CN109729332A - 一种自动白平衡矫正方法和系统 - Google Patents
一种自动白平衡矫正方法和系统 Download PDFInfo
- Publication number
- CN109729332A CN109729332A CN201811514529.XA CN201811514529A CN109729332A CN 109729332 A CN109729332 A CN 109729332A CN 201811514529 A CN201811514529 A CN 201811514529A CN 109729332 A CN109729332 A CN 109729332A
- Authority
- CN
- China
- Prior art keywords
- white balance
- colour temperature
- image
- nominal data
- classifier
- 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
Abstract
本发明公开了一种自动白平衡矫正方法和系统,该方法包括:S1、获取白平衡标定数据,以训练色温分类器,获得新的色温分类器;S2、根据步骤S1所获得的新的色温分类器来更新色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,白平衡完成后根据图像偏色情况来调整色温分类,以获得目标图像,并生成当前目标图像的白平衡标定数据,然后返回步骤S1;其中,步骤S1所获取的白平衡标定数据包括步骤S2所生成的白平衡标定数据。本发明采用分布式数据采集方法,给出了一种高效的白平衡标定数据收集方案,同时也给出了一套有效利用白平衡标定数据进行自动白平衡矫正的方法,显著地提高了自动白平衡矫正的准确度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种自动白平衡矫正方法和系统。
背景技术
数码摄像系统中,估计出当前环境色温用于调整图像白平衡是一项极具挑战的任务,真实场景中存在很多光源,在这种情况下,人类的视觉系统可以自我调整来适应环境,在观察和识别物体颜色时像在标准光源环境下一样,而数码摄像系统中,图像传感器的输出只能反映当前场景真实的光谱分布,举例来说,在晴天下,拍摄阴影环境中的白纸,如果所得图像不经过自动白平衡处理,则白纸会显示出偏蓝色,但人眼依旧感知纸的颜色为白色,人眼的这种适应能力是通过调节视锥细胞的敏感性来完成的;数码摄像系统则需要知晓人的视觉系统在不同环境下所认定的最适合的白色用于消除色差,寻找这种白色并消除色差的过程称为白平衡。
在实际应用中,通过估计当前场景色温来选取当前图像近似白色区域用以消除色差是一种常用的自动白平衡矫正方法;现实场景中,由于光源种类以及其分布方式多种多样,目前一般自动白平衡做法为:在实验室模拟出一些常见光源场景并记录下这些场景的白平衡数据,将其与真实场景中产生的数据作进行对比,从而估计出当前场景色温。目前这种做法的局限在于数据采集过于依赖实验室环境,真实场景与实验室场景往往差异很大,因此自动白平衡的正确率很难进一步提升。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种自动白平衡矫正方法,以提高自动白平衡的正确率。
为实现上述目的,本发明的技术方案是:
一种自动白平衡矫正方法,所述方法包括:
S1、获取白平衡标定数据,以训练色温分类器,获得新的色温分类器;
S2、根据步骤S1所获得的新的色温分类器来更新色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,以获得目标图像,并生成当前目标图像的白平衡标定数据,然后返回步骤S1,以此循环两个步骤;
其中,步骤S1所获取的白平衡标定数据包括步骤S2所生成的白平衡标定数据。
在步骤S2中,若执行白平衡后,图像出现偏色情况,则根据图像偏色情况来调整色温分类,以获得目标图像。
所述步骤S1包括
S11、更新白平衡标定数据集
将所获取到的白平衡标定数据添加至白平衡标定数据集中;
S22、训练色温分类器
当白平衡标定数据集有更新时,则重新训练色温分类器。
当白平衡标定数据集有更新后则立即执行色温分类器的训练。
当白平衡标定数据集中白平衡标定数据的更新数量达到设定值时,才执行色温分类器的训练。
采用随机森林法或者卷积神经网络来对色温分类器进行重新训练。
所述步骤S2包括:
S21、更新色温分类器
当新的色温分类器训练完成后,则更新色温色温分类器;
S22、得出当前输入图像的色温类别
当捕获到新的图像时,首先获取当前图像的白平衡统计数据,再将该白平衡统计数据送给更新后的色温分类器来进行分类,以得出当前图像的色温类别;
S23、根据步骤S22所得的当前图像的色温类别来执行白平衡;
S24、调整色温类别
执行完白平衡后,如果图像出现偏色,则需要根据实际图像调整色温类别,直至图像不再偏色;
S25、生成调整后的的白平衡标定数据
当图像不再偏色时,则以当前图像的白平衡标定数据作为步骤S1所获取的白平衡标定数据。
所述白平衡标定数据是指图像处理链路中输出的白平衡统计数据与当前图像色温类别组成的数据集合;或者是,所述白平衡统计数据指当前图像色度分量或者色度分量的下采样数据,图像色度分量指YCbCr颜色空间中的Cb和Cr分量,Y代表亮度分量、Cb代表蓝色偏移分量、Cr代表红色偏移分量,所述图像色度分量或者是指R/G和B/G,其中,R代表图像红色分量、G代表图像绿色分量、B代表图像蓝色分量;R/G是指图像的红色分量R与绿色分量G的比值,B/G,是指图像的蓝色分量B与绿色分量G的比值。
同时本发明还提供了一种自动白平衡矫正系统来提高自动白平衡的正确率,该系统包括用户端和服务器端;其中,
所述服务器端用于接收用户端所推送的白平衡标定数据,并将该白平衡标定数据添加至白平衡标定数据集中,若白平衡标定数据集有更新,则重新训练色温分类器,并将新的色温分类器推送给用户端;
所述用户端根据服务器端所推送的色温分类器来更新其色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,白平衡完成后拍摄照片,根据照片偏色情况来调整色温分类,生成调整后新的白平衡标定数据,并将该白平衡标定数据推送服务器端;
所述服务器端对应一个或多个用户端。
所述服务器端是指计算设备,包括存储器、一个或者多个处理器、网络控制器以及总线;所述存储器包括易失和非易失存储装置,通过总线与处理器、网络控制器相互连接;网络控制器接收到白平衡标定数据后通过总线存储于存储器中,处理器通过总线读取白平衡标定数据集并执行色温分类器的训练,并将训练结果存储于存储器,然后再通过网络控制器将训练后新的色温分类器发送给一个或者多个用户端。
所述用户端是指一种包含图像捕获功能的计算设备,包括图像传感器、图像处理器、网络控制器、储存器、一个或者多个处理器、显示器、输入设备以及总线;所述图像传感器用于将真实场景中的光信号转换为电信号,图像处理器与图像传感器相连接,以将图像传感器中产生的电信号转换为计算设备能够识别的图像数据,在显示器中显示;图像处理器将捕获到图像信息数据以及对该图像信息数据进行处理后的白平衡统计数据通过总线存储于存储器中,之后该图像数据也被送往显示器中进行显示,当网络控制器接收到服务器端发送来的色温分类器数据后通过总线存储于存储器中,处理器通过总线读取白平衡统计数据、色温分类器数据并执行色温场景分类以及自动白平衡矫正,经过白平衡矫正后的图像会被送到显示器上显示,用户根据图像偏色情况,通过输入设备调整该场景色温类别,处理器会再次执行色温场景分类以及自动白平衡矫正,直到偏色情况消失,最后处理器根据配置将调整好的白平衡标定数据通过网络控制器将该白平衡标定数据发送给服务器端
本发明与现有技术相比,其有益效果在于:
在现有技术中,自动白平衡矫正一般做法为:在实验室模拟出一些常见光源场景并记录下这些场景的白平衡数据,将其与真实场景中产生的数据作进行对比,从而估计出当前场景色温,这种做法的数据采集过程过于依赖实验室环境,真实场景与实验室场景往往差异很大,因此自动白平衡的正确率很难进一步提升;本发明采用分布式数据采集方法,给出了一种高效的白平衡标定数据收集方案,同时也给出了一套有效利用白平衡标定数据进行自动白平衡矫正的方法,显著地提高了自动白平衡矫正的准确度。
附图说明
图1为本发明一个实施例所述一种自动白平衡矫正方法流程示意图;
图2为本发明一个实施例所述一种自动白平衡矫正系统的结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
分类器是机器学习领域中的一个专业术语,其实质是一种在已有数据的基础上构造出的一个分类函数或者模型,该函数或者模型能够把数据库中的数据记录映射到给定类别中的某一个。因此,在本申请中,色温分类器是指一种能够将输入图像按照其色温类别进行分类的一个数学模型,这里的色温类别指的是拍摄这个图像时的光照环境,比如偏黄一些的灯光为低色温,偏白偏蓝一些的灯光为高色温,一张图像偏蓝(高色温)或者偏黄(低色温),可以由图像的白平衡统计信息推断出。
实施例:
参阅图1所示,本实施例提供的自动白平衡矫正方法包括如下步骤:
S1、获取白平衡标定数据,以训练色温分类器,获得新的色温分类器;
S2、根据步骤S1所获得的新的色温分类器来更新色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,白平衡完成后根据图像偏色情况来调整色温分类,以获得目标图像(当然,如果白平衡完成后,图像如果直接符合目标图像的要求,则可直接获得目标图像),并生成当前目标图像的白平衡标定数据,然后返回步骤S1,以此循环两个步骤。
其中,步骤S1所获取的白平衡标定数据包括步骤S2所生成的白平衡标定数据。也就是说,在本实施例中,本方法主要为两个步骤,第一个步骤是训练的过程,其主要是在服务器端上进行,利用收集过来的大量白平衡标定数据,通过机器学习的方式重新训练色温分类器,之后再将该色温分类器推送给用户端,然后进入第二个步骤,进行测试反馈过程,而这个步骤主要是在用户端上进行的,通过利用服务器端所发送来的色温分类器,然后更新自身的色温分类器,再以更新后的色温分类器器来对当前图像场景进行色温分类,然后执行白平衡以及调整色温,从而获得理想的目标图像,最后将当前目标图像的白平衡标定数据打包在推送给服务器端,以此循环两个步骤,最终通过多次迭代方式达到提高白平衡准确率的目的。当然步骤S1所获取的白平衡标定数据也可以从其他方式获取,比如从实验室模拟场景所获得的数据,客户端在初始化的时候里面包含的就是实验室数据得到的一个分类器模型,但是由于实验室能够模拟的环境有限,因此如果能够从更多客户端获取数据,可以提高该模型分类的准确度,也可以降低实验室数据的采集成本。
具体地,上述的步骤S1进一步包括:
S11,更新白平衡标定数据集
当接收到新的白平衡标定数据后,需要将新的数据添加至白平衡标定数据集中;该白平衡标定数据是指图像处理链路中输出的白平衡统计数据与用户标定的当前图像色温类别组成的数据集合;在特定实施例中,白平衡统计数据是指当前图像色度输出数据Cb和Cr或者图像色度输出数据Cb和Cr的下采样数据;该图像色温类别可以至少分为两类,在不同的实施例中,根据白平衡标定数据以及分类器能力不同,其也可以定义为多种类别类,在特定实施例中,图像色温类别可以为低色温、中色温以及高色温。
S12,训练色温分类器
当白平衡标定数据集更新完成,则需要重新训练色温分类器;在特定实施例中,当出现白平衡标定数据更新后则立即执行色温分类器的训练,在另一个特定实施例中,考虑到效率问题,当接收到的白平衡标定数据累积到一定数量才执行色温分类器的训练;在特定实施例中,采用随机森林法进行色温分类器的训练,在另一个实施例中,采用卷积神经网络的方法进行色温分类器的训练
S13,推送色温分类器
当训练得出新的色温分类器模型,则需要将其推送至用户端,用于执行用户端色温分类;在特定实施例中,推送色温分类器过程可以通过网络通信链路采用固件方式或者数据包方式进行更新。
而该步骤S2进一步包括:
S21,更新色温分类器
当新的色温分类器训练完成,需要更新用户端色温分类器;与步骤S13对应,在特定实施例中,推送色温分类器过程可以通过网络通信链路采用固件方式或者数据包方式进行更新。
S22,根据输入图像以及色温分类器得出当前色温类别
当捕获到新的图像时,首先获取当前图像的白平衡统计数据,再将该数据送给色温分类器进行分类,与步骤S12对应,在特定实施例中,采用随机森林法进行色温分类,在另一个实施例中,采用卷积神经网络的方法进行色温分类。
S23,根据所得色温类别执行白平衡
通过利用所得图像色温类别等先验信息,可以显著提高自动白平衡的准确度;在特定实施例中,首先标定出当前图像传感器在各个色温类别C下灰点的分布范围,即,通过拍摄灰卡得到各个色温类别C下红色通道与绿色通道比例R/G的取值范围[RG_Min,RG_Max]以及蓝色通道与绿色通道比例B/G的取值范围[BG_Min,BG_Max],在特定情况下,当步骤S22判断出当前色温分类为Cn时,则在执行白平衡时,仅选取像素点X(Rx,Gx,Bx)满足:BG_Minn<Rx/Gx<BG_Maxn且BG_Minn<Bx/Gx<BG_MAxn作为灰点参考点,然后通过灰度世界法计算出白平衡所需的RGB各个通道增益。需要说明的是,通常来说,色温是一个连续的概念,一般光照的色温的分布范围为1900K~11000K,在特定实施例中,本申请将1900K~4000K的光照环境划分为低色温类别,将4000K~6500K的光照环境划分为中色温类别,而将6500K~11000K的光照环境划分为高色温类别。S24,根据图像的偏色情况调整色温类别
执行完白平衡后,如果图像出现偏色,则需要根据实际图像调整色温类别;在特定实施例中,当用户观察到图像出现偏色时,用户可以根据实际场景直接指定色温类别,例如,日光灯场景可以指定为中色温,白炽灯场景可以指定为低色温,晴天阴影场景可以指定为高色温,然后继续执行下面步骤;在另一个特定实施例中,当用户观察到图像出现偏色时,可以选择不同色温类别,将该色温类别传给步骤S23,之后再次观察图像偏色情况,如果偏色情况消失则继续执行下面步骤,如果偏色还存在则继续选择不同色温类别执行上述步骤。
S25,生成并发送白平衡标定数据
当图像不再偏色,则可以将白平衡统计数据与当前色温类别打包成白平衡标定数据发送给服务器端;在特定实施例中,白平衡标定数据可以通过网络通信链路以数据包方式进行发送;进一步地,特定用户端可以通过相关配置设定该步骤为执行、有条件地执行或者不执行。
相应地,本实施例还提供了一种自动白平衡矫正系统,如图2所示,本系统主要包括:服务器端200,指的是一种计算设备,其基本配置包括:存储器201、一个或者多个处理器202、网络控制器204、以及总线203;用户端206,指的是一种包含图像捕获功能的计算设备,其基本配置包括:图像传感器207、图像处理器208、网络控制器209、储存器210、一个或者多个处理器211、显示器212、输入设备213以及总线214;服务器端200与一个或者多个用户端206通过网络通信链路205进行连接。
服务器端200是指用于存储和执行上述方法步骤S1所述的训练过程所需数据和程序的设备、装置;所述存储器201包括易失和非易失存储装置,通过总线203与处理器202、网络控制器204相互连接,主要用于存储上述方法步骤1所述的训练过程所需数据和程序;所述处理器202,用于执行上述方法步骤S1所述内容;所述网络控制器204,用于接收用户端发送的白平衡标定数据以及发送服务器端产生的色温分类器数据;
进一步地,网络控制器204接收到白平衡标定数据后通过总线203存储于存储器201中,处理器202通过总线203读取白平衡标定数据集以及相关程序来执行色温分类器的训练,并将训练结果存储于存储器201,然后再通过网络控制器204将色温分类器发送给一个或者多个用户端206。
用户端206是指用于存储和执行本发明所述方法步骤2所述的测试反馈过程所需数据和程序的设备、装置;所述图像传感器207,是一种将真实场景中光信号转换为电信号的装置;所述图像处理器208与图像传感器207相连接,是一种用于捕获图像传感器207中产生的电信号的电路、装置,其可以将图像传感器207中产生的电信号转换为计算设备能够识别的图像信息,图像处理器208通过总线214与储存器210相连接,当捕获一张图像后其会存储到储存器210中,同时图像处理器208还用于产生步骤S11和步骤S22所述的白平衡统计数据,进一步地,图像处理器208还可以用来执行白平衡调整;所述存储器210包括易失和非易失存储装置,通过总线214与网络控制器209、处理器211、显示器212、输入设备213相互连接,主要用于存储本发明所述方法步骤2所述的测试反馈过程所需数据和程序;所述处理器211,用于执行本发明所述方法步骤2所述内容;所述网络控制器209,用于接收服务器端发送的色温分类器数据以及发送用户端产生的白平衡标定数据;所述显示器212,用于显示图像处理器208捕获的图像数据;所述输入设备213,是一种用户与计算设备交互的装置设备,在特定实施例中可以是键盘或触控装置。
进一步地,图像处理器208将捕获到图像数据以及处理后的白平衡统计数据通过总线214存储于存储器210中,之后该图像数据也被送往显示器212中进行显示,当网络控制器209接收到色温分类器数据后通过总线214存储于存储器210中,处理器211通过总线214读取白平衡统计数据、色温分类器数据以及相关程序来执行色温场景分类以及自动白平衡矫正,经过白平衡矫正后的图像会被送到显示器212上显示,用户根据图像偏色情况,通过输入设备213调整该场景色温类别,处理器211会再次执行色温场景分类以及自动白平衡矫正,直到偏色情况消失,最后处理器211根据配置将调整好的白平衡标定数据通过网络控制器209将白平衡标定数据发送给服务器端200。
综上所述,在现有技术中,自动白平衡矫正一般做法为:在实验室模拟出一些常见光源场景并记录下这些场景的白平衡数据,将其与真实场景中产生的数据作进行对比,从而估计出当前场景色温,这种做法的数据采集过程过于依赖实验室环境,真实场景与实验室场景往往差异很大,因此自动白平衡的正确率很难进一步提升;本发明采用分布式数据采集方法,给出了一种高效的白平衡标定数据收集方案,同时也给出了一套有效利用白平衡标定数据进行自动白平衡矫正的方法,显著地提高了自动白平衡矫正的准确度。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种自动白平衡矫正方法,其特征在于,所述方法包括:
S1、获取白平衡标定数据,以训练色温分类器,获得新的色温分类器;
S2、根据步骤S1所获得的新的色温分类器来更新色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,以获得目标图像,并生成当前目标图像的白平衡标定数据,然后返回步骤S1,以此循环两个步骤;
其中,步骤S1所获取的白平衡标定数据包括步骤S2所生成的白平衡标定数据。
2.如权利要求所述1的自动白平衡矫正方法,其特征在于,在步骤S2中,若执行白平衡后,图像出现偏色情况,则根据图像偏色情况来调整色温分类,以获得目标图像。
3.如权利要求1所述的自动白平衡矫正方法,其特征在于,所述步骤S1包括
S11、更新白平衡标定数据集
将所获取到的白平衡标定数据添加至白平衡标定数据集中;
S22、训练色温分类器
当白平衡标定数据集有更新时,则重新训练色温分类器。
4.如权利要求3所述的自动白平衡矫正方法,其特征在于,当白平衡标定数据集有更新后则立即执行色温分类器的训练;或者是,当白平衡标定数据集中白平衡标定数据的更新数量达到设定值时,才执行色温分类器的训练。
5.如权利要求1所述的自动白平衡矫正方法,其特征在于,采用随机森林法或者卷积神经网络来对色温分类器进行重新训练。
6.如权利要求1所述的自动白平衡矫正方法,其特征在于,所述步骤S2包括:
S21、更新色温分类器
当新的色温分类器训练完成后,则更新色温色温分类器;
S22、得出当前输入图像的色温类别
当捕获到新的图像时,首先获取当前图像的白平衡统计数据,再将该白平衡统计数据送给更新后的色温分类器来进行分类,以得出当前图像的色温类别;
S23、根据步骤S22所得的当前图像的色温类别来执行白平衡;
S24、调整色温类别
执行完白平衡后,如果图像出现偏色,则需要根据实际图像调整色温类别,直至图像不再偏色;
S25、生成调整后的的白平衡标定数据
当图像不再偏色时,则以当前图像的白平衡标定数据作为步骤S1所获取的白平衡标定数据。
7.如权利要求1或3或6所述的自动白平衡矫正方法,其特征在于,所述白平衡标定数据是指图像处理链路中输出的白平衡统计数据与当前图像色温类别组成的数据集合;或者是,所述白平衡统计数据指当前图像色度分量或者色度分量的下采样数据,图像色度分量指YCbCr颜色空间中的Cb和Cr分量,Y代表亮度分量、Cb代表蓝色偏移分量、Cr代表红色偏移分量,所述图像色度分量或者是指R/G和B/G,其中,R代表图像红色分量、G代表图像绿色分量、B代表图像蓝色分量;R/G是指图像的红色分量R与绿色分量G的比值,B/G,是指图像的蓝色分量B与绿色分量G的比值。
8.一种自动白平衡矫正系统,其特征在于,包括用户端和服务器端;其中,
所述服务器端用于接收用户端所推送的白平衡标定数据,并将该白平衡标定数据添加至白平衡标定数据集中,若白平衡标定数据集有更新,则重新训练色温分类器,并将新的色温分类器推送给用户端;
所述用户端根据服务器端所推送的色温分类器来更新其色温分类器,并根据更新后的色温分类器来对当前图像场景进行色温分类,根据分类结果执行白平衡,白平衡完成后拍摄照片,根据照片偏色情况来调整色温分类,生成调整后新的白平衡标定数据,并将该白平衡标定数据推送服务器端;
所述服务器端对应一个或多个用户端。
9.如权利要求8所述的自动白平衡矫正系统,其特征在于,所述服务器端是指计算设备,包括存储器、一个或者多个处理器、网络控制器以及总线;所述存储器包括易失和非易失存储装置,通过总线与处理器、网络控制器相互连接;网络控制器接收到白平衡标定数据后通过总线存储于存储器中,处理器通过总线读取白平衡标定数据集并执行色温分类器的训练,并将训练结果存储于存储器,然后再通过网络控制器将训练后新的色温分类器发送给一个或者多个用户端。
10.如权利要求8所述的自动白平衡矫正系统,其特征在于,所述用户端是指一种包含图像捕获功能的计算设备,包括图像传感器、图像处理器、网络控制器、储存器、一个或者多个处理器、显示器、输入设备以及总线;所述图像传感器用于将真实场景中的光信号转换为电信号,图像处理器与图像传感器相连接,以将图像传感器中产生的电信号转换为计算设备能够识别的图像数据,在显示器中显示;图像处理器将捕获到图像信息数据以及对该图像信息数据进行处理后的白平衡统计数据通过总线存储于存储器中,之后该图像数据也被送往显示器中进行显示,当网络控制器接收到服务器端发送来的色温分类器数据后通过总线存储于存储器中,处理器通过总线读取白平衡统计数据、色温分类器数据并执行色温场景分类以及自动白平衡矫正,经过白平衡矫正后的图像会被送到显示器上显示,用户根据图像偏色情况,通过输入设备调整该场景色温类别,处理器会再次执行色温场景分类以及自动白平衡矫正,直到偏色情况消失,最后处理器根据配置将调整好的白平衡标定数据通过网络控制器将该白平衡标定数据发送给服务器端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514529.XA CN109729332B (zh) | 2018-12-12 | 2018-12-12 | 一种自动白平衡矫正方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514529.XA CN109729332B (zh) | 2018-12-12 | 2018-12-12 | 一种自动白平衡矫正方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109729332A true CN109729332A (zh) | 2019-05-07 |
CN109729332B CN109729332B (zh) | 2021-06-15 |
Family
ID=66295288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811514529.XA Active CN109729332B (zh) | 2018-12-12 | 2018-12-12 | 一种自动白平衡矫正方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109729332B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111182217A (zh) * | 2020-01-07 | 2020-05-19 | 徐梦影 | 一种图像白平衡的处理方法和装置 |
CN111294576A (zh) * | 2020-02-13 | 2020-06-16 | 展讯通信(上海)有限公司 | 一种自动白平衡处理方法、装置及电子设备 |
CN112102192A (zh) * | 2020-09-15 | 2020-12-18 | 遵义师范学院 | 一种图像白平衡方法 |
CN112601063A (zh) * | 2020-12-07 | 2021-04-02 | 深圳市福日中诺电子科技有限公司 | 一种混合色温白平衡方法 |
CN112866656A (zh) * | 2019-11-26 | 2021-05-28 | Oppo广东移动通信有限公司 | 一种白平衡校正方法、装置、存储介质及终端设备 |
CN113379611A (zh) * | 2020-03-10 | 2021-09-10 | Tcl科技集团股份有限公司 | 图像处理模型的生成方法、处理方法、存储介质及终端 |
CN113379609A (zh) * | 2020-03-10 | 2021-09-10 | Tcl科技集团股份有限公司 | 一种图像处理方法、存储介质及终端设备 |
CN114071109A (zh) * | 2021-11-19 | 2022-02-18 | 信利光电股份有限公司 | 一种改善白平衡不稳定的方法及摄像模组 |
WO2022067761A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、拍摄设备、可移动平台及计算机可读存储介质 |
CN114612571A (zh) * | 2022-03-07 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 白平衡标定参数生成、图像矫正方法、系统、设备及介质 |
CN116743976A (zh) * | 2023-06-07 | 2023-09-12 | 识光科技(广州)有限责任公司 | 一种直播间色温调整方法、直播方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100764A (zh) * | 2015-06-26 | 2015-11-25 | 小米科技有限责任公司 | 拍摄方法和装置 |
CN106412547A (zh) * | 2016-08-29 | 2017-02-15 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像白平衡方法、装置和计算设备 |
CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN108184106A (zh) * | 2017-12-29 | 2018-06-19 | 努比亚技术有限公司 | 图像处理方法、移动终端及计算机可读存储介质 |
CN108519843A (zh) * | 2018-03-30 | 2018-09-11 | 深圳Tcl数字技术有限公司 | 菜单界面的色温调整方法、装置和计算机存储介质 |
CN108600725A (zh) * | 2018-05-10 | 2018-09-28 | 杭州雄迈集成电路技术有限公司 | 一种基于rgb-ir图像数据的白平衡校正装置及方法 |
-
2018
- 2018-12-12 CN CN201811514529.XA patent/CN109729332B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100764A (zh) * | 2015-06-26 | 2015-11-25 | 小米科技有限责任公司 | 拍摄方法和装置 |
CN106412547A (zh) * | 2016-08-29 | 2017-02-15 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像白平衡方法、装置和计算设备 |
CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN108184106A (zh) * | 2017-12-29 | 2018-06-19 | 努比亚技术有限公司 | 图像处理方法、移动终端及计算机可读存储介质 |
CN108519843A (zh) * | 2018-03-30 | 2018-09-11 | 深圳Tcl数字技术有限公司 | 菜单界面的色温调整方法、装置和计算机存储介质 |
CN108600725A (zh) * | 2018-05-10 | 2018-09-28 | 杭州雄迈集成电路技术有限公司 | 一种基于rgb-ir图像数据的白平衡校正装置及方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112866656A (zh) * | 2019-11-26 | 2021-05-28 | Oppo广东移动通信有限公司 | 一种白平衡校正方法、装置、存储介质及终端设备 |
CN111182217A (zh) * | 2020-01-07 | 2020-05-19 | 徐梦影 | 一种图像白平衡的处理方法和装置 |
CN111182217B (zh) * | 2020-01-07 | 2021-08-10 | 上海海鸥数码照相机有限公司 | 一种图像白平衡的处理方法和装置 |
CN111294576B (zh) * | 2020-02-13 | 2021-11-09 | 展讯通信(上海)有限公司 | 一种自动白平衡处理方法、装置及电子设备 |
CN111294576A (zh) * | 2020-02-13 | 2020-06-16 | 展讯通信(上海)有限公司 | 一种自动白平衡处理方法、装置及电子设备 |
CN113379611A (zh) * | 2020-03-10 | 2021-09-10 | Tcl科技集团股份有限公司 | 图像处理模型的生成方法、处理方法、存储介质及终端 |
CN113379609A (zh) * | 2020-03-10 | 2021-09-10 | Tcl科技集团股份有限公司 | 一种图像处理方法、存储介质及终端设备 |
CN113379609B (zh) * | 2020-03-10 | 2023-08-04 | Tcl科技集团股份有限公司 | 一种图像处理方法、存储介质及终端设备 |
CN112102192A (zh) * | 2020-09-15 | 2020-12-18 | 遵义师范学院 | 一种图像白平衡方法 |
WO2022067761A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、拍摄设备、可移动平台及计算机可读存储介质 |
CN112601063A (zh) * | 2020-12-07 | 2021-04-02 | 深圳市福日中诺电子科技有限公司 | 一种混合色温白平衡方法 |
CN114071109A (zh) * | 2021-11-19 | 2022-02-18 | 信利光电股份有限公司 | 一种改善白平衡不稳定的方法及摄像模组 |
CN114071109B (zh) * | 2021-11-19 | 2024-04-12 | 信利光电股份有限公司 | 一种改善白平衡不稳定的方法及摄像模组 |
CN114612571A (zh) * | 2022-03-07 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 白平衡标定参数生成、图像矫正方法、系统、设备及介质 |
CN116743976A (zh) * | 2023-06-07 | 2023-09-12 | 识光科技(广州)有限责任公司 | 一种直播间色温调整方法、直播方法、系统及存储介质 |
CN116743976B (zh) * | 2023-06-07 | 2024-03-19 | 识光科技(广州)有限责任公司 | 一种直播间色温调整方法、直播方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109729332B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109729332A (zh) | 一种自动白平衡矫正方法和系统 | |
CN109151426B (zh) | 一种白平衡调整方法、装置、相机及介质 | |
CN103826066B (zh) | 一种自动曝光调整方法及系统 | |
CN105187810B (zh) | 一种基于人脸色彩特征的自动白平衡方法及电子媒体装置 | |
US9460521B2 (en) | Digital image analysis | |
CN105578166B (zh) | 一种色温确定方法及装置 | |
CN110033510B (zh) | 建立颜色映射关系用于校正渲染图像颜色的方法及装置 | |
CN107483906B (zh) | 图像的白平衡处理方法、装置和终端设备 | |
CN108234971B (zh) | 白平衡参数确定方法、白平衡调整方法及装置、存储介质、终端 | |
CN104320641B (zh) | 电子照相机的自动白平衡的自动化自我训练的装置及方法 | |
CN104113743B (zh) | 低照度下彩色摄像机自动白平衡处理方法及装置 | |
CN104954772B (zh) | 一种应用于自动白平衡算法的图像近灰色像素选取算法 | |
CN112752023B (zh) | 一种图像调整方法、装置、电子设备及存储介质 | |
CN101390010A (zh) | 具有闪光单元的色彩平衡照相机 | |
CN107483908A (zh) | 白平衡校准方法及电子设备 | |
CN110536051A (zh) | 摄像设备及其控制方法和存储介质 | |
CN102104785A (zh) | 摄像设备及其控制方法 | |
CN109191403A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN105959662A (zh) | 自适应白平衡调整方法及装置 | |
CN101282489A (zh) | 一种光源检测设备和方法及图像处理方法 | |
CN102340673A (zh) | 一种针对交通场景的摄像机白平衡方法 | |
CN103108469A (zh) | 控制照明装置输出光的方法及装置、照明系统 | |
JP2978615B2 (ja) | カラーバランス調整装置及び方法 | |
CN102858072A (zh) | 照明控制方法及系统 | |
CN106357988A (zh) | 白平衡调整方法、装置和终端设备 |
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 |