CN108184106A - 图像处理方法、移动终端及计算机可读存储介质 - Google Patents

图像处理方法、移动终端及计算机可读存储介质 Download PDF

Info

Publication number
CN108184106A
CN108184106A CN201711485581.2A CN201711485581A CN108184106A CN 108184106 A CN108184106 A CN 108184106A CN 201711485581 A CN201711485581 A CN 201711485581A CN 108184106 A CN108184106 A CN 108184106A
Authority
CN
China
Prior art keywords
picture
values
sampled point
image processing
mobile terminal
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.)
Pending
Application number
CN201711485581.2A
Other languages
English (en)
Inventor
崔小辉
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.)
Nubia Technology Co Ltd
Original Assignee
Nubia Technology Co 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 Nubia Technology Co Ltd filed Critical Nubia Technology Co Ltd
Priority to CN201711485581.2A priority Critical patent/CN108184106A/zh
Publication of CN108184106A publication Critical patent/CN108184106A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
    • H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Processing Of Color Television Signals (AREA)

Abstract

本发明公开了一种图像处理方法，该方法包括：通过控制可变色温灯箱，在多个色温下拍摄灰卡；采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线；获取需要进行白平衡矫正的图片；采集所述图片的B/G和R/G值；根据所述标准曲线映射得到所述图片对应色温；查询所述色温对应的gain值；根据所述gain值完成所述图片的白平衡矫正。本发明实施例还公开了一种移动终端和计算机可读存储介质。由此，能够更准确地对所拍摄的图片进行白平衡矫正。

Description

图像处理方法、移动终端及计算机可读存储介质
技术领域
本发明涉及图片处理技术领域，尤其涉及一种图像处理方法、移动终端及计算机可读存储介质。
背景技术
传统的白平衡方法是采用同一款摄像头在不同色温下对灰卡进行拍摄，采集所拍摄的图片的B/G和R/G值，进而设定各个色温下的坐标值，绘制标准曲线，得到对应的gain值。在实际拍摄图片的时候，同样对所拍摄图片的B/G和R/G值进行统计，根据所述标准曲线对所统计的点进行相应的色温坐标的映射，采用得到的gain值完成白平衡矫正。然而，该方法存在一定的弊端，一方面，对灰卡拍摄时所采用的色温较少，绘制出的标准曲线不够精确，容易出现误差。另一方面，实际拍摄的图片状态不一样，可能导致误判。例如，在拍摄大片绿色的时候，因为B/G和R/G值较低，因此，容易使该图片映射到较低的色温，从而导致拍摄的图片出现偏色。
发明内容
本发明的主要目的在于提出一种图像处理方法及对应的移动终端，旨在解决如何更准确地对所拍摄的图片进行白平衡矫正的问题。
为实现上述目的，本发明提供的一种图像处理方法，该方法包括步骤：
通过控制可变色温灯箱，在多个色温下拍摄灰卡；
采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线；
获取需要进行白平衡矫正的图片；
采集所述图片的B/G和R/G值；
根据所述标准曲线映射得到所述图片对应色温；
查询所述色温对应的gain值；及
根据所述gain值完成所述图片的白平衡矫正。
可选地，该方法在所述根据所述标准曲线映射得到所述图片对应色温的步骤之前还包括步骤：
通过深度学习算法对所述图片进行场景分类；
当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域；
在统计所述图片的B/G和R/G值时，对所述特殊区域的采样点进行排除。
可选地，所述深度学习算法为卷积神经网络算法。
可选地，所述识别所述图片中的特殊区域和对所述特殊区域的采样点进行排除的步骤具体包括：
当所述图片的场景类别为所述特殊场景时，从所述图片的N个采样点中识别出属于特殊区域的采样点；
将所述特殊区域的采样点排除在外，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。
可选地，所述特殊场景为大片绿地场景，所述特殊区域为绿地区域。
此外，为实现上述目的，本发明还提出一种移动终端，所述移动终端包括：存储器、处理器、摄像头及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如下步骤：
通过控制可变色温灯箱，在多个色温下拍摄灰卡；
采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线；
获取需要进行白平衡矫正的图片；
采集所述图片的B/G和R/G值；
根据所述标准曲线映射得到所述图片对应色温；
查询所述色温对应的gain值；及
根据所述gain值完成所述图片的白平衡矫正。
可选地，所述图像处理程序被所述处理器执行时还实现步骤：
通过深度学习算法对所述图片进行场景分类；
当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域；
在统计所述图片的B/G和R/G值时，对所述特殊区域的采样点进行排除。
可选地，所述深度学习算法为卷积神经网络算法。
可选地，所述识别所述图片中的特殊区域和对所述特殊区域的采样点进行排除的步骤具体包括：
当所述图片的场景类别为所述特殊场景时，从所述图片的N个采样点中识别出属于特殊区域的采样点；
将所述特殊区域的采样点排除在外，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如上述的图像处理方法的步骤。
本发明提出的图像处理方法、移动终端及计算机可读存储介质，能够基于可变色温灯箱和机器学习绘制更加精确的标准曲线，并对实际拍摄的图片进行特殊场景和区域的识别，从而进行特殊处理，然后根据所述标准曲线映射得到所述图片对应的色温及gain值，完成对所述图片的白平衡矫正，使用户能够获得更佳的图片质量，不会出现偏色等问题，很大程度上避免了传统的白平衡方式的弊端。
附图说明
图1为实现本发明各个实施例的移动终端的硬件结构示意图；
图2为如图1所示的移动终端的无线通信系统示意图；
图3为本发明第一实施例提出的一种图像处理方法的流程图；
图4为本发明第二实施例提出的一种图像处理方法的流程图；
图5为本发明中的一种标准曲线的示意图；
图6为本发明中根据所述标准曲线映射得到对应色温的示意图；
图7-8为本发明中采用的一种LeNet-5网络的网络结构示意图。
图9为本发明中属于绿地区域的采样点的示意图；
图10为本发明第三实施例提出的一种移动终端的模块示意图；
图11为本发明第四实施例提出的一种图像处理系统的模块示意图；
图12为本发明第五实施例提出的一种图像处理系统的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal DigitalAssistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍：
射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access，时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution，分时双工长期演进)等。
WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。
进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。
为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。
具体地，UE201可以是上述终端100，此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving Gate Way，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。
基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。
本发明提出的一种图像处理方法，用于对所拍摄的图片进行准确地白平衡矫正。
实施例一
如图3所示，本发明第一实施例提出一种图像处理方法，该方法包括以下步骤：
S300，通过控制可变色温灯箱，在多个色温下拍摄灰卡。
具体地，为了使根据灰卡拍摄而绘制的标准曲线更加精确，可以利用可变色温灯箱，在更多的色温和光谱下进行灰卡拍摄。所述可变色温灯箱可以根据需要设置出多个色温，而不仅仅是少数几个固定色温，从而使拍摄到的灰卡图片更加多样化。
S302，采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线。
具体地，当在多个色温和光谱下拍摄灰卡图片后，分别采集所得到的多个灰卡图片中的B/G和R/G值。通过对所获取的B/G和R/G值的训练，利用回归算法，可以绘制出所述标准曲线。参阅图5所示，为一种所述标准曲线的示意图。相对于传统的方式中仅根据少数几个固定色温下进行灰卡拍摄而统计得到的传统标准曲线(图5中虚线所示)，本实施例中的标准曲线(图5中实线所示)更加合理和精确。所述回归算法可以采用机器学习技术中常用的回归算法，例如线性回归算法。
S304，获取需要进行白平衡矫正的图片。
具体地，当实际拍摄时，若需要对所拍摄的图片进行白平衡矫正，则首先获取该图片。
S306，采集所述图片的B/G和R/G值。
具体地，将所述图片分为N个(例如3000个)采样点，采集每个采样点的B/G和R/G值，从而统计得到所述图片整体对应的B/G和R/G值。
S308，根据所述标准曲线映射得到所述图片对应色温。
具体地，针对所述图片的B/G和R/G值，从所述标准曲线中找到相应坐标，从而映射得到所述图片对应的色温。例如映射到的色温为D65(参阅图6所示)。
S310，查询所述色温对应的gain值。
具体地，针对所述标准曲线中映射得到的每个色温，都预设设定有相应的gain值。当根据所述图片的B/G和R/G值从所述标准曲线中映射得到对应色温后，可以查询所述色温对应的gain值。例如查询色温D65对应的gain值。
S312，根据所述gain值完成所述图片的白平衡矫正。
具体地，当查询到对应gain值后，通过将所述图片的R/G/B值乘以所述gain值，使得R＝B＝G，达到白平衡矫正的目的。
本实施例提出的图像处理方法，可以基于可变色温灯箱和机器学习绘制更加精确的标准曲线，在实际拍摄图片时根据所述标准曲线映射得到所述图片对应的色温及gain值，完成对所述图片的白平衡矫正，使用户能够获得更佳的图片质量。
实施例二
如图4所示，本发明第二实施例提出一种图像处理方法。在第二实施例中，所述图像处理方法的步骤S400-S406及S414-S418与第一实施例的步骤S300-S312相类似，区别在于该方法还包括步骤S408-S412。
该方法包括以下步骤：
S400，通过控制可变色温灯箱，在多个色温下拍摄灰卡。
具体地，为了使根据灰卡拍摄而绘制的标准曲线更加精确，可以利用可变色温灯箱，在更多的色温和光谱下进行灰卡拍摄。所述可变色温灯箱可以根据需要设置出多个色温，而不仅仅是少数几个固定色温，从而使拍摄到的灰卡图片更加多样化。
S402，采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线。
具体地，当在多个色温和光谱下拍摄灰卡图片后，分别采集所得到的多个灰卡图片中的B/G和R/G值。通过对所获取的B/G和R/G值的训练，利用回归算法，可以绘制出所述标准曲线。参阅图5所示，为一种所述标准曲线的示意图。相对于传统的方式中仅根据少数几个固定色温下进行灰卡拍摄而统计得到的传统标准曲线(图5中虚线所示)，本实施例中的标准曲线(图5中实线所示)更加合理和精确。所述回归算法可以采用机器学习技术中常用的回归算法，例如线性回归算法。
S404，获取需要进行白平衡矫正的图片。
具体地，当实际拍摄时，若需要对所拍摄的图片进行白平衡矫正，则首先获取该图片。
S406，采集所述图片的B/G和R/G值。
具体地，将所述图片分为N个(例如3000个)采样点，采集每个采样点的B/G和R/G值。根据每个采样点的B/G和R/G值，可以统计得到所述图片整体对应的B/G和R/G值。
S408，通过深度学习算法对所述图片进行场景分类。
具体地，所述深度学习算法可以是卷积神经网络算法。参阅图7和图8所示，为一种经典的LeNet-5网络的网络结构示意图。目前所使用的常见网络还有mobilenet等。利用所述卷积神经网络算法和预先设置的一些场景类别，可以识别出所述图片属于哪一种场景类别。
首先，将训练图像预先进行分类、打标签(即标注场景类别，例如猫、狗、草原、风景等)，然后将经过分类和标签处理的训练图像输入到所述卷积神经网络中进行图像训练，得到相应的分类模型。因此，后续将所述图片输入所述卷积神经网络，即可采用训练得到的所述分类模型识别出与所训练的图像相类似的图片(例如识别出与标签为“草原”的训练图像相类似的图片)，从而对所述图片进行相应分类(例如将所述图片分类为草原场景)，输出标示所述场景类别名称的标签。
S410，当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域。
具体地，可以预先将一个或多个场景类别设定为特殊场景，例如大片绿地场景。当对所述图片进行场景分类后，若所述图片的场景类别为所述特殊场景，则需要进一步识别出所述图片中具体有哪些特殊区域，即从所述图片的N个采样点中找出属于特殊区域的采样点。例如，当所述图片属于大片绿地场景时，需要从所述图片中识别出哪些采样点属于绿地区域。参阅图9所示，假设相邻的采样点中有大部分的B/G和R/G值在0.2及其附近，则可以认为这些采样点(图9中左下角圈出的区域)属于绿地区域。
S412，对特殊区域的采样点进行排除。
具体地，当统计所述图片的B/G和R/G值时，需要将所述特殊区域的采样点排除在外。也就是说，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。例如，假设所述图片的3000个采样点中，有2000个采样点属于绿地区域，则排除这2000个采样点。参阅图9所示，在统计所述图片的B/G和R/G值时，将左下角圈出的属于绿地区域的采样点排除在外，根据剩下的采样点的的B/G和R/G值进行统计。
S414，根据排除后的采样点和所述标准曲线映射得到对应色温。
具体地，根据排除后的采样点得到所述图片对应的B/G和R/G值后，从所述标准曲线中找到相应坐标，从而映射得到所述图片对应的色温。例如，排除2000个绿地区域的采样点后，根据剩下的1000个采样点统计得到所述图片对应的B/G和R/G值，然后从所述标准曲线中映射得到色温为D65。
S416，查询所述色温对应的gain值。
具体地，针对所述标准曲线中映射得到的每个色温，都预设设定有相应的gain值。当根据所述图片的B/G和R/G值从所述标准曲线中映射得到对应色温后，可以查询所述色温对应的gain值。例如查询色温D65对应的gain值。
S418，根据所述gain值完成所述图片的白平衡矫正。
具体地，当查询到对应gain值后，通过将所述图片的R/G/B值乘以所述gain值，使得R＝B＝G，达到白平衡矫正的目的。
本实施例提出的图像处理方法，可以基于可变色温灯箱和机器学习绘制更加精确的标准曲线，并对实际拍摄的图片进行特殊场景和区域的识别，从而进行特殊处理，然后根据所述标准曲线映射得到所述图片对应的色温及gain值，完成对所述图片的白平衡矫正，使用户能够获得更佳的图片质量，不会出现偏色等问题，很大程度上避免了传统的白平衡方式的弊端。
本发明进一步提供一种移动终端，所述移动终端包括存储器、处理器、摄像头和图像处理系统。所述图像处理系统用于对摄像头所拍摄的图片进行准确地白平衡矫正。
实施例三
如图10所示，本发明第三实施例提出一种移动终端2。所述移动终端2包括存储器20、处理器22、摄像头26和图像处理系统28。
其中，所述存储器20至少包括一种类型的可读存储介质，用于存储安装于所述移动终端2的操作系统和各类应用软件，例如图像处理系统28的程序代码等。此外，所述存储器20还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述移动终端2的总体操作。本实施例中，所述处理器22用于运行所述存储器20中存储的程序代码或者处理数据，例如运行所述图像处理系统28等。
所述摄像头26用于拍摄图片。
实施例四
如图11所示，本发明第四实施例提出一种图像处理系统28。在本实施例中，所述图像处理系统28包括：
控制模块800，用于通过控制可变色温灯箱，在多个色温下拍摄灰卡。
具体地，为了使根据灰卡拍摄而绘制的标准曲线更加精确，可以利用可变色温灯箱，在更多的色温和光谱下进行灰卡拍摄。所述可变色温灯箱可以根据需要设置出多个色温，而不仅仅是少数几个固定色温，从而使拍摄到的灰卡图片更加多样化。
采集模块802，用于采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线。
具体地，当在多个色温和光谱下拍摄灰卡图片后，分别采集所得到的多个灰卡图片中的B/G和R/G值。通过对所获取的B/G和R/G值的训练，利用回归算法，可以绘制出所述标准曲线。参阅图5所示，为一种所述标准曲线的示意图。相对于传统的方式中仅根据少数几个固定色温下进行灰卡拍摄而统计得到的传统标准曲线(图5中虚线所示)，本实施例中的标准曲线(图5中实线所示)更加合理和精确。所述回归算法可以采用机器学习技术中常用的回归算法，例如线性回归算法。
获取模块804，用于获取需要进行白平衡矫正的图片。
具体地，当所述摄像头26实际拍摄时，若需要对所拍摄的图片进行白平衡矫正，则首先获取该图片。
所述采集模块802，还用于采集所述图片的B/G和R/G值。
具体地，将所述图片分为N个(例如3000个)采样点，采集每个采样点的B/G和R/G值，从而统计得到所述图片整体对应的B/G和R/G值。
映射模块806，用于根据所述标准曲线映射得到所述图片对应色温。
具体地，针对所述图片的B/G和R/G值，从所述标准曲线中找到相应坐标，从而映射得到所述图片对应的色温。例如映射到的色温为D65(参阅图6所示)。
所述映射模块806，还用于查询所述色温对应的gain值。
具体地，针对所述标准曲线中映射得到的每个色温，都预设设定有相应的gain值。当根据所述图片的B/G和R/G值从所述标准曲线中映射得到对应色温后，可以查询所述色温对应的gain值。例如查询色温D65对应的gain值。
矫正模块808，用于根据所述gain值完成所述图片的白平衡矫正。
具体地，当查询到对应gain值后，通过将所述图片的R/G/B值乘以所述gain值，使得R＝B＝G，达到白平衡矫正的目的。
实施例五
如图12所示，本发明第五实施例提出一种图像处理系统28。在本实施例中，所述图像处理系统28除了包括第四实施例中的所述控制模块800、采集模块802、获取模块804、映射模块806、矫正模块808之外，还包括分类模块810、识别模块812、排除模块814。
所述分类模块810，用于通过深度学习算法对所述图片进行场景分类。
具体地，所述深度学习算法可以是卷积神经网络算法。参阅图7和图8所示，为一种经典的LeNet-5网络的网络结构示意图。目前所使用的常见网络还有mobilenet等。利用所述卷积神经网络算法和预先设置的一些场景类别，可以识别出所述图片属于哪一种场景类别。
首先，将训练图像预先进行分类、打标签(即标注场景类别，例如猫、狗、草原、风景等)，然后将经过分类和标签处理的训练图像输入到所述卷积神经网络中进行图像训练，得到相应的分类模型。因此，后续将所述图片输入所述卷积神经网络，即可采用训练得到的所述分类模型识别出与所训练的图像相类似的图片(例如识别出与标签为“草原”的训练图像相类似的图片)，从而对所述图片进行相应分类(例如将所述图片分类为草原场景)，输出标示所述场景类别名称的标签。
所述识别模块812，用于当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域。
具体地，可以预先将一个或多个场景类别设定为特殊场景，例如大片绿地场景。当对所述图片进行场景分类后，若所述图片的场景类别为所述特殊场景，则需要进一步识别出所述图片中具体有哪些特殊区域，即从所述图片的N个采样点中找出属于特殊区域的采样点。例如，当所述图片属于大片绿地场景时，需要从所述图片中识别出哪些采样点属于绿地区域。参阅图9所示，假设相邻的采样点中有大部分的B/G和R/G值在0.2及其附近，则可以认为这些采样点(图9中左下角圈出的区域)属于绿地区域。
所述排除模块814，用于对特殊区域的采样点进行排除。
具体地，当统计所述图片的B/G和R/G值时，需要将所述特殊区域的采样点排除在外。也就是说，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。例如，假设所述图片的3000个采样点中，有2000个采样点属于绿地区域，则排除这2000个采样点。参阅图9所示，在统计所述图片的B/G和R/G值时，将左下角圈出的属于绿地区域的采样点排除在外，根据剩下的采样点的的B/G和R/G值进行统计。
从而，所述映射模块806根据排除后的采样点和所述标准曲线映射得到对应色温。
具体地，根据排除后的采样点得到所述图片对应的B/G和R/G值后，从所述标准曲线中找到相应坐标，从而映射得到所述图片对应的色温。例如，排除2000个绿地区域的采样点后，根据剩下的1000个采样点统计得到所述图片对应的B/G和R/G值，然后从所述标准曲线中映射得到色温为D65。
实施例六
本发明还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有图像处理程序，所述图像处理程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像处理方法的步骤。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种图像处理方法，其特征在于，该方法包括步骤：
通过控制可变色温灯箱，在多个色温下拍摄灰卡；
采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线；
获取需要进行白平衡矫正的图片；
采集所述图片的B/G和R/G值；
根据所述标准曲线映射得到所述图片对应色温；
查询所述色温对应的gain值；及
根据所述gain值完成所述图片的白平衡矫正。
2.根据权利要求1所述的图像处理方法，其特征在于，该方法在所述根据所述标准曲线映射得到所述图片对应色温的步骤之前还包括步骤：
通过深度学习算法对所述图片进行场景分类；
当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域；
在统计所述图片的B/G和R/G值时，对所述特殊区域的采样点进行排除。
3.根据权利要求2所述的图像处理方法，其特征在于，所述深度学习算法为卷积神经网络算法。
4.根据权利要求2所述的图像处理方法，其特征在于，所述识别所述图片中的特殊区域和对所述特殊区域的采样点进行排除的步骤具体包括：
当所述图片的场景类别为所述特殊场景时，从所述图片的N个采样点中识别出属于特殊区域的采样点；
将所述特殊区域的采样点排除在外，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。
5.根据权利要求2所述的图像处理方法，其特征在于，所述特殊场景为大片绿地场景，所述特殊区域为绿地区域。
6.一种移动终端，其特征在于，所述移动终端包括：存储器、处理器、摄像头及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如下步骤：
通过控制可变色温灯箱，在多个色温下拍摄灰卡；
采集所拍摄的灰卡图片的B/G和R/G值，利用回归算法绘制标准曲线；
获取需要进行白平衡矫正的图片；
采集所述图片的B/G和R/G值；
根据所述标准曲线映射得到所述图片对应色温；
查询所述色温对应的gain值；及
根据所述gain值完成所述图片的白平衡矫正。
7.根据权利要求6所述的移动终端，其特征在于，所述图像处理程序被所述处理器执行时还实现步骤：
通过深度学习算法对所述图片进行场景分类；
当所述图片对应的场景类别属于特殊场景时，识别所述图片中的特殊区域；
在统计所述图片的B/G和R/G值时，对所述特殊区域的采样点进行排除。
8.根据权利要求7所述的移动终端，其特征在于，所述深度学习算法为卷积神经网络算法。
9.根据权利要求7所述的移动终端，其特征在于，所述识别所述图片中的特殊区域和对所述特殊区域的采样点进行排除的步骤具体包括：
当所述图片的场景类别为所述特殊场景时，从所述图片的N个采样点中识别出属于特殊区域的采样点；
将所述特殊区域的采样点排除在外，仅根据排除后剩下的采样点的B/G和R/G值统计得到所述图片对应的B/G和R/G值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如权利要求1至5中任一项所述的图像处理方法的步骤。
CN201711485581.2A 2017-12-29 2017-12-29 图像处理方法、移动终端及计算机可读存储介质 Pending CN108184106A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711485581.2A CN108184106A (zh) 2017-12-29 2017-12-29 图像处理方法、移动终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711485581.2A CN108184106A (zh) 2017-12-29 2017-12-29 图像处理方法、移动终端及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN108184106A true CN108184106A (zh) 2018-06-19

Family

ID=62549356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711485581.2A Pending CN108184106A (zh) 2017-12-29 2017-12-29 图像处理方法、移动终端及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN108184106A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109729332A (zh) * 2018-12-12 2019-05-07 珠海亿智电子科技有限公司 一种自动白平衡矫正方法和系统
CN110351537A (zh) * 2019-07-31 2019-10-18 深圳前海达闼云端智能科技有限公司 图像采集的白平衡方法、装置、存储介质和电子设备
CN110691226A (zh) * 2019-09-19 2020-01-14 RealMe重庆移动通信有限公司 图像处理方法、装置、终端及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1694543A (zh) * 2004-05-09 2005-11-09 天瀚科技股份有限公司 白平衡的自动检测和处理主色系问题的方法
CN102300100A (zh) * 2010-06-28 2011-12-28 比亚迪股份有限公司 一种白平衡控制装置及方法
CN104581105A (zh) * 2015-02-03 2015-04-29 中国人民解放军国防科学技术大学 基于色温距离变换权重图和块可靠性修正的自动白平衡方法
CN105578166A (zh) * 2016-01-08 2016-05-11 浙江宇视科技有限公司 一种色温确定方法及装置
CN105578165A (zh) * 2015-12-30 2016-05-11 浙江大华技术股份有限公司 一种图像白平衡处理方法、装置及摄像机
CN105681775A (zh) * 2016-03-08 2016-06-15 福州瑞芯微电子股份有限公司 一种白平衡方法和装置
CN106709887A (zh) * 2017-01-06 2017-05-24 凌云光技术集团有限责任公司 基于色温曲线的图像的灰度世界白平衡调整方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1694543A (zh) * 2004-05-09 2005-11-09 天瀚科技股份有限公司 白平衡的自动检测和处理主色系问题的方法
CN102300100A (zh) * 2010-06-28 2011-12-28 比亚迪股份有限公司 一种白平衡控制装置及方法
CN104581105A (zh) * 2015-02-03 2015-04-29 中国人民解放军国防科学技术大学 基于色温距离变换权重图和块可靠性修正的自动白平衡方法
CN105578165A (zh) * 2015-12-30 2016-05-11 浙江大华技术股份有限公司 一种图像白平衡处理方法、装置及摄像机
CN105578166A (zh) * 2016-01-08 2016-05-11 浙江宇视科技有限公司 一种色温确定方法及装置
CN105681775A (zh) * 2016-03-08 2016-06-15 福州瑞芯微电子股份有限公司 一种白平衡方法和装置
CN106709887A (zh) * 2017-01-06 2017-05-24 凌云光技术集团有限责任公司 基于色温曲线的图像的灰度世界白平衡调整方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109729332A (zh) * 2018-12-12 2019-05-07 珠海亿智电子科技有限公司 一种自动白平衡矫正方法和系统
CN109729332B (zh) * 2018-12-12 2021-06-15 珠海亿智电子科技有限公司 一种自动白平衡矫正方法和系统
CN110351537A (zh) * 2019-07-31 2019-10-18 深圳前海达闼云端智能科技有限公司 图像采集的白平衡方法、装置、存储介质和电子设备
CN110351537B (zh) * 2019-07-31 2021-09-24 深圳前海达闼云端智能科技有限公司 图像采集的白平衡方法、装置、存储介质和电子设备
CN110691226A (zh) * 2019-09-19 2020-01-14 RealMe重庆移动通信有限公司 图像处理方法、装置、终端及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107463481A (zh) 数据交互方法、移动终端和存储介质
CN107682627A (zh) 一种拍摄参数设置方法、移动终端及计算机可读存储介质
CN107132973A (zh) 背光调节方法、移动终端及计算机可读存储介质
CN106953684A (zh) 一种搜星的方法、移动终端以及计算机可读存储介质
CN107729115A (zh) 一种显示方法、设备及计算机存储介质
CN108170817A (zh) 照片主体的演变视频获取方法、装置及可读存储介质
CN108241752A (zh) 照片显示方法、移动终端及计算机可读存储介质
CN106953989A (zh) 来电提醒方法及装置、终端、计算机可读存储介质
CN108172161A (zh) 基于柔性屏的显示方法、移动终端及计算机可读存储介质
CN107506163A (zh) 调整屏幕显示的方法、终端及计算机可读存储介质
CN107844230A (zh) 一种广告页面调整方法、移动终端及计算机可读存储介质
CN107239567A (zh) 一种目标景物的识别方法、设备及计算机可读存储介质
CN107800879A (zh) 一种音频调整方法、终端及计算机可读存储介质
CN107566605A (zh) 一种交互界面处理方法、设备及计算机可读存储介质
CN107589887A (zh) 一种应用启动方法及终端
CN107688429A (zh) 应用控件的管理方法、移动终端和计算机可读存储介质
CN107483804A (zh) 一种拍摄方法、移动终端及计算机可读存储介质
CN108184106A (zh) 图像处理方法、移动终端及计算机可读存储介质
CN108234893A (zh) 一种亮度调节方法、设备和计算机可读存储介质
CN107423065A (zh) 一种应用分身的方法、移动终端及计算机可读存储介质
CN107896304A (zh) 一种图像拍摄方法、装置及计算机可读存储介质
CN107613206A (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN107563316A (zh) 一种拍摄方法、终端及计算机可读存储介质
CN107566608A (zh) 一种系统导航方法、设备及计算机可读存储介质
CN109445945A (zh) 应用程序的内存分配方法、移动终端、服务器及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180619

RJ01 Rejection of invention patent application after publication