CN106327537B - 一种图像预处理方法及装置 - Google Patents

一种图像预处理方法及装置 Download PDF

Info

Publication number
CN106327537B
CN106327537B CN201610405078.0A CN201610405078A CN106327537B CN 106327537 B CN106327537 B CN 106327537B CN 201610405078 A CN201610405078 A CN 201610405078A CN 106327537 B CN106327537 B CN 106327537B
Authority
CN
China
Prior art keywords
image
similarity
processed
determining
channels
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
Application number
CN201610405078.0A
Other languages
English (en)
Other versions
CN106327537A (zh
Inventor
于鲲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of CN106327537A publication Critical patent/CN106327537A/zh
Application granted granted Critical
Publication of CN106327537B publication Critical patent/CN106327537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种图像预处理方法及装置。其中方法包括：确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型。其中，参考相似度越高，则表示待处理图像越趋近于灰度图像，参考相似度越低，则表示待处理图像越趋近于彩色图像。所以，本申请设定用于表示图像为彩色图像第一预设阈值，当待处理图像的参考相似度小于第一预设阈值时，则表示图像为彩色图像，从而判定待处理图像适用于肤色模型。然后，则可以对适用于肤色模型的图像使用肤色模型，从而获得准确的肤色区域。

Description

一种图像预处理方法及装置
本申请要求于2015年07月02日提交中国专利局、申请号为201510382366.4、发明名称为“一种图像预处理方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像预处理方法及装置。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别其中目标和对像的技术。目前，在图像识别过程中，经常面临识别图像中的人物的需求。
由于人物的肤色明显区别于大多数背景物体的颜色，所以，在进行人物识别的过程中，通常利用人物的肤色特征作为识别依据。为了形象表述人物的肤色特征，将肤色特征在一定色彩空间的分布规律归纳为肤色模型。后续便可以利用肤色模型确定图像的肤色区域，进而仅对图像的肤色区域执行人物识别处理。
发明内容
在研究过程中本申请发明人发现：
由于肤色模型仅适用于彩色图像，不适用于灰度图像。所以，在利用肤色模型对图像进行人物识别处理之前，可以采用以下方式来判定图像是否适用于肤色模型。首先，解析图像颜色格式，以确定图像为单通道图像或多通道图像，若图像为单通道图像(即灰度图像)，则判定图像不适用于肤色模型；若图像为多通道图像(即彩色图像)，则判定可以图像适用于肤色模型。
目前，为了获得更好地图像效果，用户会对图像进行后期处理；如，增加滤镜特效、增加老照片效果或变更为黑白照片等。但是，当图像经过后期处理后，其颜色分布会发生改变，表现在图像的显示效果上可能为：彩色图像趋近于灰度图像。
可见，在一个多通道图像(彩色图像)在经过后期处理后，可能趋近于灰度图像，此时，图像已不适用于肤色模型。由于图像仍然为多通道图像，如果仍然按照现有判定图像是否适用于肤色模型的方式，则会判定图像仍然适用于肤色模型。如果继续对图像使用肤色模型，则会导致获得不准确的肤色区域问题，还会进一步导致使用肤色区域无法准确确定人物的问题。
为此，本申请提供了一种图像预处理方法及装置，以准确判定图像是否适用于肤色模型，从而解决对不适用于肤色模型的图像使用肤色模型，所导致获得不准确肤色区域的问题。
为了解决上述问题，本申请提供了以下技术手段：
一种图像预处理方法，包括：
确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；
如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型。
优选的，还包括：
如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
优选的，所述第一预设阈值和所述第二预设阈值的确定过程，包括：
计算训练图像集中每个图像的参考相似度；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像；
依据预先设定的误识率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值；
依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
优选的，还包括：
如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像；
利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
优选的，所述预设处理过程包括：
获取所述待定图像的待定色彩饱和度；
通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
优选的，所述确定待处理图像的参考相似度包括：
计算待处理图像的两两通道的相似度；
将所述两两通道的相似度的最大值，确定为所述待处理图像的所述参考相似度。
优选的，所述确定待处理图像的参考相似度包括：
计算待处理图像的两两通道的相似度；
将所述两两通道的相似度的平均值，确定为所述待处理图像的所述参考相似度。
优选的，所述计算待处理图像的两两通道的直方图的相似度，包括：
将所述两两通道直方图之间的余弦距离，确定为所述两两通道的相似度；
将所述两两通道直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，
将所述两两通道直方图之间的卡方距离，确定为所述两两通道的相似度。
优选的，所述获取所述待定图像的待定色彩饱和度包括：
将所述待定图像的图像格式转换为HIS格式；
将所述待定图像的S通道的直方图，确定为所述待定图像的色彩饱和度。
优选的，所述待处理图像为RGB色彩格式图像。
一种图像预处理装置，包括：
第一确定单元，用于确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；
第一判定单元，用于如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型。
优选的，还包括：
第二判定单元，用于如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
优选的，还包括：确定阈值单元；
所述确定阈值单元，包括：
第一计算单元，用于计算训练图像集中每个图像的参考相似度；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像；
第一确定阈值单元，用于依据预先设定的误识率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值；
第二确定阈值单元，用于依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
优选的，还包括：
第二确定单元，用于如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像；
处理单元，用于利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
优选的，所述处理单元，包括：
获取单元，用于获取所述待定图像的待定色彩饱和度；
分类单元，用于通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
优选的，所述第一确定单元，包括：
第二计算单元，用于计算待处理图像的两两通道的相似度；
第三确定单元，用于将所述两两通道的相似度的最大值或平均值，确定为所述待处理图像的所述参考相似度。
优选的，所述第二计算单元，包括：
余弦距离计算单元，用于将所述两两通道直方图之间的余弦距离，确定为所述两两通道的相似度；
曼哈顿距离计算单元，用于将所述两两通道直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，
卡方距离计算单元，用于将所述两两通道直方图之间的卡方距离，确定为所述两两通道的相似度。
优选的，所述获取单元，包括：
转换单元，用于将所述待定图像的图像格式转换为HIS格式；
第四确定单元，用于将所述待定图像的S通道的直方图，确定为所述待定图像的色彩饱和度。
优选的，所述待处理图像为RGB色彩格式图像。
利用以上技术手段，本申请具有以下有益效果：
本申请实施例中，计算待处理图像的参考相似度；参考相似度越高，则表示待处理图像越趋近于灰度图像，参考相似度越低，则表示待处理图像越趋近于彩色图像。所以，本申请设定用于表示图像为彩色图像第一预设阈值，当待处理图像的参考相似度小于第一预设阈值时，则表示图像为彩色图像，从而判定待处理图像适用于肤色模型。然后，则可以对适用于肤色模型的图像使用肤色模型，从而获得准确的肤色区域。
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申请的一些实施例，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为本申请实施例公开的一种图像预处理方法的流程图；
图2为本申请实施例公开的一种图像预处理方法中确定参考相似度的流程图；
图3为本申请实施例公开的一种图像预处理方法中确定第一预设阈值的流程图；
图4为本申请实施例公开的一种图像预处理方法中多个参考相似度的分布示意图；
图5为本申请实施例公开的又一种图像预处理方法流程图；
图6为本申请实施例公开的一种图像预处理方法中确定第二预设阈值的流程图；
图7为本申请实施例公开的又一种图像预处理方法流程图；
图8为本申请实施例公开的一种图像预处理装置的结构示意图；
图9为本申请实施例公开的一种图像预处理装置中确定阈值单元的结构示意图；
图10为本申请实施例公开的一种图像预处理装置中处理单元的结构示意图；
图11为本申请实施例公开的一种图像预处理装置中第一确定单元的结构示意图。
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他实施例，都属于本申请保护的范围。
本申请提供了一种图像预处理方法的实施例。如图1所示，所述方法包括以下步骤S101～S104：
步骤S101：确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定。
当待处理图像的颜色格式为单通道时，表示待处理图像为单通道图像，即灰度图像。当待处理图像的颜色格式为多通道时，一般情况下，表示待处理图像为彩色图像。但是，以RGB颜色格式的多通道的待处理图像为例，其中，R(Red)代表红色，G(Green)代表绿色，B(Blue)代表蓝色。当R通道的数值、G通道的数值和B通道的数值相等，在显示效果上待处理图像也为灰度图像。当R通道的数值、G通道的数值和B通道的数值相近时，在显示效果上待处理图像近似为灰度图像。当多通道的待处理图像为灰度图像或者近似于灰度图像时，则待处理图像无法适用于肤色模型。
可见，一部分趋近于灰度图像的多通道图像(彩色图像)，不适用于肤色模型。所以，本申请的目的在于在多通道图像(彩色图像)中，准确识别出适用于肤色模型的彩色图像，以避免对不适用于肤色模型的伪彩色图像(趋近于灰度图像的彩色图像)使用肤色模型。
在具体使用时，可以将待处理图像的参考相似度作为判断图像是否为近似于灰度图像的依据。参考相似度可以表示待处理图像的各个通道之间的相似度；当参考相似度较高时，则表示待处理图像中各个通道较为相似，即表示待处理图像趋近于灰度图像；当参考相似度较低时，则表示待处理图像中各个通道不相似，即表示待处理图像趋近于彩色图像。
下面以待处理图像为RGB颜色格式的图像为例，介绍确定待处理图像的参考相似度的方式：
如图2所示，本方式具体包括步骤S201～S202：
步骤S201：计算待处理图像的两两通道的相似度。
待处理图像的参考相似度，可以看为待处理图像所有通道之间的相似程度。为了计算所有通道之间的相似程度，首先计算待处理图像两两通道之间的相似度，再将两两通道之间的相似度进行融合，以确定所有通道之间的相似程度。
为了计算待处理图像两两通道之间的相似度，本申请实施例可以获取待处理图像每个通道的直方图；然后，计算两两通道的直方图之间的距离，并将距离作为两两通道之间的相似度。
在具体使用过程中，可以将所述两两通道直方图之间的余弦距离，确定为所述两两通道的相似度；将所述两两通道直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，将所述两两通道直方图之间的卡方距离，确定为所述两两通道的相似度。当然还可以采用其他方式来计算两两通道的直方图之间的距离，在此不再一一列举。
可以理解的是，两两通道的直方图之间的距离越大，表示两两通道之间的相似度越小；两两通道的直方图之间的距离越小，表示两两通道之间的相似度越大。
以RGB格式待处理图像为例，对本步骤的执行过程进行详细描述。首先提取R通道的直方图、G通道的直方图和B通道的直方图。然后，计算R通道的直方图和G通道的直方图之间的距离；G通道的直方图和B通道的直方图之间的距离；R通道的直方图和B通道的直方图之间的距离；从而获得三个通道(R通道、G通道和B通道)两两通道之间的三个相似度。
步骤S202：将所述两两通道的相似度的平均值，确定为所述待处理图像的所述参考相似度。
在步骤S201中获得多通道中两两通道之间的多个相似度之后，可以对多个相似度进行排序。其中，两两通道的相似度越大，则表示两两通道的数值越趋于相等，代表待处理图像越趋近于灰度图像；相似度越小则表示两两通道的数值越趋于不相等，代表待处理图像越趋近于彩色图像。
为了综合考虑多个相似度的大小，本实施例中可以将多个两两通道的相似度的平均值，确定为待处理图像的参考相似度；该参考相似度可作为确定待处理图像是否适用于肤色模型的依据。
可以理解的是，在确定两两通道之间的多个相似度之后，还可以使用其它方式来确定参考相似度。如：可以将多个相似度中的最大值，确定为待处理图像的参考相似度；或者，将多个相似度中的最小值确定为待处理图像的参考相似度。
多个相似度中的最大值，表示图像中最近似的两个通道的相似度，即最能表示待处理图像为灰度图像的相似度。如果采用最大相似度作为参考相似度，仍然可以判定待处理图像适用于肤色模型，则待处理图像必然适用于肤色模型。但是，如果采用最大相似度作为参考相似度，判定出待处理图像不适用于肤色模型，则不能明确表示待处理图像不适用于肤色模型。
多个相似度中的最小值，表示图像中最不近似的两个通道的相似度，即最能表示待处理图像为彩色图像的相似度。如果采用最小相似度作为参考相似度，仍然可以判定待处理图像不适用于肤色模型，则待处理图像必然不适用于肤色模型。但是，如果采用最小相似度作为参考相似度，判定出待处理图像适用于肤色模型，则不能明确表示待处理图像适用于肤色模型。
由于按不同确定参考相似度的方式，得到的参考相似度是不同的。所以，使用不同的确定参考相似度的方式，可能导致最终得到的适用于肤色模型的结果发生变化。因此，在具体使用时需要依据实际情况，来决定计算参考相似度的方式。
以RGB格式为例，在获得三个通道(R通道、G通道和B通道)两两通道之间的三个相似度之后，可以将三个通道(R通道、G通道和B通道)两两通道之间的三个相似度中平均值、最大值或最小值，确定为待处理图像的参考相似度。
接着返回图1，进入步骤S102：判断参考相似度是否小于第一预设阈值。若是，则进入步骤S103，否则进入步骤S104。
下面介绍本申请中第一预设阈值的确定过程，本过程可以在图1所示的实施例之前执行。如图3所示，包括步骤S301～S303：
步骤S301：获取训练图像集；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像。
首先，获取一个包含多幅图像的图像集，图像集中具有适用于肤色模型的图像以及不适用于肤色模型的图像。然后，通过实验或者人工方式，确定每个图像是否适用于肤色模型，并为每个图像添加适用和不适用的标签，将添加标签的图像集作为训练图像集。
以包含9幅图像的训练图像集为例，其中，有5幅适用于肤色模型的图像，可以采用A1、A2、A3、A4和A5表示；剩余4幅不适用于肤色模型的图像，可以采用B1、B2、B3和B4表示。
步骤S302：计算训练图像集中每个图像的参考相似度。
然后，按步骤S101中确定参考相似度的方式，计算每个图像的参考相似度，从而获得包含参考相似度和标签的图像集。参见图4，为训练图像集的参考相似度的分布示意图。由图示可看出，参考相似度越小表示图像适用于肤色模型，参考相似度越大，表示图像不适用于肤色模型；在中间区域，一部分适用于肤色模型，一部分不适用于肤色模型。
步骤S303：依据预先设定的误识率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值。
在本实施例中误识率为，把不适用于肤色模型误判为适用于肤色模型的概率，本申请实施例中技术人员可以预先设定可以接受的误识率，然后在训练图像集中，选择一个图像的参考相似度确定为第一预设阈值，使得小于第一预设阈值图像中的不适用于肤色模型的图像数量，与，所有不适用肤色模型的图像总数量的比值，不大于设定的误识率。
例如，技术人员预先设定的误识率为25％。参见图4，假设选取B2作为第一预设阈值，则可以得到小于第一预设阈值的4个图像的相似度(A1、B1、A2和A3)。其中，有一个(B1)不适用于肤色模型的参考相似度，由于不适用肤色模型的图像为B1、B2、B3和B4，所以不适用肤色模型的图像总数量为4。则误识率为1/4*100％＝25％，可以满足预设误识率。因此，可以将B2对应的参考相似度作为第一预设阈值，当然，还可以将小于B2的参考相似度作为第一预设阈值，例如，A1、B1、A2或A3。
当然还可以采用其他方式来确定第一预设阈值，例如，技术人员凭借历史经验来确定第一预设阈值；或者采用其他处理方式来确定第一预设阈值，在此不再一一列举。
通过以上步骤可知，第一预设阈值可以作为判断待处理图像是否适用于肤色模型的依据。当待处理图像的参考相似度小于第一预设阈值时，则表示待处理图像适用于肤色模型；当待处理图像的参考相似度大于第一预设阈值时，则表示待处理图像可能不适用于肤色模型。
接着返回图1，进入步骤S103：如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型。
如果待处理图像的参考相似度小于第一预设阈值，则表示待处理图像趋近于彩色图像，因此，判定待处理图像适用于肤色模型。此后，可以使用肤色模型对待处理图像进行预处理并获得肤色区域，进而对肤色区域执行人物识别处理，已达到确定人物的目的。
步骤S104：执行其它预设处理过程。
如果待处理图像的参考相似度不小于第一预设阈值，则表示待处理图像不趋近于彩色图像。此时，可以直接判定待处理图像不适用于肤色模型，从而直接对待处理图像执行人物识别处理。
由于在本步骤中不能确定待处理图像适用于肤色模型，如果错误的对待处理图像使用肤色模型，可能导致获得不准确肤色区域，进而导致利用肤色区域进行人物识别处理的结果不准确。所以，此时可以直接省略肤色模型的预处理过程，直接进行人物识别处理，以增加人物识别的准确度。或者，可以修改第一预设阈值，再次对待处理图像进行判断，以决定待处理图像是否适用于肤色模型。
本申请实施例中，计算待处理图像的参考相似度；参考相似度越高，则表示待处理图像越趋近于灰度图像，参考相似度越低，则表示待处理图像越趋近于彩色图像。所以，本申请设定用于表示图像为彩色图像第一预设阈值，当待处理图像的参考相似度小于第一预设阈值时，则表示图像为彩色图像，从而判定待处理图像适用于肤色模型。然后，则可以对适用于肤色模型的图像使用肤色模型，从而获得准确的肤色区域。
下面介绍对待处理图像执行其它预设处理过程的另一种方式：
在图1对应的步骤S104中，在待处理图像不小于第一预设阈值之后，待处理图像可以有两种情况，一种为不适用于肤色模型的情况，一种为待处理图像处于模糊地带，不能明确的确定待处理图像是否适用于肤色模型。所以，在图1中判定待处理图像的参考相似度不小于第一预设阈值之后，可以继续判断待处理图像是否适用于肤色模型。如图5所示，包括步骤S501～S504：
步骤S501：判断参考相似度是否大于第二预设阈值；如果是，则进入步骤S502，如果否，则进入步骤S503。
首先可以确定第二预设阈值，确定第二预设阈值的过程，可以在图1所示的实施例之前执行。如图6所示，确定第二预设阈值的过程，包括步骤S601～S603：
步骤S601：获取训练图像集；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像。
步骤S602：计算训练图像集中每个图像的参考相似度。
步骤S601～S602的执行过程与步骤S301～S302的执行过程一致，在此不再赘述。
步骤S603：依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
在本实施例中误拒率为，把适用于肤色模型误判为不适用于肤色模型的概率，本申请实施例中技术人员可以预先设定可以接收的误拒率，然后在训练图像集中，选择一个图像的参考相似度确定为第二预设阈值，使得大于第二预设阈值中的适用于肤色模型的图像数量，与，所有适用肤色模型的图像总数量的比值，不大于设定的误拒率。
例如，技术人员预先设定的误识率为20％，假设选取A4作为第二预设阈值，则可以得到大于第二预设阈值的4个图像的相似度(A5、B3和B4)。其中，有一个图像(A5)为适用于肤色模型的相似度，由于适用肤色模型的图像为A1、A2、A3、A4和A5，所以适用肤色模型的图像总数量为5。，则误拒率为1/5*100％＝20％，可以满足预设误拒率。因此，可以将A4对应的参考相似度作为第二预设阈值，当然还可以将大于A4的参考相似度作为第二预设阈值，例如，A5、B3或B4。
当然还可以采用其他方式来确定第一预设阈值，例如，技术人员凭借历史经验来确定第一预设阈值；或者采用其他处理方式来确定第一预设阈值，在此不再一一列举。
通过以上步骤可知，第二预设阈值可以作为判断待处理图像不适用于肤色模型的依据。
接着返回图5，进入步骤S502：如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
如果待处理图像的参考相似度大于第二预设阈值，则表示待处理图像趋近于灰度图像，此时，表示待处理图像不适用于肤色模型。
步骤S503：如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像。
当待处理图像的参考相似度不小于第一预设阈值且不大于第二预设阈值时，则表示待处理图像处于模糊地带，通过待处理图像的参考相似度，已经不能明确确定待处理图像是否适用于肤色模型，所以确定待处理图像为待定图像。
步骤S504：利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
通过图1所示的过程，可以明确确定待处理图像为适用于肤色模型的图像，通过图5所示的过程，可以明确确定待处理图像为不适用于肤色模型的图像。当使用图1和图5的过程，仍然无法判定出待处理图像是否适用于肤色模型时，可以利用预设处理过程，对待处理图像再次执行处理，以进一步判断待处理图像是否适用于肤色模型。
本申请实施例中，计算待处理图像的参考相似度；参考相似度越高，则表示待处理图像越趋近于灰度图像，参考相似度越低，则表示待处理图像越趋近于彩色图像。所以，本申请设定用于表示图像为灰度图像第二预设阈值，当待处理图像的参考相似度大于第二预设阈值时，则表示图像为灰度图像，从而判定待处理图像不适用于肤色模型。
下面介绍对待定图像执行预设处理过程的一种方式，如图7所示，包括步骤S701～702：
步骤S701：获取所述待定图像的待定色彩饱和度。
色彩饱和度，指的是色彩的纯度。当色彩的纯度越高时，则图像在显示效果上越鲜明；当色彩的纯度越低，则图像在显示效果上表现越黯淡。当图像在显示效果上越鲜明时，则表示图像越趋近于彩色图像；当图像在显示效果上越暗淡时，则表示图像越趋近于灰度图像。
因此，可以提取待定图像的彩色饱和度，利用色彩饱和度进一步判断待定图像是否适用于肤色模型。
以待定图像为RGB格式的图像为例，获取待定图像的待定色彩饱和度的过程可以为，将RGB颜色格式的图像转换为HSI格式的图像。其中H(Hue)代表色度、S(Saturation)代表饱和度、I(Lightness)代表亮度模型。所以，在转换为HIS格式的图像之后，可以直接提取S通道的直方图，作为待定图像的待定色彩饱和度。
当然可以理解的是，还可以采用其他颜色格式来计算待定图像的色彩饱和度。例如，将待定图像转换为RGB格式，LAB格式图像或XYZ格式，从而按各个颜色格式中计算色彩饱和度的方式，来获得待定图像的色彩饱和度。当然还可以使用其它方式来计算色彩饱和度，在此不再一一列举。
步骤S702：通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
其中，预设分类器为预先依据步骤S301获取的训练图像集训练后得到，构建分类器的方式可以利用决策树，关联规则，贝叶斯，神经网络，规则学习，k－临近法，遗传算法等算法对训练数据集进行训练，从而构建分类器。其训练过程的目的在于，确定一个计算公式以及一个阈值，计算公式用于对色彩饱和度进行计算并得到计算结果，阈值用于判定计算结果是否为适用于肤色模型的图像。
在具体使用过程中，可以将待定图像的待定色彩饱和度输入至预设分类器，预设分类器按计算公式对待定色彩饱和度进行计算，从而得到一个待定计算结果。将待定计算结果与阈值进行比较，当计算结果大于阈值时，确定待定图像适用于肤色模型，当计算结果小于阈值时，确定待定图像不适用于肤色模型。
利用预设分类器的方式进一步判定待定图像是否适用于肤色模型，从而清楚判定处于模糊地带的待处理图像是否适用于肤色模型。
本申请中图1-图7的所有实施例的图像，均可以为RGB颜色格式图像。由于RGB格式为标准颜色格式的图像，因此基于RGB颜色格式的图像进行处理，可以方便本申请实施例的执行，并且可以使得得到的结果较为准确。
与图1所示的实施例相对应，本申请还提供了一种图像预处理装置。如图8所示，包括：
第一确定单元81，用于确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；
第一判定单元82，用于如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型。
此外，所述图像预处理装置还包括：
第二判定单元83，用于如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
确定阈值单元84，用于确定第一预设阈值以及第二预设阈值。
第二确定单元85，用于如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像；
处理单元86，用于利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
如图9所示，所述确定阈值单元84，包括：
第一计算单元91，用于计算训练图像集中每个图像的参考相似度；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像；
第一确定阈值单元92，用于依据预先设定的误识率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值；
第二确定阈值单元93，用于依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
如图10所示，所述处理单元86，包括：
获取单元101，用于获取所述待定图像的待定色彩饱和度；
分类单元102，用于通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
其中，所述获取单元101，包括：
转换单元1011，用于将所述待定图像的图像格式转换为HIS格式；
第四确定单元1012，用于将所述待定图像的S通道的直方图，确定为所述待定图像的色彩饱和度。
如图11所示，所述第一确定单元81，包括：
第二计算单元111，用于计算待处理图像的两两通道的相似度；
第三确定单元112，用于将所述两两通道的相似度的最大值或平均值，确定为所述待处理图像的所述参考相似度。
其中，所述第二计算单元111，包括：
余弦距离计算单元1111，用于将所述两两通道直方图之间的余弦距离，确定为所述两两通道的相似度；
曼哈顿距离计算单元1112，用于将所述两两通道直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，
卡方距离计算单元1113，用于将所述两两通道直方图之间的卡方距离，确定为所述两两通道的相似度。
在图8-图11图示的装置中，所述待处理图像为RGB色彩格式图像。
本申请实施例中，计算待处理图像的参考相似度；参考相似度越高，则表示待处理图像越趋近于灰度图像，参考相似度越低，则表示待处理图像越趋近于彩色图像。所以，本申请设定用于表示图像为彩色图像第一预设阈值，当待处理图像的参考相似度小于第一预设阈值时，则表示图像为彩色图像，从而判定待处理图像适用于肤色模型。然后，则可以对适用于肤色模型的图像使用肤色模型，从而获得准确的肤色区域。
此外，本申请还可以明确判定不适用于肤色模型的图像，以后对明确适用于肤色模型和明确不适用于肤色模型的之间的处于模糊地带的图像，可以进行再一次判断，以尽量准确的判定每一个待处理处理是否适用于肤色模型。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (19)

1.一种图像预处理方法，其特征在于，包括：
确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；
如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型；其中，所述第一预设阈值的确定过程，包括：依据预先设定的误识率，在训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值。
2.如权利要求1所述的方法，其特征在于，还包括：
如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
3.如权利要求2所述的方法，其特征在于，所述第二预设阈值的确定过程，包括：
计算训练图像集中每个图像的参考相似度；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像；
依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
4.如权利要求2所述的方法，其特征在于，还包括：
如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像；
利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
5.如权利要求4所述的方法，其特征在于，所述预设处理过程包括：
获取所述待定图像的待定色彩饱和度；
通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；
其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
6.如权利要求1所述的方法，其特征在于，所述确定待处理图像的参考相似度包括：
计算待处理图像的两两通道的相似度；
将所述两两通道的相似度的最大值，确定为所述待处理图像的所述参考相似度。
7.如权利要求1所述的方法，其特征在于，所述确定待处理图像的参考相似度包括：
计算待处理图像的两两通道的相似度；
将所述两两通道的相似度的平均值，确定为所述待处理图像的所述参考相似度。
8.如权利要求7所述的方法，其特征在于，所述计算待处理图像的两两通道的相似度，包括：
将所述两两通道的直方图之间的余弦距离，确定为所述两两通道的相似度；
将所述两两通道的直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，
将所述两两通道的直方图之间的卡方距离，确定为所述两两通道的相似度。
9.如权利要求5所述的方法，其特征在于，所述获取所述待定图像的待定色彩饱和度包括：
将所述待定图像的图像格式转换为HIS格式；
将所述待定图像的S通道的直方图，确定为所述待定图像的色彩饱和度。
10.如权利要求1-9任一项所述的方法，其特征在于，所述待处理图像为RGB色彩格式图像。
11.一种图像预处理装置，其特征在于，包括：
第一确定单元，用于确定待处理图像的参考相似度；其中，所述待处理图像为多通道图像，所述参考相似度由所述待处理图像的两两通道的相似度确定；
第一判定单元，用于如果所述参考相似度小于第一预设阈值，则判定所述多通道图像适用于肤色模型；
第一确定阈值单元，用于依据预先设定的误识率，在训练图像集中选择一个图像的参考相似度，确定为所述第一预设阈值。
12.如权利要求11所述的装置，其特征在于，还包括：
第二判定单元，用于如果所述参考相似度大于第二预设阈值，则判定所述多通道图像不适用于肤色模型；其中，所述第二预设阈值大于所述第一预设阈值。
13.如权利要求12所述的装置，其特征在于，还包括：确定阈值单元；
所述确定阈值单元，包括：
第一计算单元，用于计算训练图像集中每个图像的参考相似度；其中，所述训练图像集中包含适用于所述肤色模型的图像，以及，不适用于所述肤色模型的图像；
第二确定阈值单元，用于依据预先设定的误拒率，在所述训练图像集中选择一个图像的参考相似度，确定为所述第二预设阈值。
14.如权利要求12所述的装置，其特征在于，还包括：
第二确定单元，用于如果所述参考相似度不小于所述第一预设阈值且不大于所述第二预设阈值，则确定所述待处理图像为待定图像；
处理单元，用于利用预设处理过程，确定所述待定图像是否适用于所述肤色模型。
15.如权利要求14所述的装置，其特征在于，所述处理单元，包括：
获取单元，用于获取所述待定图像的待定色彩饱和度；
分类单元，用于通过将所述待定色彩饱和度输入预设分类器，获得所述预设分类器的输出结果；其中，所述预设分类器为预先建立的，输入参数为色彩饱和度，输出结果为表征图像是否适用肤色模型的模型。
16.如权利要求11所述的装置，其特征在于，所述第一确定单元，包括：
第二计算单元，用于计算待处理图像的两两通道的相似度；
第三确定单元，用于将所述两两通道的相似度的最大值或平均值，确定为所述待处理图像的所述参考相似度。
17.如权利要求16所述的装置，其特征在于，所述第二计算单元，包括：
余弦距离计算单元，用于将所述两两通道直方图之间的余弦距离，确定为所述两两通道的相似度；
曼哈顿距离计算单元，用于将所述两两通道直方图之间的曼哈顿距离，确定为所述两两通道的相似度；或，
卡方距离计算单元，用于将所述两两通道直方图之间的卡方距离，确定为所述两两通道的相似度。
18.如权利要求15所述的装置，其特征在于，所述获取单元，包括：
转换单元，用于将所述待定图像的图像格式转换为HIS格式；
第四确定单元，用于将所述待定图像的S通道的直方图，确定为所述待定图像的色彩饱和度。
19.如权利要求11-18任一项所述的装置，其特征在于，所述待处理图像为RGB色彩格式图像。
CN201610405078.0A 2015-07-02 2016-06-08 一种图像预处理方法及装置 Active CN106327537B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2015103823664 2015-07-02
CN201510382366 2015-07-02

Publications (2)

Publication Number Publication Date
CN106327537A CN106327537A (zh) 2017-01-11
CN106327537B true CN106327537B (zh) 2019-12-06

Family

ID=57684226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610405078.0A Active CN106327537B (zh) 2015-07-02 2016-06-08 一种图像预处理方法及装置

Country Status (3)

Country Link
US (1) US10210424B2 (zh)
CN (1) CN106327537B (zh)
TW (1) TW201702937A (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399678B (zh) * 2017-02-07 2020-09-22 深圳怡化电脑股份有限公司 一种纸币鉴伪的方法及装置
CN108460649A (zh) * 2017-02-22 2018-08-28 阿里巴巴集团控股有限公司 一种图像识别方法及装置
US10671852B1 (en) 2017-03-01 2020-06-02 Matroid, Inc. Machine learning in video classification
CN106952313A (zh) * 2017-03-21 2017-07-14 北京工商大学 基于HSI和Lab混合颜色模型的皮肤肤色评价方法
WO2019037014A1 (zh) * 2017-08-24 2019-02-28 华为技术有限公司 一种图像检测的方法、装置及终端
CN109754444B (zh) 2018-02-07 2021-10-26 京东方科技集团股份有限公司 图像着色方法和装置
CN109271991B (zh) * 2018-09-06 2022-03-22 公安部交通管理科学研究所 一种基于深度学习的车牌检测方法
CN111028542B (zh) * 2019-04-10 2020-09-22 台州明创科技有限公司 定制对象预警控制装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411706A (zh) * 2010-09-17 2012-04-11 乐金显示有限公司 识别用户的动态器官姿势的方法和接口以及用电装置
CN104484645A (zh) * 2014-11-14 2015-04-01 华中科技大学 一种面向人机交互的“1”手势识别方法与系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6944318B1 (en) * 1999-01-15 2005-09-13 Citicorp Development Center, Inc. Fast matching systems and methods for personal identification
US6871784B2 (en) * 2001-02-07 2005-03-29 Trijay Technologies International Corporation Security in mag-stripe card transactions
US7009733B2 (en) 2001-07-02 2006-03-07 Coral Corporation Manual correction of an image color
EP1542150B1 (en) 2003-12-09 2009-12-09 Mitsubishi Electric Information Technology Centre Europe B.V. Method and apparatus for separating content types in images
US7480421B2 (en) 2005-05-23 2009-01-20 Canon Kabushiki Kaisha Rendering of high dynamic range images
US8086029B1 (en) * 2006-12-13 2011-12-27 Adobe Systems Incorporated Automatic image adjustment
US8385638B2 (en) * 2009-01-05 2013-02-26 Apple Inc. Detecting skin tone in images
US8131848B1 (en) * 2009-09-29 2012-03-06 Jason Adam Denise Image analysis and communication device control technology
KR101272611B1 (ko) 2009-12-07 2013-06-10 한국전자통신연구원 신체부위별 탐지모델 기반의 영상 선정도 분석 방법 및 장치, 선정도 및 신체부위 기반 영상 데이터베이스 관리 방법 및 장치
TWI420405B (zh) * 2010-10-20 2013-12-21 Hon Hai Prec Ind Co Ltd 人臉影像代換系統及方法
US8625927B2 (en) * 2010-10-27 2014-01-07 Adobe Systems Incorporated Image processing using image web
KR20120118383A (ko) * 2011-04-18 2012-10-26 삼성전자주식회사 이미지 보정 장치 및 이를 이용하는 이미지 처리 장치와 그 방법들
CN104662589B (zh) * 2012-08-21 2017-08-04 派力肯影像公司 用于使用阵列照相机捕捉的图像中的视差检测和校正的系统和方法
JP6036335B2 (ja) * 2013-01-24 2016-11-30 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
US8914645B2 (en) * 2013-02-13 2014-12-16 Daniel Duncan Systems and methods for identifying biometric information as trusted and authenticating persons using trusted biometric information
US8572398B1 (en) * 2013-02-13 2013-10-29 Daniel Duncan Systems and methods for identifying biometric information as trusted and authenticating persons using trusted biometric information
US9230192B2 (en) * 2013-11-15 2016-01-05 Adobe Systems Incorporated Image classification using images with separate grayscale and color channels
KR20150074858A (ko) 2013-12-24 2015-07-02 한국전자통신연구원 사용자 인식 시스템 및 인식 방법
US10192134B2 (en) * 2014-06-30 2019-01-29 Microsoft Technology Licensing, Llc Color identification using infrared imaging
WO2016004330A1 (en) * 2014-07-03 2016-01-07 Oim Squared Inc. Interactive content generation
KR102436464B1 (ko) * 2015-06-05 2022-08-26 삼성전자주식회사 알림 정보 제공 방법 및 그 전자 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411706A (zh) * 2010-09-17 2012-04-11 乐金显示有限公司 识别用户的动态器官姿势的方法和接口以及用电装置
CN104484645A (zh) * 2014-11-14 2015-04-01 华中科技大学 一种面向人机交互的“1”手势识别方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于彩色通道相似性图像分割方法的植物叶面积计算;韩殿元等;《农业工程学报》;20120331;第28卷(第6期);第1.2.2节 *
复杂背景基于肤色的人脸检测;李雪威等;《微型电脑应用》;20060630;第22卷(第6期);第12-14页 *

Also Published As

Publication number Publication date
US10210424B2 (en) 2019-02-19
TW201702937A (zh) 2017-01-16
US20170004378A1 (en) 2017-01-05
CN106327537A (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN106327537B (zh) 一种图像预处理方法及装置
US8571271B2 (en) Dual-phase red eye correction
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
CN110298297B (zh) 火焰识别方法和装置
WO2016115829A1 (zh) 一种基于Lab色彩空间的钞票分类鉴别方法和装置
CN107516102B (zh) 图像数据分类与建立分类模型方法、装置及系统
Niu et al. Image segmentation algorithm for disease detection of wheat leaves
McBride et al. A comparison of skin detection algorithms for hand gesture recognition
KR20150092546A (ko) 무해 프레임 필터 및 이를 포함하는 유해 영상 차단 장치, 무해 프레임을 필터링하는 방법
KR101875891B1 (ko) 다중 검출 방식을 이용한 얼굴 검출 장치 및 방법
CN111126162A (zh) 一种识别图像中炎症细胞的方法、装置及存储介质
CN110648336B (zh) 一种舌质和舌苔的分割方法及装置
EP3006550B1 (en) Image processing device, image processing method, computer-implemented method and storage medium
WO2017101347A1 (zh) 动画视频识别与编码方法及装置
Hwang et al. Luminance adapted skin color modeling for the robust detection of skin areas
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
KR20140134549A (ko) 연속 촬영 이미지에서의 고조점 이미지 추출 장치 및 방법
CN109416747B (zh) 目标颜色识别方法、装置以及计算机系统
Pele et al. Improving perceptual color difference using basic color terms
CN112861985B (zh) 基于人工智能的图书自动分类方法
KR102377056B1 (ko) 이미지 위조 탐지 장치 및 방법
JP4999005B2 (ja) コンテンツ識別装置
CN114972849A (zh) 胶质瘤的类型识别方法、模型训练方法、装置、设备
Choi et al. Optimal color correction based on image analysis for color vision deficiency
CN112699760A (zh) 一种脸部目标区域检测方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant