CN109102549A - 图像光源颜色的检测方法、装置、计算机设备及存储介质 - Google Patents

图像光源颜色的检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109102549A
CN109102549A CN201810942161.0A CN201810942161A CN109102549A CN 109102549 A CN109102549 A CN 109102549A CN 201810942161 A CN201810942161 A CN 201810942161A CN 109102549 A CN109102549 A CN 109102549A
Authority
CN
China
Prior art keywords
image
light source
illumination
input
color
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
Application number
CN201810942161.0A
Other languages
English (en)
Other versions
CN109102549B (zh
Inventor
徐博磊
邱国平
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201810942161.0A priority Critical patent/CN109102549B/zh
Publication of CN109102549A publication Critical patent/CN109102549A/zh
Application granted granted Critical
Publication of CN109102549B publication Critical patent/CN109102549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了图像光源颜色的检测方法、装置、计算机设备及存储介质，方法包括：对图像进行量化处理并提取全局图像颜色特征，对全局图像颜色特征进行二值化处理，得到量化二值图谱；基于图像的光照相似度从图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；将量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。本申请提取出与光源颜色有关的特征，最后将特征输入至深度回归网络中检测出光源颜色，相比传统的颜色检测方法，本申请的检测结果不易受到图像内容的影响，能够更加精确地检测图像的光源颜色。

Description

图像光源颜色的检测方法、装置、计算机设备及存储介质
技术领域
本申请涉及数字图像处理及计算机视觉技术领域，尤其涉及的是一种图像光源颜色的检测方法、装置、计算机设备及存储介质。
背景技术
物体在不同光照条件下会呈现不同的颜色，从而影响人类的视觉和识别能力。因此通过检测出光源的颜色从而将物体还原回本身的颜色是一项具有实际应用价值的重要技术。
近年来，国内外关于图像光源颜色检测的问题，提出了很多基于深度学习的算法。但是以往的算法直接将图像作为输入，并将光源颜色作为四输入深度学习网络的输出。此类方法中，光源颜色的检测结果容易受到图像内容本身的影响。而图像内容的变化与光源的颜色并没有直接联系，从而影响颜色的检测的准确度。
因此，现有技术还有待于改进和发展。
发明内容
本申请要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像光源颜色的检测方法、装置、计算机设备及存储介质，旨在解决现有技术中的光源颜色检测方法的检测结果容易受到图像内容本身的影响，检测准确度低的问题。
本申请解决技术问题所采用的技术方案如下：
一种图像光源颜色的检测方法，其中，所述方法包括：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
在其中一个实施例中，所述方法还包括：
在得到量化二值图谱之后，根据光照相似度进行图像分类。
在其中一个实施例中，所述对图像进行量化处理并提取图像中的全局图像颜色特征具体包括：
使用64个bin分别对图像的RG、BY通道进行量化处理；
在量化处理后的两个通道上提取相应的颜色直方图；所述颜色直方图为全局图像颜色特征。
在其中一个实施例中，所述根据光照相似度进行图像分类具体包括：
分别计算每两幅图像之间的汉明距离，并将计算出的汉明距离与预设的阈值比较；
当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；
当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
在其中一个实施例中，所述基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征具体包括：
基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块；
将裁剪出的四个图像块输入至四输入深度学习网络模型中；所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；
所述四输入深度学习网络模型分别对四个图像块进行光照特征映射，并输出四个图像块所对应的光照特征。
在其中一个实施例中，所述四输入深度学习网络模型和深度回归网络模型均预先使用Adam训练器进行网络训练，并通过多次迭代使网络模型的损失函数的值趋于平稳。
一种图像光源颜色的检测装置，其中，所述装置包括：
量化二值图谱获取模块，用于对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
光照特征获取模块，用于基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
光源颜色检测模块，将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
所述的图像光源颜色的检测装置，其中，所述装置还包括：
图像分类模块，用于在得到量化二值图谱之后，根据光照相似度进行图像分类。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现以下步骤：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现以下步骤：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
本申请的有益效果：本申请通过获取图像的量化二值图谱，并将根据图像的光照相似度裁减出图像块输入至四输入深度学习网络获取光照特征，由此提取出与光源颜色有关的特征，最后将特征输入至深度回归网络中检测出光源颜色，相比传统的颜色检测方法，本申请的检测结果不易受到图像内容的影响，能够更加精确地检测图像的光源颜色。
附图说明
图1是一个实施例中图像光源颜色的检测方法的流程示意图。
图2是本申请中的四输入深度学习网络模型对图像块的处理流程示意图。
图3是本申请中的图像光源颜色的检测方法的具体实施例的流程示意图。
图4是一个实施例中图像光源颜色的检测装置的结构框图。
图5是一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图像光源颜色的检测方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central ProcessingUnit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(VideoProcessing Unit，VPU)等中的至少一种。
由于现有技术中的基于深度学习算法来对光源颜色进行检测的方法中，直接将图像作为输入，并将光源颜色作为网络的输出。但是，这类算法中检测结果容易受到输入图像的内容的影响，而图像的内容的变化与光源的颜色并没有直接的联系，从而严重影响了光源颜色的检测准确度。在其中一个实施例中，如图1所示，提供一种图像光源颜色的检测方法，该方法应用于上述终端为例进行说明，包括以下步骤；
步骤S100、对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱。
由于直接提取图像的直方图信息会使得最后的图像特征依赖于图像的内容，同样会影响颜色的检测精度。然而，图像的光源信息与图像的内容并无直接的联系，因此，本申请需要提取图像的量化二值图谱来减少图像特征和图像内容的联系。
在其中一个实施例中，首先使用64个bin分别对图像的RG、BY通道进行量化处理(Quantization)，再在量化后的两个通道上提取相应的颜色直方图。所述颜色直方图即为全局图像颜色特征，最后将颜色直方图做二值化处理，得到量化二值图谱(QuantizedBinary Color Map)。由于本实施例是先进行量化处理之后再提取颜色直方图，有效减少了图像特征与图像内容的联系。优选地，本实施例中对于全局图像颜色特征不仅限于提取一个图像，可对多个图像进行提取并获得每个图像的量化二值图谱，这样对于图像光源颜色的检测准确度也会对应地提高。
步骤S200、基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征。
为了进一步提高图像特征的提取精度，以便更加准确地检测出光源的颜色，本申请对图像进行分类，区分出哪些图像是相似光源的图像，哪些图像不是相似光源的图像。本申请中主要是利用相似光源的图像间具有较小的特征距离，而具有不同光源的图像间则具有较大的特征距离，根据这一原理来对图像进行区分。
在一个实施例中，通过计算两两图像之间的汉明距离，并将汉明距离与预设的阈值进行比较来判断图像是否相似光源的图像。具体地，所述阈值设置为0.02，当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
当对图像进行分类后，本申请基于图像的光照相似度来定义四个图像块，并将四个图像块输入至四输入深度学习网络模型中，通过四输入深度学习网络模型中对图像块进行处理，得出每个图像块对应的光照特征。
在一个实施例中，本实施例中基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块。然后将裁剪出的四个图像块输入至四输入深度学习网络模型中。所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；具体如图2中所示，在本实施例中，每一个卷积神经网络都学习了一个映射函数h，当某个图像块进入特定的卷积神经网络中后，通过映射函数h的作用，输出该图像块对应的光照特征。本实施例中的四输入深度学习网络模型可以将输入的四个图像块输出4096维度的光照特征。
优选地，本实施例中的四输入深度学习网络模型需要预先使用Adam训练器进行网络训练，将学习速率设置为1×10-4。整个四输入深度学习网络模型大约需要60次迭代使得损失函数的值趋于平稳。该四输入深度学习网络模型的损失函数为：
其中，[z]+＝max(z，0)，α和β为距离间隔阈值，设置为0.6。
步骤S300、将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
在一个实施例中，本实施例中的深度回归网络模型共有两个输入，分别为量化二值图谱以及四个图像块所对应的光照特征，深度回归网络模型对输入的量化二值图谱以及光照特征进行检测，输出图像对应的光源颜色。
优选地，本实施例中深度回归模型需要预先使用Adam训练器进行网络训练，将学习速率设置为3×10-3。整个深度回归网络模型大约需要30次迭代使得损失函数的值趋于平稳。该四输入深度学习网络模型的损失函数为：
其中Yi是第i个输入图像的光照真实值，φ是光照预测深度学习网络学习到的映射函数，θ是网络的参数，h(xi)和Ci是其对应输入的光照特征和量化二值图谱。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步地，如图3所示，为方便理解本申请的技术方案，本申请提供一更加形象的实施例，从图3中可以看出，本实施例中首先从输入图像中提取出量化二值图谱，然后从输入图像中多个提取随机小块(上述实施例的图像块)，随机小块经过四输入深度学习网络输出光照特征，所述量化二值图谱与光照特征输入至深度回归网络，经过深度回归网络将量化二值图谱与光照特征合并并进行颜色检测处理，输出图像对应的颜色。
为了更好的体现本申请算优势，本申请还对检测的光源进行质量评价分析。本申请使用angular error来计算检测的光源与其真实值之间的差距，具体的公式为：
将使用本申请图像光源颜色的检测方法以及使用现有的深度学习算法进行颜色检测之间的错误率进行对比，如表1所示。
平均值 中间值
DS-Net 2.2 1.4
AlexNet-FC4 2.1 1.5
FFCC-4 1.9 1.3
SqueezeNet-FC4 2.2 1.5
本发明 1.8 1.2
表1
从表1中可以看到，本申请所实现的图像光源颜色的检测比现有的深度学习方法有更低的错误率。
在一个实施例中，如图4所示，提供了一种图像光源颜色的检测装置，包括：量化二值图谱获取模块410、光照特征获取模块420、光源颜色检测模块430。其中，
量化二值图谱获取模块410，用于对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
光照特征获取模块420，用于基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
光源颜色检测模块430，将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源光源颜色检测，并输出检测结果。
在一个实施例中，所述图像光源颜色的检测装置还包括图像分类模块，用于在得到量化二值图谱之后，根据光照相似度进行图像分类。
在一个实施例中，量化二值图谱获取模块410主要是使用64个bin分别对图像的RG、BY通道进行量化处理；在量化处理后的两个通道上提取相应的颜色直方图；所述颜色直方图为全局图像颜色特征。
在一个实施例中，光照特征获取模块420具体包括基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块；将裁剪出的四个图像块输入至四输入深度学习网络模型中；所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；所述四输入深度学习网络模型分别对四个图像块进行光照特征映射，并输出四个图像块所对应的光照特征。
在一个实施例中，所述图像分类模块包括分别计算每两幅图像之间的汉明距离，并将计算出的汉明距离与预设的阈值比较；当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
关于图像光源颜色的检测装置具体限定可以参见上文中对于图像光源颜色的检测方法的限定，在此不再赘述。上述图像光源颜色的检测装置各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像光源颜色的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源光源颜色检测，并输出检测结果。
在其中一个实施例中，该处理器执行计算机程序时还实现：在得到量化二值图谱之后，根据光照相似度进行图像分类。
在其中一个实施例中，对图像进行量化处理并提取图像中的全局图像颜色特征具体包括：使用64个bin分别对图像的RG、BY通道进行量化处理；在量化处理后的两个通道上提取相应的颜色直方图；所述颜色直方图为全局图像颜色特征。
在其中一个实施例中，根据光照相似度进行图像分类具体包括：分别计算每两幅图像之间的汉明距离，并将计算出的汉明距离与预设的阈值比较；当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
在其中一个实施例中，基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征具体包括：基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块；将裁剪出的四个图像块输入至四输入深度学习网络模型中；所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；所述四输入深度学习网络模型分别对四个图像块进行光照特征映射，并输出四个图像块所对应的光照特征。
在其中一个实施例中，四输入深度学习网络模型和深度回归网络模型均预先使用Adam训练器进行网络训练，并通过多次迭代使网络模型的损失函数的值趋于平稳。
在一个实施例中，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源光源颜色检测，并输出检测结果。
在其中一个实施例中，该处理器执行计算机程序时还实现：在得到量化二值图谱之后，根据光照相似度进行图像分类。
在其中一个实施例中，对图像进行量化处理并提取图像中的全局图像颜色特征具体包括：使用64个bin分别对图像的RG、BY通道进行量化处理；在量化处理后的两个通道上提取相应的颜色直方图；所述颜色直方图为全局图像颜色特征。
在其中一个实施例中，根据光照相似度进行图像分类具体包括：分别计算每两幅图像之间的汉明距离，并将计算出的汉明距离与预设的阈值比较；当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
在其中一个实施例中，基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征具体包括：基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块；将裁剪出的四个图像块输入至四输入深度学习网络模型中；所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；所述四输入深度学习网络模型分别对四个图像块进行光照特征映射，并输出四个图像块所对应的光照特征。
在其中一个实施例中，四输入深度学习网络模型和深度回归网络模型均预先使用Adam训练器进行网络训练，并通过多次迭代使网络模型的损失函数的值趋于平稳。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像光源颜色的检测方法，其特征在于，所述方法包括：
对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
2.根据权利要求1所述的图像光源颜色的检测方法，其特征在于，所述方法还包括：
在得到量化二值图谱之后，根据光照相似度进行图像分类。
3.根据权利要求1所述的图像光源颜色的检测方法，其特征在于，所述对图像进行量化处理并提取图像中的全局图像颜色特征具体包括：
使用64个bin分别对图像的RG、BY通道进行量化处理；
在量化处理后的两个通道上提取相应的颜色直方图；所述颜色直方图为全局图像颜色特征。
4.根据权利要求2所述的图像光源颜色的检测方法，其特征在于，所述根据光照相似度进行图像分类具体包括：
分别计算每两幅图像之间的汉明距离，并将计算出的汉明距离与预设的阈值比较；
当计算出的汉明距离小于或者等于所述阈值时，表示两幅图像的光照相似度相同，则判定两幅图像为相似光源的图像；
当计算出的汉明距离大于所述阈值时，表示两幅图像的光照相似度不同，则判定两幅图像为不相似光源的图像。
5.根据权利要求1所述的图像光源颜色的检测方法，其特征在于，所述基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征具体包括：
基于图像的光照相似度从所述图像中裁剪出四个图像块，分别为xa，xp，xn，xm；所述xa是一幅图像中裁剪出的图像块；所述xp是与xa同一幅图像中裁剪出的另一图像小块；所述xn是与xa不同光照相似度的图像块；所述xm是与xa不同图像但具有相同光照相似度的图像块；
将裁剪出的四个图像块输入至四输入深度学习网络模型中；所述四输入深度学习网络模型具有四个相同的卷积神经网络，且四个卷积神经网络共享相同的网络参数；
所述四输入深度学习网络模型分别对四个图像块进行光照特征映射，并输出四个图像块所对应的光照特征。
6.根据权利要求1所述的图像光源颜色的检测方法，其特征在于，所述四输入深度学习网络模型和深度回归网络模型均预先使用Adam训练器进行网络训练，并通过多次迭代使网络模型的损失函数的值趋于平稳。
7.一种图像光源颜色的检测装置，其特征在于，所述装置包括：
量化二值图谱获取模块，用于对图像进行量化处理并提取图像中的全局图像颜色特征，对所述全局图像颜色特征进行二值化处理，得到量化二值图谱；
光照特征获取模块，用于基于图像的光照相似度从所述图像中裁剪出四个图像块，并将四个图像块输入至四输入深度学习网络模型中进行光照特征的映射，输出四个图像块所对应的光照特征；
光源颜色检测模块，将所述量化二值图谱与四个图像块所对应的光照特征输入至深度回归网络模型中进行光源颜色检测，并输出检测结果。
8.根据权利要求7所述的图像光源颜色的检测装置，其特征在于，所述装置还包括：
图像分类模块，用于在得到量化二值图谱之后，根据光照相似度进行图像分类。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN201810942161.0A 2018-08-17 2018-08-17 图像光源颜色的检测方法、装置、计算机设备及存储介质 Active CN109102549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810942161.0A CN109102549B (zh) 2018-08-17 2018-08-17 图像光源颜色的检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810942161.0A CN109102549B (zh) 2018-08-17 2018-08-17 图像光源颜色的检测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109102549A true CN109102549A (zh) 2018-12-28
CN109102549B CN109102549B (zh) 2022-03-08

Family

ID=64850190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810942161.0A Active CN109102549B (zh) 2018-08-17 2018-08-17 图像光源颜色的检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109102549B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881994A (zh) * 2020-08-03 2020-11-03 杭州睿琪软件有限公司 识别处理方法及设备和非暂态计算机可读存储介质
CN113763283A (zh) * 2021-09-19 2021-12-07 深圳市爱协生科技有限公司 图像是否去雾的检测方法、装置和智能设备
CN114441452A (zh) * 2021-12-17 2022-05-06 马鞍山新地优特威光纤光缆有限公司 一种光纤尾纤检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000259763A (ja) * 1999-03-09 2000-09-22 Nec Corp 光学的文字読取装置、方法及びプログラムを記憶した記憶媒体
US6556210B1 (en) * 1998-05-29 2003-04-29 Canon Kabushiki Kaisha Image processing method and apparatus therefor
JP2009065559A (ja) * 2007-09-07 2009-03-26 Ricoh Co Ltd 画像処理装置、画像処理方法及び画像処理プログラムが記憶された記憶媒体
CN102547079A (zh) * 2010-12-29 2012-07-04 株式会社理光 夜景光源检测设备及夜景光源检测方法
CN102867295A (zh) * 2012-08-06 2013-01-09 电子科技大学 一种彩色图像颜色校正方法
CN105160691A (zh) * 2015-08-29 2015-12-16 电子科技大学 基于颜色直方图的车身颜色识别方法
CN108388905A (zh) * 2018-03-21 2018-08-10 合肥工业大学 一种基于卷积神经网络和邻域上下文的光源估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6556210B1 (en) * 1998-05-29 2003-04-29 Canon Kabushiki Kaisha Image processing method and apparatus therefor
JP2000259763A (ja) * 1999-03-09 2000-09-22 Nec Corp 光学的文字読取装置、方法及びプログラムを記憶した記憶媒体
JP2009065559A (ja) * 2007-09-07 2009-03-26 Ricoh Co Ltd 画像処理装置、画像処理方法及び画像処理プログラムが記憶された記憶媒体
CN102547079A (zh) * 2010-12-29 2012-07-04 株式会社理光 夜景光源检测设备及夜景光源检测方法
CN102867295A (zh) * 2012-08-06 2013-01-09 电子科技大学 一种彩色图像颜色校正方法
CN105160691A (zh) * 2015-08-29 2015-12-16 电子科技大学 基于颜色直方图的车身颜色识别方法
CN108388905A (zh) * 2018-03-21 2018-08-10 合肥工业大学 一种基于卷积神经网络和邻域上下文的光源估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤一平: "基于双色反射模型的彩色结构光颜色识别的研究", 《计算机学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881994A (zh) * 2020-08-03 2020-11-03 杭州睿琪软件有限公司 识别处理方法及设备和非暂态计算机可读存储介质
CN111881994B (zh) * 2020-08-03 2024-04-05 杭州睿琪软件有限公司 识别处理方法及设备和非暂态计算机可读存储介质
CN113763283A (zh) * 2021-09-19 2021-12-07 深圳市爱协生科技有限公司 图像是否去雾的检测方法、装置和智能设备
CN113763283B (zh) * 2021-09-19 2023-11-14 深圳市爱协生科技股份有限公司 图像是否去雾的检测方法、装置和智能设备
CN114441452A (zh) * 2021-12-17 2022-05-06 马鞍山新地优特威光纤光缆有限公司 一种光纤尾纤检测方法
CN114441452B (zh) * 2021-12-17 2023-09-08 马鞍山新地优特威光纤光缆有限公司 一种光纤尾纤检测方法

Also Published As

Publication number Publication date
CN109102549B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN111160269A (zh) 一种人脸关键点检测方法及装置
CN103065134B (zh) 一种具有提示信息的指纹识别装置和方法
WO2019232853A1 (zh) 中文模型训练、中文图像识别方法、装置、设备及介质
CN109086711B (zh) 人脸特征分析方法、装置、计算机设备和存储介质
CN108710866A (zh) 汉字模型训练方法、汉字识别方法、装置、设备及介质
CN110334587A (zh) 人脸关键点定位模型的训练方法、装置及关键点定位方法
CN105518744A (zh) 行人再识别方法及设备
CN109325468B (zh) 一种图像处理方法、装置、计算机设备和存储介质
CN109102549A (zh) 图像光源颜色的检测方法、装置、计算机设备及存储介质
CN110084238B (zh) 基于LadderNet网络的指静脉图像分割方法、装置和存储介质
CN113255915B (zh) 基于结构化实例图的知识蒸馏方法、装置、设备和介质
CN110490902A (zh) 应用于智慧城市的目标跟踪方法、装置、计算机设备
CN109840524A (zh) 文字的类型识别方法、装置、设备及存储介质
CN109712128A (zh) 特征点检测方法、装置、计算机设备和存储介质
CN109903272A (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN112307847A (zh) 一种基于指导的多尺度注意力行人重识别深度学习系统
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN112001399A (zh) 基于局部特征显著化的图像场景分类方法和装置
Xu et al. Generalized morphological component analysis for hyperspectral unmixing
WO2020199498A1 (zh) 指静脉比对方法、装置、计算机设备及存储介质
Li et al. Electronic product surface defect detection based on a MSSD network
CN109002776A (zh) 人脸识别方法、系统、计算机设备和计算机可读存储介质
Lou et al. Hierarchical co-salient object detection via color names
CN109034070A (zh) 一种置换混叠图像盲分离方法及装置
CN109359543B (zh) 一种基于骨骼化的人像检索方法及装置

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