CN109064431A - 一种图片亮度调节方法、设备及其存储介质 - Google Patents
一种图片亮度调节方法、设备及其存储介质 Download PDFInfo
- Publication number
- CN109064431A CN109064431A CN201810967143.8A CN201810967143A CN109064431A CN 109064431 A CN109064431 A CN 109064431A CN 201810967143 A CN201810967143 A CN 201810967143A CN 109064431 A CN109064431 A CN 109064431A
- Authority
- CN
- China
- Prior art keywords
- brightness
- picture
- pixel
- source
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000007704 transition Effects 0.000 claims description 22
- 239000003086 colorant Substances 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 230000001105 regulatory effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004040 coloring Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009711 regulatory function Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000221110 common millet Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开一种图片亮度调节方法、设备、及其存储介质,其中方法包括如下步骤:获取源图片中各第一像素点在亮度空间的源亮度值;根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。采用本发明,可以满足不同环境下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种图片亮度调节方法、设备、及其存储介质。
背景技术
随着移动通信技术的发展,智能手机等移动终端已逐渐成为人们生活中不可或缺的一部分,并为人们的生活提供了极大的便利。很多用户利用移动终端进行拍照,但通常环境对拍摄质量影响较大,当环境过亮或过暗时,会造成相机采集数据所形成的图片过亮或者过暗,从而导致图片质量大大降低,达不到用户的要求。
对于所拍摄的这类不符合用户要求的图片,用户通常会对其进行亮度调节,现有的亮度调节方案是预先设置RGB曲线,然后将图片的RGB三通道值分别作为该曲线的输入,从而得到所输入的RGB三通道值,以实现对图片的亮度调节过程,但由于RGB曲线是根据图片的调节需要而预先设置,因此亮度调节程度固定,无法满足不同环境下所拍摄图片的亮度调节需求,图片亮度调节适应性差。
发明内容
本发明实施例提供了一种图片亮度调节方法、设备、及其存储介质,可以满足不同环境下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。
本发明实施例一方面提供一种图片亮度调节方法,可包括:
获取源图片中各第一像素点在亮度空间的源亮度值;
根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
可选的,所述获取源图片中各第一像素点在亮度空间的源亮度值,包括:
获取所述源图片中各第一像素点的三原色RGB值;
将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
可选的,所述根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,包括:
基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
可选的,所述基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值,包括:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
可选的,所述基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,包括:
计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
可选的,所述在所述源图片中获取所选择的图片区域,包括:
当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;
当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域。
可选的,所述基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线,包括:
基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
可选的,所述基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线,包括:
创建亮度调节曲线模型;
将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值;
将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
可选的,所述基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片,包括:
获取所述各第一像素点在所述亮度空间的非亮度值;
将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
本发明实施例一方面提供一种图片亮度调节设备,可包括:
源亮度值获取单元,用于获取源图片中各第一像素点在亮度空间的源亮度值;
曲线获取单元,用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
目标亮度值获取单元,用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
图片生成单元,用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
可选的,所述源亮度值获取单元,包括:
RGB值获取子单元,用于获取所述源图片中各第一像素点的三原色RGB值;
源亮度值获取子单元,用于将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
可选的,所述曲线获取单元,包括:
图片亮度值获取子单元,用于基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
曲线获取子单元,用于基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
可选的,所述图片亮度值获取子单元,具体用于:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
可选的,所述图片亮度值获取子单元,具体用于:
计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
可选的,所述图片亮度值获取子单元,具体用于:
当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;
当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域。
可选的,所述曲线获取子单元,具体用于:
基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
可选的,所述曲线获取子单元,具体用于:
创建亮度调节曲线模型;
将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值;
将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
可选的,所述图片生成单元,包括:
非亮度值获取子单元,用于获取所述各第一像素点在所述亮度空间的非亮度值;
RGB值获取子单元,用于将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
图片确定子单元,用于将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
本发明实施例一方面提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
本发明实施例一方面提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。
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,下面描述中的附图仅仅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是本发明实施例提供的一种网络架构的结构示意图;
图2是本发明实施例提供的一种图片亮度调节方法的流程示意图;
图3是本发明实施例提供的一种图片亮度调节方法的流程示意图;
图4是本发明实施例提供的一种源图片的效果示意图;
图5是本发明实施例提供的一种亮度调节曲线的效果示意图;
图6是本发明实施例提供的一种目标图片的效果示意图;
图7是本发明实施例提供的一种图片亮度调节设备的结构示意图;
图8是本发明实施例提供的一种源亮度值获取单元的结构示意图;
图9是本发明实施例提供的一种曲线获取单元的结构示意图;
图10是本发明实施例提供的一种图片生成单元的结构示意图;
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参见图1,为本发明实施例提供的一种网络架构的结构示意图。如图1所示,所述网络架构可以包括服务器2000以及用户终端集群;所述用户终端集群可以包括多个用户终端,如图1所示,具体包括用户终端3000a、用户终端3000b、…、用户终端3000n。本发明实施例可以图1所示的多个用户终端中任意一个用户终端作为本方案的执行主体(图片亮度调节设备),也可以图1所示的服务器作为本方案的执行主体(图片亮度调节设备),还可以用户终端与服务器组成的系统作为本方案的执行主体。
当以用户终端为执行主体时,为便于理解,本发明实施例可以图1中的用户终端3000a为例进行描述。
如图1所示,所述用户终端3000a,用于获取源图片中各第一像素点在亮度空间的源亮度值;
其中,所述用户终端3000a获取所述源图片中各第一像素点的三原色RGB(R:Red,红色、G:Green,绿色、B:Blue蓝色)值,然后将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,从而得到所述各第一像素点在亮度空间的源亮度值。
所述亮度空间可以为LAB、HSV、HSL以及HSI等。不同的亮度空间对应的亮度转换公式不同。
所述用户终端3000a,还用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
其中,当所述源图片中包括人脸区域(肤色区域)时,在所述人脸区域中选择的一部分区域作为图片区域;当所述源图片中不包括人脸区域时,在所述源图片中任意位置选择一部分区域作为图片区域,然后计算图片区域中各像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。通过选择部分区域计算图片亮度值,可以减少计算量,有效提高了获取图片亮度值的效率。
进一步的,再基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标,同时创建亮度调节曲线模型,将设定的基准点坐标以及所述选定点坐标分别代入到所创建的亮度调节曲线模型中,从而得到所述亮度调节曲线模型的权重值,再将所述权重值代入所述亮度调节曲线模型中,进而得到亮度调节曲线。
所述用户终端3000a,还用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
可以理解为,亮度调节曲线的横坐标表示调节前的亮度值,纵坐标表示调节后的亮度值,那么将源图片中所有像素点的源亮度值分别输入到亮度调节曲线中,就可以得到所有像素点分别对应的目标亮度值。
所述用户终端3000a,还用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
其中,所述用户终端3000a获取所述各第一像素点在所述亮度空间的非亮度值,将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值,并将所述各第一像素点调节后的RGB值组成的图片作为所述源图片对应的目标图片,从而实现对源图片的亮度调节。
当以服务器为执行主体时,为便于理解,本发明实施例可以图1中的服务器2000为例进行描述。
所述服务器2000,用于获取源图片中各第一像素点在亮度空间的源亮度值;
所述服务器2000,还用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
所述服务器2000,还用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
所述服务器2000,还用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
当然,当以用户终端与服务器组成的系统为执行主体时,一种可行的执行方式为:
用户终端3000a,用于获取源图片中各第一像素点在亮度空间的源亮度值并将所述源亮度值发送至服务器2000;
所述服务器2000,用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
所述服务器2000,还用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值,并将所述目标亮度值发送至用户终端3000a;
所述用户终端3000a,用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
其中,所述服务器2000分别与用户终端3000a、3000b、…、3000n相连。
所述图片亮度调节设备可以为用户终端,包括平板电脑、个人计算机(PC)、智能手机、掌上电脑以及移动互联网设备(MID)等具备图片亮度调节功能的终端设备,还可以为终端应用程序;所述图片亮度调节设备还可以为具备图片亮度调节功能的服务器。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。同时,由于映射到亮度空间后,保留了非亮度值,因此在图片亮度调节亮度的过程中,可以准确的保留源图片的颜色信息,从而减小了由亮度调节带来的颜色误差。
下面将结合附图2-附图11,对本发明实施例提供的图片亮度调节方法进行详细介绍。其中,本发明实施例中的图片亮度调节设备可以是图1所示的用户终端3000a、3000b、…、3000n中的任一个,所述图片亮度调节设备还可以是图1所示的服务器2000,所述图片亮度调节设备还可以是图1所示的用户终端与服务器组成的系统。
请参见图2,为本发明实施例提供了一种图片亮度调节方法的流程示意图。如图2所示,本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101,获取源图片中各第一像素点在亮度空间的源亮度值;
可以理解的是,所述源图片是指用于进行亮度调节的原始图片。对于任何一张图片都是由多个像素点组成,在本发明实施例中,将组成源图片的各像素点作为第一像素点。
每个第一像素点是一个小方格,而每个小方格都有一个位置和一个色彩数值(RGB值),这些小方格的颜色和位置就决定了源图像所呈现出来的样子。可以将像素视为整个图像中不可分割的单位或者是元素,不可分割是指第一像素点不能够再切割成更小单位抑或是元素。在源图片对应的点阵图片中包含了一定量的像素点,这些像素点决定源图片在屏幕上所呈现的大小。
其中,对于每个第一像素点,在RGB颜色空间中,包括三原色R、G、B。所述RGB颜色空间以R、G、B三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。在大自然中有无穷多种不同的颜色,而人眼只能分辨有限种不同的颜色,RGB模式可表示一千六百多万种不同的颜色,在人眼看来它非常接近大自然的颜色,故又称为自然色彩模式。当三原色重叠时,由于不同的混色比例能产生各种中间色,例如,三原色相加可产生白色,因此,由多个第一像素点所组成的源图片可呈现丰富的图案。
由RGB颜色空间转换到亮度空间后,可得到每个第一像素点的源亮度值。在亮度空间中包括亮度通道和非亮度通道,亮度通道表示亮度值,非亮度通道表示非亮度值。所述亮度空间可以包括TSL空间、HSV空间、HIS空间、LAB空间、YIQ空间等。以TSL空间为例,L表示亮度值,T和S表示非亮度值。
具体的,在获取源图片后,采集源图片中各第一像素点的R、G、B值,然后将每个第一像素点的R、G、B值分别代入到预先设定的亮度空间的亮度转换公式中,从而可以计算得到所述各第一像素点在该亮度空间的源亮度值。所述获取源图片的方式可以为在图片库(如相册)中选择,也可以是当前通过摄像头拍摄,还可以是通过网络下载或接收其他用户所发送的图片等。
S102,根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
可以理解的是,所述亮度调节曲线是基于源图片中各像素点的源亮度值生成。该亮度调节曲线的横坐标表示亮度调节前的亮度值,纵坐标表示亮度调节后的亮度值。将源图片中所有第一像素点的源亮度值分别输入到该亮度调节曲线中后,可以得到每个第一像素点分别对应的目标亮度值。
具体的,根据所述各第一像素点在亮度空间的源亮度值计算得到所述源图片的图片亮度值,再基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。具体可以为计算所述各第一像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值,再基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;根据设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
优选的,可以在所述源图片中选择一部分图片区域,然后计算所述图片区域中各第二像素点在所述亮度空间的源亮度值的平均值,将该平均值确定为所述源图片的图片亮度值。
其中,当在源图片中包括人脸时,所选择的图片区域可以是人脸区域的一部分,当在源图片中不包括人脸时,可以在源图片的任意位置选择设定大小的图片区域。
S103,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
可以理解的是,所述亮度调节曲线对应一个函数表达式,如y=f(x),其中,x为第一像素点在亮度调节前的源亮度值,y表示该第一像素点在亮度调节后的目标亮度值,f为x与y之间的函数关系。因此,将源图像中所有第一像素点对应的源亮度值x分别输入到y=f(x)中,从而可以得到每个第一像素点分别对应的y。
S104,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
具体的,获取所述各第一像素点在所述亮度空间的非亮度值;将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值,由所述各第一像素点调节后的RGB值组成的图片即为所生成的目标图片。
其中,每个第一像素点都分别对应有一个位置或者一个编号,将各第一像素点按照位置关系或者编号关系进行拼接组合,从而可得到目标图片,以实现对图片的亮度调节过程。
例如,若由RGB空间映射到TSL空间,其中一个像素点的源亮度值为L1,非亮度值为T1和S1,该像素点目标亮度值为L2,通过将L2、T1和S1代入到该亮度转换公式中,从而可以得到调节后的R、G、B,由调节后的R、G、B组成的图片就是经过亮度调节后的图片。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。
请参见图3,为本发明实施例提供了一种图片亮度调节方法的流程示意图。如图3所示,本发明实施例的所述方法可以包括以下步骤S201-步骤S210。
S201,获取所述源图片中各第一像素点的三原色RGB值;
可以理解的是,所述源图片是指用于进行亮度调节的原始图片。对于任何一张图片都是由多个像素点组成,在本发明实施例中,将组成源图片的各像素点作为第一像素点。
每个第一像素点是一个小方格,而每个小方格都有一个位置和一个色彩数值(RGB值),这些小方格的颜色和位置就决定了源图像所呈现出来的样子。可以将像素视为整个图像中不可分割的单位或者是元素,不可分割是指第一像素点不能够再切割成更小单位抑或是元素。在源图片对应的点阵图片中包含了一定量的像素点,这些像素点决定源图片在屏幕上所呈现的大小。
例如,如图4所示为一张源图片,在图片中所显示的小方格即为第一像素点。将这些像素点拼接在一起,即组成了源图片。需要注意的是,每个像素点都有唯一的标识,如位置或编号等。
其中,对于每个第一像素点,在RGB颜色空间中,包括三原色R、G、B。所述RGB颜色空间以R、G、B三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。在大自然中有无穷多种不同的颜色,而人眼只能分辨有限种不同的颜色,RGB模式可表示一千六百多万种不同的颜色,在人眼看来它非常接近大自然的颜色,故又称为自然色彩模式。当三原色重叠时,由于不同的混色比例能产生各种中间色,例如,三原色相加可产生白色,因此,由多个第一像素点所组成的源图片可呈现丰富的图案。
由RGB颜色空间转换到亮度空间后,可得到每个第一像素点的源亮度值。在亮度空间中包括亮度通道和非亮度通道,亮度通道表示亮度值,非亮度通道表示非亮度值。所述亮度空间可以包括TSL空间、HSV空间、HSI空间、LAB空间、YIQ空间等。以TSL空间为例,L表示亮度值,T和S表示非亮度值。
其中,TSL是一种描述颜色的色调和饱和度意义的空间,是一种规格化的色度一亮度空间。其中T维包含色彩信息,而S维代表了饱和度,L维即亮度信息维。TSL亮度空间相比于RGB空间,是一种更加直观、更符合人类视觉原理的色彩空间。
HSV和HSI两个亮度空间都是为了更好的数字化处理颜色而提出来的。有许多种HSX颜色空间,其中的X可能是V,也可能是I,依据具体使用而X含义不同。H是色调,S是饱和度,I是强度,明度(V)。
H用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°。S表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和。V表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)~100%(白)。
LAB基于人对颜色的感觉。因为LAB描述的是颜色的显示方式,而不是设备(如显示器、桌面打印机或数码相机)生成颜色所需的特定色料的数量,所以LAB被视为与设备无关的颜色模型。LAB是由亮度L和有关色彩的A、B三个要素组成。L表示亮度,A表示从洋红色至绿色的范围,B表示从黄色至蓝色的范围。L的值域为0~100,L=50时,就相当于50%的黑;A和B的值域都是+127~-128,其中+127A就是红色,渐渐过渡到-128A的时候就变成绿色;同理,+127B是黄色,-128B是蓝色。所有的颜色就以这三个值交互变化所组成。例如,一块色彩的Lab值是L=100,A=30,B=0,这块色彩就是粉红色。
YIQ色彩空间属于NTSC系统。这里Y是指颜色的明视度,即亮度。其实Y就是图像灰度值,I和Q都指的是指色调,即描述图像色彩与饱和度的属性。YIQ颜色空间具有能将图像中的亮度分量分离提取出来的优点,并且YIQ颜色空间与RGB颜色空间之间是线性变换的关系,计算量小,聚类特性也比较好。可以适应光照强度不断变化的场合,因此能够有效地用于彩色图像处理。
具体的,通过依次遍历源图片中的各第一像素点,然后采集遍历到的当前像素点的RGB值。例如,在源图片中包括有100个第一像素点x1~x100,其中,x1对应的RGB值分别为R1、G1、B1,x2对应的RGB值分别为R2、G2、B2,…,x100对应的RGB值分别为R100、G100、B100,则依次采集这100个像素点的RGB值。
S202,将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值;
例如,若亮度空间为TSL空间,则对应的亮度转换公式为:
L=0.299R+0.587G+0.114B;其中,T、S的取值范围为[0,1],L的取值范围为0-255。
那么,x1在TSL空间的源亮度值为L1=0.299R1+0.587G1+0.114B1,x2在TSL空间的源亮度值为L2=0.299R2+0.587G2+0.114B2,…,x1在TSL空间的源亮度值为L100=0.299R100+0.587G100+0.114B100。
又例如,若亮度空间为YIQ空间,则对应的亮度转换公式为:
Y=0.299R+0.587G+0.114B;
那么,x1在YIQ空间的源亮度值为Y1=0.299R1+0.587G1+0.114B1,x2在TSL空间的源亮度值为Y2=0.299R2+0.587G2+0.114B2,…,x1在TSL空间的源亮度值为Y100=0.299R100+0.587G100+0.114B100。
S203,在所述源图片中获取所选择的图片区域;
可以理解的是,所述源图片可以包括两种类型,一种是人像图片,另一种是非人像图片。对于人像图片而言,注重人像部分的成像效果,对于非人像图片,则注重整体的成像效果。基于这一点,可以基于源图片的类型在源图片中选取合适的图片区域进行亮度分析。
具体的,首先对源图片进行人脸检测,根据人脸检测的结果,确定源图片中是否包括人脸区域。当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域,并将所提取出的图片区域中的像素点作为第二像素点。第二像素点集合是第一像素点集合的子集。
例如,当检测到该源图片中包括人脸区域时,可基于用户所截取的图片大小记录该图片区域,也可以是在该图片区域中截图设定大小的图片区域。所截取的区域并不限定为矩形区域。如图4中人脸区域上的虚线矩形框即为所截取的图片区域。
其中,可采用人脸识别技术识别人脸区域。识别过程包括以下5个步骤:人脸检测、图像预处理、特征提取、匹配、结果输出。按照统计学的观点,好的特征提取方法必须满足以下条件:特征之间相互独立,减小类内距离的同时增大类间距离,特征向量的维数尽量小。主流的人脸识别技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。
基于几何特征的方法:人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以作为人脸识别的重要特征。
可变形模板法可以视为几何特征方法的一种改进,其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数,通过调整模型参数使能量函数最小化,此时的模型参数即为该器官的几何特征。
特征脸方法(Eigenface或PCA)又叫基于特征分析的方法,也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量,这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系,而且也保留了各部件本身的信息,而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性,然后再计算出它们的几何特征量,而这些特征量形成一描述该面像的特征向量。
基于弹性模型的方法:一种常见的模型方法是动态链接模型,针对畸变不变性的物体识别,将物体用稀疏图形来描述,其顶点用局部能量谱的多尺度描述来标记,边则表示拓扑连接关系并用几何距离来标记,然后应用塑性图形匹配技术来寻找最近的已知图形。另一种常见的模型方式是灵活表现模型方法,通过自动定位人脸的显著特征点将人脸编码为83个模型参数,并利用辨别分析的方法进行基于形状信息的人脸识别。
基于模型的方法即神经网络方法(Neural Networks):人工神经网络是一种非线性动力学系统,具有良好的自组织、自适应能力。一种方法是首先提取人脸的50个主元,然后用自相关神经网络将它映射到5维空间中,再用一个普通的多层感知器进行判别,对一些简单的测试图像效果较好;另一种方法是采用卷积神经网络方法进行人脸识别,由于卷积神经网络中集成了相邻像素之间的相关性知识,从而在一定程度上获得了对图像平移、旋转和局部变形的不变性,因此得到非常理想的识别结果;另一种是基于概率决策的神经网络方法,其主要思想是采用虚拟(正反例)样本进行强化和反强化学习,从而得到较为理想的概率估计结果,并采用模块化的网络结构加快网络的学习。
S204,基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点;
具体的,遍历该图片区域中各第二像素点,获取遍历到的第二像素点的坐标,然后在缓存中查找这些第二像素点的源亮度值,或者遍历该图片区域中的边缘像素点,然后计算在这些边缘像素点所组成的区域内的其他第二像素点,再分别获取所计算得到的第二像素点以及边缘像素点的源亮度值。再计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
例如,可基于像素点的坐标获取对应的源亮度值。其中,在缓存中存储有每个像素点坐标与源亮度值的映射关系,一种可行的缓存方式如表1所示:
表1
像素点坐标 | 源亮度值 |
(x1,y1) | L1 |
(x2,y2) | L2 |
(x3,y3) | L3 |
… | … |
另一种可行的缓存方式如表2所示:
表2
像素点编号 | 源亮度值 |
1 | L1 |
2 | L2 |
3 | L3 |
… | … |
通过查找表1或者表2得到每个第二像素点的源亮度值。例如,若在该图片区域中各第二像素点的源亮度值分别为L11、L12、…、L50,那么该源图片的图片亮度值为L=(L11+L12+…+L50)/40。
S205,基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
具体的,若选定点的横坐标为x0=0.5,则对应的纵坐标y0=A*(基准亮度值-图片亮度值)+0.5,其中,A为调节系数(A>0),由具体的效果而定,A为预设值,取值范围为1.0~1.2。A越大,对应的调节范围就越大。所述基准亮度值也是预先设定的。
需要说明的是,基于所述基准亮度值以及所述图片亮度值计算选定点坐标之前,首先要对基准亮度值以及图片亮度值进行归一化处理。
归一化是一种无量纲处理手段,使物理系统数值的绝对值变成某种相对值关系。例如,滤波器中各个频率值以截止频率作归一化后,频率都是截止频率的相对值,没有了量纲。阻抗以电源内阻作归一化后,各个阻抗都成了一种相对阻抗值,“欧姆”这个量纲也没有了。各种运算都结束后,反归一化就可以复原了。例如,对于一个采样频率为500hz的系统,400hz的归一化频率就为400/500=0.8,归一化频率范围在[0,1]之间。如果将归一化频率转换为角频率,则将归一化频率乘以2*pi,如果将归一化频率转换为hz,则将归一化频率乘以采样频率的一半。在本发明实施例中,可以256为归一化基准,那么128归一化后就是0.5。在计算结束后,再反归一化即可。
S206,基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
具体的,创建亮度调节曲线模型,将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值,将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
当平均亮度大于基准亮度时,则处于亮环境,否则处于暗环境。需要注意的是,这里亮环境和暗环境是基于基准亮度值而言的,并不是指过亮或者过暗的环境。
当处于亮环境时,需要降低源图片的亮度,因此生成的曲线应满足输出小于输入的特点。当处于暗环境时,需要提高源图片的亮度,因此生成的靓图调节曲线应满足输出大于输入的特定。
其中,所述亮度调节曲线模型可以包括单调三次样条曲线、折线、二次曲线、指数函数等。在本发明实施例中,以单调三次样条曲线为例进行描述。
选取g(x)为一个单调的三次样条函数,在区间[u,v]上定义一个三次样条:
g(x)=a+bx+c1(x-x1)3+c2(x-x2)3+...+cn(x-xn)3
其中u≤x1<x2<...<xn≤v,x1,x2,...,xn是节点,x+=max(0,x)。令D是Rn+1中元素形如(b,c1,...,cn)T的一个集合,b和(c1,...,cn)T满足上述条件,则D是Rn+1中的一个凸锥。
预设两个基准点坐标点(0,0)和(1,1),选定点坐标为(x=0.5,y),将这3个点坐标代入到g(x)=a+bx+c1(x-x1)3+c2(x-x2)3+...+cn(x-xn)3中,从而可以得到a、b等的权重值,再将所得到的权重值代入到上式中,从而可以得到最终的亮度调节曲线。
例如,若所生成的亮度调节曲线如图5所示,其中横坐标表示调节前的源亮度值,纵坐标表示调节后的目标亮度值。源亮度值和目标亮度值的取值范围均为0.0~1.0。
S207,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
例如,源图像中的100个像素点x1、x2、x3、…、x100分别对应的源亮度值为L1、L2、L3、…、L100,将L1、L2、L3、…、L100分别作为图5中的输入,则可以得到分别对应的目标亮度值为L’1、L’2、L’3、…、L’100。
S208,获取所述各第一像素点在所述亮度空间的非亮度值;
具体的,将各第一像素点的RGB值分别代入到亮度转换公式中,从而计算各像素点在该亮度空间的非亮度值。
例如,若所述亮度空间为TSL空间,则对应的非亮度值为:
又例如,若所述亮度空间为YIQ空间,则对应的非亮度值为:
I=0.596R-0.275G-0.321B;
Q=0.212R-0.523G+0.311B。
S209,将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
具体的,遍历源图片中每个第一像素点,将每个第一像素点的非亮度值以及目标亮度值代入到亮度转换公式中,从而计算得到每个第一像素点在经过亮度调节后的RGB值。也就是说,将各第一像素点由RGB颜色空间映射到亮度空间后,将亮度通道输入到亮度调节曲线进行计算,得到输出亮度,再通过结合该亮度空间原始的非亮度通道的值,从而得到新的值后再反映射回RGB空间,从而得到新的RGB值。
例如,以TSL空间为例,若某个第一像素点调节后的目标亮度值为L’,非亮度值分别为T和S,然后将L’、T以及S分别代入到下式中,从而可以得到各第一像素点调节后的RGB值R’、G’以及B’。
按照上述方法可分别计算源图像中所有第一像素点调节后的RGB值。
需要说明的是,在得到各第一像素点调节后的RGB值后,对每个RGB值进行反归一化处理。
S210,将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
可以理解的是,得到了各第一像素点经过亮度调节后的RGB值,再将这些第一像素点按照原来的位置排列组合,从而得到和源图片的图片内容相同,但亮度不同的目标图片,完成亮度的调节。
其中,可基于各像素点的位置或者编号进行组合。
例如,对于图4中的各第一像素点都分别对应有自己的坐标,将亮度调节后的各第一像素点按照图4中的位置进行组合,从而得到图6所示的目标图片。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。同时,由于映射到亮度空间后,保留了非亮度值,因此在图片亮度调节亮度的过程中,可以准确的保留源图片的颜色信息,从而减小了由亮度调节带来的颜色误差。
下面将结合附图7-附图11,对本发明实施例提供的图片亮度调节设备进行详细介绍。需要说明的是,附图7-附图11所示的图片亮度调节设备,用于执行本发明图2-图6所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图2-图6所示的实施例。
请参见图7,为本发明实施例提供了一种图片亮度调节设备的结构示意图。如图7所示,本发明实施例的所述图片亮度调节设备1可以包括:源亮度值获取单元11、曲线获取单元12、目标亮度值获取单元13和图片生成单元14。
源亮度值获取单元11,用于获取源图片中各第一像素点在亮度空间的源亮度值;
可选的,如图8所示,所述源亮度值获取单元11,包括:
RGB值获取子单元111,用于获取所述源图片中各第一像素点的三原色RGB值;
源亮度值获取子单元112,用于将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
曲线获取单元12,用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
可选的,如图9所示,所述曲线获取单元12,包括:
图片亮度值获取子单元121,用于基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
曲线获取子单元122,用于基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
可选的,所述图片亮度值获取子单元121,具体用于:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
可选的,所述图片亮度值获取子单元121,具体用于:
计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
可选的,所述图片亮度值获取子单元121,具体用于:
当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;
当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域。
可选的,所述曲线获取子单元122,具体用于:
基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
可选的,所述曲线获取子单元122,具体用于:
创建亮度调节曲线模型;
将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值;
将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
目标亮度值获取单元13,用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
图片生成单元14,用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
可选的,如图10所示,所述图片生成单元14,包括:
非亮度值获取子单元141,用于获取所述各第一像素点在所述亮度空间的非亮度值;
RGB值获取子单元142,用于将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
图片确定子单元143,用于将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。同时,由于映射到亮度空间后,保留了非亮度值,因此在图片亮度调节亮度的过程中,可以准确的保留源图片的颜色信息,从而减小了由亮度调节带来的颜色误差。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图2-图6所示实施例的方法步骤,具体执行过程可以参见图2-图6所示实施例的具体说明,在此不进行赘述。
请参见图11,为本发明实施例提供了一种电子设备的结构示意图。如图11所示,所述电子设备1000可以包括:至少一个处理器1001,例如CPU,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图11所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图片亮度调节应用程序。
在图11所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的图片亮度调节应用程序,并具体执行以下操作:
获取源图片中各第一像素点在亮度空间的源亮度值;
根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
在一个实施例中,所述处理器1001在执行获取源图片中各第一像素点在亮度空间的源亮度值时,具体执行以下操作:
获取所述源图片中各第一像素点的三原色RGB值;
将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
在一个实施例中,所述处理器1001在执行根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线时,具体执行以下操作:
基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
在一个实施例中,所述处理器1001在执行基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值时,具体执行以下操作:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
在一个实施例中,所述处理器1001在执行基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值时,具体执行以下操作:
计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
在一个实施例中,所述处理器1001在执行在所述源图片中获取所选择的图片区域时,具体执行以下操作:
当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;
当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域。
在一个实施例中,所述处理器1001在执行基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线时,具体执行以下操作:
基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
在一个实施例中,所述处理器1001在执行基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线时,具体执行以下操作:
创建亮度调节曲线模型;
将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值;
将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
在一个实施例中,所述处理器1001在执行基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片时,具体执行以下操作:
获取所述各第一像素点在所述亮度空间的非亮度值;
将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
在本发明实施例中,通过获取源图片中各第一像素点在亮度空间的源亮度值,并根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中后得到所述各第一像素点在所述亮度空间调节后的目标亮度值,基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片以完成图片的亮度调节过程。可以根据源图片中各像素点的源亮度值动态生成亮度调节曲线而实现亮度的调节,调节程度不限定,可以满足不同环境(亮环境和暗环境)下所拍摄图片的亮度调节需求,增强了对图片亮度调节的适应性。同时,由于映射到亮度空间后,保留了非亮度值,因此在图片亮度调节亮度的过程中,可以准确的保留源图片的颜色信息,从而减小了由亮度调节带来的颜色误差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (15)
1.一种图片亮度调节方法,其特征在于,包括:
获取源图片中各第一像素点在亮度空间的源亮度值;
根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
2.根据权利要求1所述的方法,其特征在于,所述获取源图片中各第一像素点在亮度空间的源亮度值,包括:
获取所述源图片中各第一像素点的三原色RGB值;
将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线,包括:
基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
4.根据权利要求3所述的方法,其特征在于,所述基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值,包括:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
5.根据权利要求4所述的方法,其特征在于,所述基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,包括:
计算所述各第二像素点在所述亮度空间的源亮度值的平均值,将所述平均值确定为所述源图片的图片亮度值。
6.根据权利要求4所述的方法,其特征在于,所述在所述源图片中获取所选择的图片区域,包括:
当所述源图片中包括人脸区域时,在所述人脸区域中获取所选择的图片区域;
当所述源图片中不包括人脸区域时,在所述源图片中获取所选择的图片区域。
7.根据权利要求3所述的方法,其特征在于,所述基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线,包括:
基于设定的基准亮度值与所述图片亮度值的差值以及设定的调节系数获取选定点坐标;
基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线。
8.根据权利要求7所述的方法,其特征在于,所述基于设定的基准点坐标以及所述选定点坐标并采用亮度调节曲线模型,获取亮度调节曲线,包括:
创建亮度调节曲线模型;
将设定的基准点坐标以及所述选定点坐标分别代入所述亮度调节曲线模型中,得到所述亮度调节曲线模型的权重值;
将所述权重值代入所述亮度调节曲线模型中,得到亮度调节曲线。
9.根据权利要求2所述的方法,其特征在于,所述基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片,包括:
获取所述各第一像素点在所述亮度空间的非亮度值;
将所述各第一像素点在所述亮度空间的非亮度值和所述各第一像素点在所述亮度空间调节后的目标亮度值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点调节后的RGB值;
将所述各第一像素点调节后的RGB值组成的图片确定为所述源图片对应的目标图片。
10.一种图片亮度调节设备,其特征在于,包括:
源亮度值获取单元,用于获取源图片中各第一像素点在亮度空间的源亮度值;
曲线获取单元,用于根据所述各第一像素点在亮度空间的源亮度值获取亮度调节曲线;
目标亮度值获取单元,用于将所述各第一像素点在亮度空间的源亮度值分别输入至所述亮度调节曲线中,得到所述各第一像素点在所述亮度空间调节后的目标亮度值;
图片生成单元,用于基于所述各第一像素点在所述亮度空间调节后的目标亮度值生成所述源图片对应的目标图片。
11.根据权利要求10所述的设备,其特征在于,所述源亮度值获取单元,包括:
RGB值获取子单元,用于获取所述源图片中各第一像素点的三原色RGB值;
源亮度值获取子单元,用于将所述各第一像素点的RGB值分别代入所述亮度空间的亮度转换公式中,得到所述各第一像素点在亮度空间的源亮度值。
12.根据权利要求10所述的设备,其特征在于,所述曲线获取单元,包括:
图片亮度值获取子单元,用于基于所述各第一像素点在亮度空间的源亮度值获取所述源图片的图片亮度值;
曲线获取子单元,用于基于所述图片亮度值、设定的基准亮度值以及设定的调节系数获取亮度调节曲线。
13.根据权利要求12所述的设备,其特征在于,所述图片亮度值获取子单元,具体用于:
在所述源图片中获取所选择的图片区域;
基于所述图片区域中各第二像素点在所述亮度空间的源亮度值获取所述源图片的图片亮度值,所述第一像素点包括所述第二像素点。
14.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~9任意一项的方法步骤。
15.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~9任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967143.8A CN109064431B (zh) | 2018-08-23 | 2018-08-23 | 一种图片亮度调节方法、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967143.8A CN109064431B (zh) | 2018-08-23 | 2018-08-23 | 一种图片亮度调节方法、设备及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064431A true CN109064431A (zh) | 2018-12-21 |
CN109064431B CN109064431B (zh) | 2021-10-26 |
Family
ID=64756643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967143.8A Active CN109064431B (zh) | 2018-08-23 | 2018-08-23 | 一种图片亮度调节方法、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064431B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110086997A (zh) * | 2019-05-20 | 2019-08-02 | 北京百度网讯科技有限公司 | 人脸图像曝光亮度补偿方法及装置 |
CN110120021A (zh) * | 2019-05-05 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 图像亮度的调整方法、装置、存储介质及电子装置 |
CN111507911A (zh) * | 2020-04-02 | 2020-08-07 | 广东九联科技股份有限公司 | 一种基于深度学习的图像质量处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024300A (zh) * | 2012-12-25 | 2013-04-03 | 华为技术有限公司 | 一种高动态范围图像显示方法及装置 |
CN104486606A (zh) * | 2014-12-30 | 2015-04-01 | 广州博冠信息科技有限公司 | 调整图像亮度和对比度的方法及其装置 |
CN104700777A (zh) * | 2015-03-27 | 2015-06-10 | 西安电子科技大学 | 图像显示方法以及图像显示亮度调节装置 |
US20150161775A1 (en) * | 2013-12-09 | 2015-06-11 | Cj Cgv Co., Ltd. | Method of correcting image overlap area, recording medium, and execution apparatus |
CN105574891A (zh) * | 2015-12-11 | 2016-05-11 | 上海兴芯微电子科技有限公司 | 检测图像中的运动目标的方法及系统 |
CN106328070A (zh) * | 2016-09-28 | 2017-01-11 | 武汉精测电子技术股份有限公司 | OLED模组Gamma调校方法及装置 |
-
2018
- 2018-08-23 CN CN201810967143.8A patent/CN109064431B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024300A (zh) * | 2012-12-25 | 2013-04-03 | 华为技术有限公司 | 一种高动态范围图像显示方法及装置 |
US20150161775A1 (en) * | 2013-12-09 | 2015-06-11 | Cj Cgv Co., Ltd. | Method of correcting image overlap area, recording medium, and execution apparatus |
CN104486606A (zh) * | 2014-12-30 | 2015-04-01 | 广州博冠信息科技有限公司 | 调整图像亮度和对比度的方法及其装置 |
CN104700777A (zh) * | 2015-03-27 | 2015-06-10 | 西安电子科技大学 | 图像显示方法以及图像显示亮度调节装置 |
CN105574891A (zh) * | 2015-12-11 | 2016-05-11 | 上海兴芯微电子科技有限公司 | 检测图像中的运动目标的方法及系统 |
CN106328070A (zh) * | 2016-09-28 | 2017-01-11 | 武汉精测电子技术股份有限公司 | OLED模组Gamma调校方法及装置 |
Non-Patent Citations (2)
Title |
---|
SERGEY BEZRYADIN等: "Brightness Calculation in Digital Image Processing", 《1ST INTERNATIONAL SYMPOSIUM ON TECHNOLOGIES FOR DIGITAL PHOTO FULFILLMENT》 * |
高月华等: "基于肤色的自适应光照法定位运动人体研究", 《数字技术与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120021A (zh) * | 2019-05-05 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 图像亮度的调整方法、装置、存储介质及电子装置 |
CN110120021B (zh) * | 2019-05-05 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 图像亮度的调整方法、装置、存储介质及电子装置 |
US11587530B2 (en) | 2019-05-05 | 2023-02-21 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for adjusting image luminance, storage medium, and electronic device |
CN110086997A (zh) * | 2019-05-20 | 2019-08-02 | 北京百度网讯科技有限公司 | 人脸图像曝光亮度补偿方法及装置 |
CN111507911A (zh) * | 2020-04-02 | 2020-08-07 | 广东九联科技股份有限公司 | 一种基于深度学习的图像质量处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064431B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102290985B1 (ko) | 이미지 조명 방법, 장치, 전자 기기 및 저장 매체 | |
CN110163810B (zh) | 一种图像处理方法、装置以及终端 | |
US9047804B1 (en) | Lexical-based processing of color images | |
US8594420B2 (en) | Color naming, color categorization and describing color composition of images | |
CN104076928B (zh) | 一种调整文字显示区域色调的方法 | |
TW202234341A (zh) | 圖像處理方法及裝置、電子設備、儲存媒體和程式產品 | |
CN110377860B (zh) | 一种页面颜色调整方法、装置及电子设备 | |
CN106326823B (zh) | 一种获取图片中头像的方法和系统 | |
WO1999017254A1 (en) | Digital redeye removal | |
CN109064431A (zh) | 一种图片亮度调节方法、设备及其存储介质 | |
CN112328345B (zh) | 用于确定主题色的方法、装置、电子设备及可读存储介质 | |
CN111164563B (zh) | 一种智能终端的图像色彩调节系统及色彩调节方法 | |
CN108024105A (zh) | 图像色彩调节方法、装置、电子设备及存储介质 | |
CN110392243A (zh) | 色域映射的方法和装置 | |
CN107391150A (zh) | 移动终端主题色调自适应变更方法及系统 | |
WO2022227547A1 (zh) | 用于图像处理的方法、装置、电子设备及存储介质 | |
Li et al. | An adaptive enhancement method for low illumination color images | |
CN111476849A (zh) | 对象颜色识别方法、装置、电子设备以及存储介质 | |
CN106600524A (zh) | 一种图像处理方法及终端 | |
CN106815803A (zh) | 图片的处理方法及装置 | |
US9092889B2 (en) | Image processing apparatus, image processing method, and program storage medium | |
Panetta et al. | Novel multi-color transfer algorithms and quality measure | |
JP6818284B1 (ja) | 画像処理装置、画像処理システム、及び画像処理方法 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN113240760B (zh) | 一种图像处理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |