域的原始平均颜色和目标平均颜色,计算出每个区域的颜色偏移量;对于每个像素,依据每个区域的影响权重以及相应的颜色偏移量,计算出带权平均偏移量;结合像素原始颜色和带权平均偏移量,获得像素的最终颜色,进而获得按照调色方案重新上色的输出图像。
图2示出了一种图像色彩自动调节系统,该系统包括:
获取模块201,用于获取待处理图像的每个区域的几何特征;
MLR模块202,用于将所述获取模块201获取的待处理图像的每个区域的几何特征输入到训练后的MLR模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
总体颜色分布模块203,用于根据所述MLR模块202输出的每个区域的单区域颜色特征分布和所述相对颜色特征分布获得所述待处理图像的总体颜色分布;
采样模块204,用于对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
选择模块205,用于从所述采样模块204获得的多个调色方案中选择预设数量的调色方案;
输出模块206,用于分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
为使MLR模型满足要求,需要对MLR模型进行训练,通过训练来确定MLR模型的相关参数,所述系统还包括训练模块,用于根据图像数据库训练MLR模型,获得所述MLR模块中的MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过RegionNet结构来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
所述单区域颜色特征包括:亮度,色相,饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相,区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比,区域的纹理描述符。
MLR模型训练完毕后,当输入待处理图像各区域的几何特征时,将会输出MLR模型预测的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布。
为了将MLR模型预测的每个区域的单区域颜色特征分布和相邻区域颜色特征分布综合起来,在一种可能的实现方式中,采用了因子图模型,所述总体颜色分布模块,具体用于根据所述MLR模块输出的每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布。
在一种可能的实现方式中,所述采样模块,具体用于通过马尔科夫蒙特卡洛方法对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案。
为了选择出配色更加合理的调色方案,所述选择模块,具体用于根据MMR准则对所述采样模块获得的多个调色方案进行排序,选择排在前预设数量的调色方案。
为了实现对每个区域的调色,并使得整幅输出图像的颜色改变平滑不失真,所述输出模块,具体用于通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。
上述设备内的各模块、子模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二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因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种图像色彩调节方法,其特征在于,包括:
S1:获取待处理图像的每个区域的几何特征;
S2:将所述待处理图像的每个区域的几何特征输入到训练后的多项逻辑斯蒂回归MLR模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
S3:根据所述每个区域的单区域颜色特征分布和所述相对颜色特征分布,获得所述待处理图像的总体颜色分布;
S4:对所述总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
S5:从所述多个调色方案中选择预设数量的调色方案;
S6:分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
2.根据权利要求1所述的方法,其特征在于,在所述S1之前还包括:根据图像数据库训练MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过基于区域的图结构RegionNet结构来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
所述单区域颜色特征包括:亮度,色相和饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相和区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比和区域的纹理描述符。
3.根据权利要求1或2所述的方法,其特征在于,所述S3具体包括:根据所述每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布。
4.根据权利要求1或2所述的方法,其特征在于,所述S4具体包括:
通过马尔科夫蒙特卡洛方法对所述总体颜色分布进行采样,获得多个调色方案。
5.根据权利要求1或2所述的方法,其特征在于,所述S5具体包括:
根据最大区间相关度MMR准则对所述多个调色方案进行排序,选择排在前预设数量的调色方案。
6.根据权利要求1或2所述的方法,其特征在于,所述分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,具体包括:
通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。
7.一种图像色彩调节系统,其特征在于,包括:
获取模块,用于获取待处理图像的每个区域的几何特征;
多项逻辑斯蒂回归MLR模块,用于将所述获取模块获取的待处理图像的每个区域的几何特征输入到训练后的MLR模型中,输出所述待处理图像的每个区域的单区域颜色特征分布和相邻区域的相对颜色特征分布;
总体颜色分布模块,用于根据所述MLR模块输出的每个区域的单区域颜色特征分布和所述相对颜色特征分布,获得所述待处理图像的总体颜色分布;
采样模块,用于对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案,其中,每次采样获得的所有区域的目标平均颜色的集合为一个调色方案;
选择模块,用于从所述采样模块获得的多个调色方案中选择预设数量的调色方案;
输出模块,用于分别根据每个选择出的调色方案对所述待处理图像进行色彩调节,输出调节后的图像,其中,每一个选择出的调色方案对应一副输出图像。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括训练模块,用于根据图像数据库训练MLR模型,获得所述MLR模块中的MLR模型;
其中,所述图像数据库中的每一个图像的每个区域的几何特征、每个区域的单区域颜色特征和相邻区域的相对颜色特征是通过基于区域的图结构RegionNet结构来存储的;
所述RegionNet结构满足:
合并后的平均颜色相近的超像素为一个区域;
其中,两个超像素的平均颜色相近是指两个超像素的平均颜色的差值的绝对值小于等于预设阈值;
每个区域对应一个节点;
每个区域的单区域颜色特征和几何特征存储于本区域对应的节点中;
相邻区域的邻近程度,以及相邻区域的相对颜色特征以边权的形式存储;
所述单区域颜色特征包括:亮度,色相和饱和度;
所述相邻区域的相对颜色特征包括:区域间相对亮度,区域间相对色相和区域间相对饱和度;
所述几何特征包括:区域的大小,区域的位置,区域的周长平方和面积之比和区域的纹理描述符。
9.根据权利要求7或8所述的系统,其特征在于,所述总体颜色分布模块,具体用于根据所述MLR模块输出的每个区域的单区域颜色特征分布和相邻区域颜色特征分布,通过因子图模型,获得所述待处理图像的总体颜色分布;
和/或,所述采样模块,具体用于通过马尔科夫蒙特卡洛方法对所述总体颜色分别模块获得的总体颜色分布进行采样,获得多个调色方案。
10.根据权利要求7或8所述的系统,其特征在于,所述选择模块,具体用于根据最大区间相关度MMR准则对所述采样模块获得的多个调色方案进行排序,选择排在前预设数量的调色方案;
和/或,所述输出模块,具体用于通过基于编辑传播的方法将所述每个区域的目标平均颜色传播到该区域的每个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410474553.0A CN105427271B (zh) | 2014-09-17 | 2014-09-17 | 一种图像色彩调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410474553.0A CN105427271B (zh) | 2014-09-17 | 2014-09-17 | 一种图像色彩调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427271A CN105427271A (zh) | 2016-03-23 |
CN105427271B true CN105427271B (zh) | 2018-10-16 |
Family
ID=55505452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410474553.0A Active CN105427271B (zh) | 2014-09-17 | 2014-09-17 | 一种图像色彩调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427271B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034142A (zh) * | 2018-09-29 | 2018-12-18 | 广州微印信息科技有限公司 | 一种基于图像识别的照片处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1977529A (zh) * | 2004-06-30 | 2007-06-06 | 皇家飞利浦电子股份有限公司 | 从通过未着色色空间映射的视频内容得到的环境光的主色提取 |
-
2014
- 2014-09-17 CN CN201410474553.0A patent/CN105427271B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1977529A (zh) * | 2004-06-30 | 2007-06-06 | 皇家飞利浦电子股份有限公司 | 从通过未着色色空间映射的视频内容得到的环境光的主色提取 |
Non-Patent Citations (2)
Title |
---|
一种基于视觉特性的彩色图像增强算法;束代群等;《计算机与现代化》;20140228(第2期);全文 * |
有效消除光晕现象和颜色保持的彩色图像增强算法;司马海峰;《计算机辅助设计与图形学学报》;20100831(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105427271A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Image recolorization for the colorblind | |
Schulz et al. | Exploiting citation networks for large-scale author name disambiguation | |
Archetti et al. | An optimization-based heuristic for the split delivery vehicle routing problem | |
CN103577831B (zh) | 用于基于反馈来生成训练模型的方法和装置 | |
EP2833324A1 (en) | Image quality analysis for searches | |
Rigby et al. | Cosmic downsizing of powerful radio galaxies to low radio luminosities | |
CN104160253A (zh) | 最佳色选择 | |
CN111738265B (zh) | Rgb-d图像的语义分割方法、系统、介质及电子设备 | |
Doukas et al. | Planning of manufacturing networks using an intelligent probabilistic approach for mass customised products | |
Finlayson et al. | A curious problem with using the colour checker dataset for illuminant estimation | |
CN105427271B (zh) | 一种图像色彩调节方法及系统 | |
CN110163217A (zh) | 用于配色或配色辅助的方法、装置以及计算机可读存储媒体 | |
Ono et al. | User-system cooperative evolutionary computation for both quantitative and qualitative objective optimization in image processing filter design | |
Xu et al. | Transferring the color imagery from an image: A color network model for assisting color combination | |
Wu | Applying grey model to prioritise technical measures in quality function deployment | |
Kononov et al. | Competitive facility location models | |
CN106952298A (zh) | 基于自学习的图像集背景模板匹配方法及系统 | |
CN106033452A (zh) | 一种数据更新方法及装置 | |
Hale et al. | Optimality versus run time for isolated signalized intersections | |
US11804199B2 (en) | Color control system for producing gradient light | |
Gao et al. | Approximation approach to problem of large-scale pavement maintenance and rehabilitation | |
Poyiadzi et al. | Understanding surrogate explanations: the interplay between complexity, fidelity and coverage | |
Li et al. | Exploring inventory order policies impact under the non-negative constraint of order quantity: System stability, service level, and cost | |
CN105678771A (zh) | 一种图像质量分的确定方法及装置 | |
CN109242927A (zh) | 一种广告模板生成方法、装置及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |