CN109785248A - 一种用于对图像颜色进行校正的方法及系统 - Google Patents
一种用于对图像颜色进行校正的方法及系统 Download PDFInfo
- Publication number
- CN109785248A CN109785248A CN201811556413.2A CN201811556413A CN109785248A CN 109785248 A CN109785248 A CN 109785248A CN 201811556413 A CN201811556413 A CN 201811556413A CN 109785248 A CN109785248 A CN 109785248A
- Authority
- CN
- China
- Prior art keywords
- image
- correction coefficient
- images
- corrected
- regional area
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于对图像颜色进行校正的方法及系统,其中方法包括:对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像;设置图像的局部区域,图像的局部区域用于计算图像的颜色统计特征;基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;利用多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的图像;按预设的阈值,从多个经过校正的图像中选择校正效果好的图像,获取图像中选择校正效果好的图像的粗调校正系数;对粗调校正系数进行变换,以改善偏色图像的校正效果,获取现场的图像的精调校正系数。
Description
技术领域
本发明涉及图像颜色校正技术领域,更具体地,涉及一种用于对图像颜色进行校正的方法及系统。
背景技术
中医是我们中华民族的瑰宝,是经过数千年很多代人不断完善的智慧结晶。随着时代的发展和社会的进步,以及中医治未病理念的深入人心,中医和现代科技相结合,产生了一系列的现代化成果。除了中药的现代化提取与制作,中医的诊断方法也在向着自动化、数字化的方向发展。正如《古今医统》所说:“望闻问切四字,诚为医之纲领。”即望闻问切组成了中医诊断的四诊。《灵枢·本脏篇》:“视其外应,以知其内脏,则知所病矣。”可知望诊具有非常重要的作用。望诊可以分为面诊和舌诊。
面诊非常具有临床应用价值的诊断方法。面诊,即医生运用望、闻、问、切四诊法来对面部整体以及面部五官进行观察,从而判断人体全身与局部的病变情况。所谓“相由心生”,内在五脏六腑的病理变化或是心理变化,终会表现在脸上的相关区域,所以脸部的望诊最能洞察病机、掌握病情。早在两千年前,中国中医经典著作《黄帝内经》就指出:“十二经脉,三百六十五路,起血气皆上于面而走空(孔)窍。”说明人体内脏功能和气血状况在面部有相应表现,人们可以通过对面部各种状况的观察,来了解人体的健康状态和病情变化。
《辨舌指南》:“辨舌质可辨脏腑的虚实,视舌苔可察六淫之浅深。”舌为心之苗,脾之外候,苔由胃气所生。脏腑通过经脉与舌相联,脏腑病变,可在舌质和舌苔上反映出来。舌诊主要诊断舌质和舌苔的形态、色泽等,以此判断疾病的性质、病势的浅深、气血的盛衰及脏腑的虚实等。
近几年,随着图像处理技术的逐步发展,机器学习和深度学习等人工智能技术的不断成熟,深度卷积神经网络开始应用到中医望诊之中。下面归纳了一些现有的相关专利:
现有图像处理技术也在不断成熟,现有技术1(申请号201110305261.0)公开了《基于图像分析的中医面色识别和检索方法》,现有技术提供一种基于图像分析的中医面色识别和检索方法,属于图像分析和识别领域。现有技术1公开了一个面向中医面诊的检索和识别平台,其特征在于:当用户输入待查询面象,通过人脸检测五官定位等技术分割人脸,提取脏腑对应区域的面色作为特征向量;在识别模块,将待查询面象的特征向量输入分类器,得到面色识别结果;在检索模块,计算待查询面象的特征向量与面象特征数据库中数据的相似度,按相似度从大到小排序,返回相似面象,并给出相似面象的病症描述。
现有技术2(申请号:201710692254.8)《一种应用浅层神经网络的中医面色自动分类方法》,一种应用浅层神经网络进行中医面色自动分类的方法属于计算机视觉领域。设计的浅层网络层数共有5层,采用三种不同的层结构,分别为输入层、特征提取层、输出层。输入层由一个卷积层和修正线性单元组成;特征提取层由3层网络组成,前两层的每层都由一个卷积层和ReLU激活函数组成,在卷积层和ReLU之间都有一个批归一化,并在特征提取层的第二个ReLU后面加入池化层,特征提取层的第三层是一个全连接层,后接一个修正线性单元ReLU;输出层由全连接层组成,后加一个softmax分类器。
然而,现有的望诊方法几乎都会受到图像采集设备以及设备安装环境的影响,尤其是使用场景不一、颜色多变等,即使使用白平衡等算法,也会导致采集图像偏色;从而影响了后续的人脸各个区域的定位以及面部特征分析,也影响了舌体分割以及舌部特征分析,从而导致最终的面诊和舌诊诊断结果有偏差;这些都直接影响了望诊客观化的可行性与准确性。现有的一些白平衡方法也都是对整张图像进行全局计算,有些假设条件其实并不满足,导致颜色校正结果不理想。比如灰色世界法假设自然界景物对于光线的平均反射的均值在总体上是个定值,这个定值近似地为“灰色”。颜色平衡算法将这一假设强制应用于待处理图像,可以从图像中消除环境光的影响,获得原始场景图像。但是这类方法并没有考虑具体的一副图像是否满足上述假设,从而导致颜色校正结果并不理想。
因此,需要一种技术,以实现用于对不同现场环境进行图像颜色进行校正的技术。
发明内容
本发明技术方案提供了一种用于对图像颜色进行校正的方法及系统,以解决如何对不同现场环境的图像颜色进行校正的问题。
为了解决上述问题,本发明提供了一种用于对图像颜色进行校正的方法,所述方法包括:
对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像;
设置所述图像的局部区域,所述图像的局部区域用于计算所述图像的颜色统计特征;
基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推所述多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;
利用所述多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的所述图像;
按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数;
对所述粗调校正系数进行变换,以改善偏色图像的校正效果,获取所述现场的图像的精调校正系数。
优选地,所述对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像,包括:
对现场获取的多个图像的偏色进行初始校正,调整所述现场的多个图像的RGB直方图,获取多个经过初始校正的所述图像。
优选地,设置所述图像的局部区域,包括:
设置所述图像的局部区域为椭圆形或截取所述图像的部分区域。
优选地,所述按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数,包括:
设所述未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
优选地,所述对所述粗调校正系数进行变换,包括:
对所选择校正效果好的图像的粗调校正系数取平均值;
或按照一定的比例增加或减少所述精调校正系数。
基于本发明的另一方面,提供一种用于对图像颜色进行校正的系统,所述系统包括:
初始单元,用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像;
设置单元,用于设置所述图像的局部区域,所述图像的局部区域用于计算所述图像的颜色统计特征;
获取单元,用于基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推所述多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;
校正单元,用于利用所述多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的所述图像;
选择单元,用于按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数;
变换单元,用于对所述粗调校正系数进行变换,以改善偏色图像的校正效果,获取所述现场的图像的精调校正系数。
优选地,所述初始单元用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像,包括:
对现场获取的多个图像的偏色进行初始校正,调整所述现场的多个图像的RGB直方图,获取多个经过初始校正的所述图像。
优选地,所述设置单元用于设置所述图像的局部区域,包括:
设置所述图像的局部区域为椭圆形或截取所述图像的部分区域。
优选地,所述选择单元用于按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数,包括:
设所述未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
优选地,所述变换单元用于对所述粗调校正系数进行变换,包括:
对所选择校正效果好的图像的粗调校正系数取平均值;
或按照一定的比例增加或减少所述精调校正系数。
本发明技术方案提供一种用于对图像颜色进行校正的方法及系统,方法包括:对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像;设置图像的局部区域,图像的局部区域用于计算图像的颜色统计特征;基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;利用多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的图像;按预设的阈值,从多个经过校正的图像中选择校正效果好的图像,获取图像中选择校正效果好的图像的粗调校正系数;对粗调校正系数进行变换,以改善偏色图像的校正效果,获取现场的图像的精调校正系数。本发明技术方案通过使用更有针对性的颜色校正方法,提高了望诊颜色的真实性,从而提高了望诊结果的准确度。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的用于对图像颜色进行校正的方法流程图;
图2为根据本发明优选实施方式的偏色图像及其直方图,以及校正图像及其直方图;
图3为根据本发明优选实施方式的用于对图像颜色进行校正的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种用于对图像颜色进行校正的方法流程图。在中医通过对患者的图像进行望诊时,一般是通过望诊设备中的摄像头采集人脸或者舌头图像。因为设备安装的环境不同,光线不同,会造成摄像头采集到的目标对象的图像是偏色的。这种偏色图像用于后续处理会有问题,比如舌色苔色不准确等问题。望诊算法对应的望诊代码也都在这套望诊设备上。这套设备都是全自动的;只是在设备刚安装到一个地点后,需要人工调整颜色校正系数。本申请首先通过人工对偏色图像进行校正,这一步的目的是为了找出一组校正系数;但是这组校正系数可能并不精确,需要去设备安装现场再次调整。本申请通过对校正系数进行调整,得到了一组理想的校正系数。以后再使用这套设备时,就不需要人工干预了,可以自动实现对摄像头采集图像到颜色校正,再到望诊算法分析出望诊结果。本申请目的就是要找出这个比较理想的变换系数,通过自动对偏色图像进行校正,使校正后的图像用于设备的自动化处理与分析。如图1所示,一种用于对图像颜色进行校正的方法,方法包括:
优选地,在步骤101:对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像。优选地,对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像,包括:对现场获取的多个图像的偏色进行初始校正,调整所述现场的多个图像的RGB直方图,获取多个经过初始校正的所述图像。本申请通过使用人工校正偏色图像,首先采集多幅不同使用场景中的典型偏色图像,颜色校正专业人员观察现场情况,并使用Photoshop调整RGB直方图,直至把偏色图像恢复到接近现场情况为止。如图2所示。
优选地,在步骤102:设置图像的局部区域,图像的局部区域用于计算图像的颜色统计特征。优选地,设置所述图像的局部区域,包括:设置所述图像的局部区域为椭圆形或截取所述图像的部分区域。本申请使用图像的局部区域颜色统计特征。本申请利用图像进行的望诊方法用在了比较开放的环境中,根据环境的不同,采集摄像头会摄取到很多偏色图像,本申请使用颜色校正作为望诊的预处理环节,解决了不同现场环境获取的诊疗对象图像的偏色问题。例如,对于面诊和舌诊,本申请使用了不同的局部区域作为颜色统计区域,面诊使用了人脸椭圆区域、舌诊使用了输入图像的上部三分之一区域。后续的颜色校正公式中的均值是在这个局部区域中计算出来的。
优选地,在步骤103:基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数。优选地,在步骤104:利用多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的图像。
优选地,在步骤105:按预设的阈值,从多个经过校正的图像中选择校正效果好的图像,获取图像中选择校正效果好的图像的粗调校正系数。优选地,所述按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数,包括:设所述未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
优选地,在步骤106:对粗调校正系数进行变换,以改善偏色图像的校正效果,获取现场的图像的精调校正系数。
优选地,对粗调校正系数进行变换,包括:对所选择校正效果好的图像的粗调校正系数取平均值;或按照一定的比例增加或减少精调校正系数。
本申请利用典型偏色图像,和人工校正后的图像,反推校正系数。每一对(典型图像,校正后图像)都会得到一组变换系数,比如有5张典型偏色图像,得到5组校正系数。将5组系数分别用于校正5张偏图像(每组5个图像),这样就会得到5组校正后的图像。
本申请中,一对图像(偏色图像和校正图像)对应一组变换系数,并不特别针对诊疗人。从偏色图像A和人工校正图像A′,可以由颜色校正公式计算出一组校正系数αβλ;从偏色图像B和人工校正图像B′,可以由颜色校正公式计算出一组校正系数αβλ;有几张偏色图像就会得到几组校正系数。这个偏色图像中的人最好是穿着不同颜色衣服的人;可以是同一个人,也可以是不同的人。摄像头正对着的墙的颜色,室内灯光,衣服颜色等都可能会引起偏色。
本申请从5组校正后的图像中选出一组或二组校正效果最好的图像,效果较好的图像的二组校正系数作为理想的校正系数。然后,可以认为是使用这5组校正系数分别都作用到5张典型偏色图像上。从上面的选择的2组系数中再调整一下,得到1组效果更好的校正系数。比如上述2组系数中的α分别为1.6,1.5。若想找到更好的α,例如,可以试试(1.6+1.5)/2=1.55是不是合适。如果1.55合适,则调整其他系数;如果1.55不合适,后续可能需要再试试(1.55+1.6)/2=1.575是不是合适。同样的方法调整βλ,反复多次后,会得到一组满意的校正系数。将校正系数用到望诊设备中,再微调一下校正系数,比如α从1.55调整到1.56或者1.54,需要观察最后的效果;如果感觉效果可以,也可以不进行微调。这一步是为了更好地适应望诊设备安装现场的情况。
例如,有5个典型的偏色图像,那么可以从偏色图像ABCDE和人工校正图像A′B′C′D′E′反推出5组校正系数αAβAλA到αEβEλE。用这5组校正系数分别作用到5个典型偏色图像后,选择两组效果比较好的;把对应的这两组变换系数进行精调。5张偏色图像和相应的人工校正图像反推出5组校正系数。
图3为根据本发明优选实施方式的用于对图像进行校正的系统结构图。如图3所示,一种用于对图像进行校正的系统,系统包括:
初始单元301,用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像。优选地,初始单元用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的图像,包括:对现场获取的多个图像的偏色进行初始校正,调整现场的多个图像的RGB直方图,获取多个经过初始校正的图像。
设置单元302,用于设置图像的局部区域,图像的局部区域用于计算图像的颜色统计特征。优选地,设置单元用于设置图像的局部区域,包括:设置图像的局部区域为椭圆形或截取图像的部分区域。
获取单元303,用于基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数。
校正单元304,用于利用多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的图像。
选择单元305,用于按预设的阈值,从多个经过校正的图像中选择校正效果好的图像,获取图像中选择校正效果好的图像的粗调校正系数。优选地,选择单元305用于按预设的阈值,从多个经过校正的图像中选择校正效果好的图像,获取图像中选择校正效果好的图像的粗调校正系数,包括:
设未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
变换单元306,用于对粗调校正系数进行变换,以改善偏色图像的校正效果,获取现场的图像的精调校正系数。
优选地,变换单元306用于对粗调校正系数进行变换,包括:
对所选择校正效果好的图像的粗调校正系数取平均值;
或按照一定的比例增加或减少精调校正系数。
本发明优选实施方式的用于对图像进行校正的系统300与本发明另一优选实施方式的用于对图像进行校正的方法100相对应,在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (10)
1.一种用于对图像颜色进行校正的方法,所述方法包括:
对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像;
设置所述图像的局部区域,所述图像的局部区域用于计算所述图像的颜色统计特征;
基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推所述多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;
利用所述多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的所述图像;
按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数;
对所述粗调校正系数进行变换,以改善偏色图像的校正效果,获取所述现场的图像的精调校正系数。
2.根据权利要求1所述的方法,所述对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像,包括:
对现场获取的多个图像的偏色进行初始校正,调整所述现场的多个图像的RGB直方图,获取多个经过初始校正的所述图像。
3.根据权利要求1所述的方法,设置所述图像的局部区域,包括:
设置所述图像的局部区域为椭圆形或截取所述图像的部分区域。
4.根据权利要求1所述的方法,所述按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数,包括:
设所述未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
5.根据权利要求1所述的方法,所述对所述粗调校正系数进行变换,包括:
对所选择校正效果好的图像的粗调校正系数取平均值;
或按照一定的比例增加或减少所述精调校正系数。
6.一种用于对图像颜色进行校正的系统,所述系统包括:
初始单元,用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像;
设置单元,用于设置所述图像的局部区域,所述图像的局部区域用于计算所述图像的颜色统计特征;
获取单元,用于基于多个未经处理的偏色的图像和多个经过初始校正的图像,反推所述多个经过校正的图像的局部区域的颜色校正公式的多组校正系数,获取多组校正系数;
校正单元,用于利用所述多组校正系数分别对多个未经处理的偏色的图像进行校正,获取多个经过校正的所述图像;
选择单元,用于按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数;
变换单元,用于对所述粗调校正系数进行变换,以改善偏色图像的校正效果,获取所述现场的图像的精调校正系数。
7.根据权利要求6所述的系统,所述初始单元用于对现场获取的多个图像的偏色进行初始校正,获取多个经过初始校正的所述图像,包括:
对现场获取的多个图像的偏色进行初始校正,调整所述现场的多个图像的RGB直方图,获取多个经过初始校正的所述图像。
8.根据权利要求6所述的系统,所述设置单元用于设置所述图像的局部区域,包括:
设置所述图像的局部区域为椭圆形或截取所述图像的部分区域。
9.根据权利要求6所述的系统,所述选择单元用于按预设的阈值,从所述多个经过校正的所述图像中选择校正效果好的图像,获取所述图像中选择校正效果好的图像的粗调校正系数,包括:
设所述未经处理的图像的局部区域的像素为RGB,均值为经过初始校正的像素为R′G′B′,均值为校正系数为αβλ;
颜色校正公式如下:
直接用均值代入上式,计算得到校正系数:
10.根据权利要求6所述的系统,所述变换单元用于对所述粗调校正系数进行变换,包括:
对所选择校正效果好的图像的粗调校正系数取平均值;
或按照一定的比例增加或减少所述精调校正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556413.2A CN109785248A (zh) | 2018-12-19 | 2018-12-19 | 一种用于对图像颜色进行校正的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556413.2A CN109785248A (zh) | 2018-12-19 | 2018-12-19 | 一种用于对图像颜色进行校正的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785248A true CN109785248A (zh) | 2019-05-21 |
Family
ID=66497317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556413.2A Pending CN109785248A (zh) | 2018-12-19 | 2018-12-19 | 一种用于对图像颜色进行校正的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785248A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996173A (zh) * | 2019-12-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置及存储介质 |
CN111898448A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
CN112348807A (zh) * | 2020-11-27 | 2021-02-09 | 安徽大学 | 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004289368A (ja) * | 2003-03-20 | 2004-10-14 | Ricoh Co Ltd | 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム及び記録媒体 |
JP2008244794A (ja) * | 2007-03-27 | 2008-10-09 | Olympus Corp | 画像処理装置、及び、画像処理方法 |
CN101398652A (zh) * | 2007-09-28 | 2009-04-01 | 富士施乐株式会社 | 图像形成装置和图像形成方法 |
CN102077267A (zh) * | 2008-07-03 | 2011-05-25 | 夏普株式会社 | 图像显示装置以及图像显示方法 |
CN102216760A (zh) * | 2008-10-09 | 2011-10-12 | 欧珀生产商澳大利亚有限公司 | 用于宝石的评定、估价、分级的改进装置和方法 |
CN104301621A (zh) * | 2014-09-28 | 2015-01-21 | 北京凌云光技术有限责任公司 | 图像处理方法、装置及终端 |
CN104754313A (zh) * | 2013-12-31 | 2015-07-01 | 联想(北京)有限公司 | 一种图像获取方法及电子设备 |
CN107526292A (zh) * | 2017-09-18 | 2017-12-29 | 华中科技大学 | 一种基于入口NOx浓度预测的调控喷氨量的方法 |
CN107615749A (zh) * | 2016-04-13 | 2018-01-19 | 索尼公司 | 信号处理装置和成像装置 |
CN107863060A (zh) * | 2017-11-28 | 2018-03-30 | 青岛海信电器股份有限公司 | 一种图像色彩校正的方法及装置 |
CN108416817A (zh) * | 2018-02-01 | 2018-08-17 | 上海奕瑞光电子科技股份有限公司 | 一种残影校正系数自动获得方法 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及系统 |
-
2018
- 2018-12-19 CN CN201811556413.2A patent/CN109785248A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004289368A (ja) * | 2003-03-20 | 2004-10-14 | Ricoh Co Ltd | 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム及び記録媒体 |
JP2008244794A (ja) * | 2007-03-27 | 2008-10-09 | Olympus Corp | 画像処理装置、及び、画像処理方法 |
CN101398652A (zh) * | 2007-09-28 | 2009-04-01 | 富士施乐株式会社 | 图像形成装置和图像形成方法 |
CN102077267A (zh) * | 2008-07-03 | 2011-05-25 | 夏普株式会社 | 图像显示装置以及图像显示方法 |
CN102216760A (zh) * | 2008-10-09 | 2011-10-12 | 欧珀生产商澳大利亚有限公司 | 用于宝石的评定、估价、分级的改进装置和方法 |
CN104754313A (zh) * | 2013-12-31 | 2015-07-01 | 联想(北京)有限公司 | 一种图像获取方法及电子设备 |
CN104301621A (zh) * | 2014-09-28 | 2015-01-21 | 北京凌云光技术有限责任公司 | 图像处理方法、装置及终端 |
CN107615749A (zh) * | 2016-04-13 | 2018-01-19 | 索尼公司 | 信号处理装置和成像装置 |
CN107526292A (zh) * | 2017-09-18 | 2017-12-29 | 华中科技大学 | 一种基于入口NOx浓度预测的调控喷氨量的方法 |
CN107863060A (zh) * | 2017-11-28 | 2018-03-30 | 青岛海信电器股份有限公司 | 一种图像色彩校正的方法及装置 |
CN108416817A (zh) * | 2018-02-01 | 2018-08-17 | 上海奕瑞光电子科技股份有限公司 | 一种残影校正系数自动获得方法 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996173A (zh) * | 2019-12-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置及存储介质 |
CN110996173B (zh) * | 2019-12-18 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置及存储介质 |
CN111898448A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
CN111898448B (zh) * | 2020-06-30 | 2023-10-24 | 北京大学 | 一种基于深度学习的行人属性识别方法和系统 |
CN112348807A (zh) * | 2020-11-27 | 2021-02-09 | 安徽大学 | 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 |
CN112348807B (zh) * | 2020-11-27 | 2022-11-18 | 安徽大学 | 一种基于轮廓像素统计的内窥镜高亮点修复方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785248A (zh) | 一种用于对图像颜色进行校正的方法及系统 | |
Cardoso et al. | Towards an intelligent medical system for the aesthetic evaluation of breast cancer conservative treatment | |
CN106530263A (zh) | 一种适应于医学影像的单曝光高动态范围图像生成方法 | |
CN109637660A (zh) | 一种基于深度卷积神经网络的舌诊分析方法及系统 | |
US20080139966A1 (en) | Automatic tongue diagnosis based on chromatic and textural features classification using bayesian belief networks | |
CN104146724A (zh) | 一种数字x光机自动曝光控制方法及装置 | |
CN112785603B (zh) | 一种基于Unet和超像素的脑组织分割方法 | |
US8666135B2 (en) | Image processing apparatus | |
CN113256641A (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
CN109859139B (zh) | 彩色眼底图像的血管增强方法 | |
CN110495888B (zh) | 一种基于中医舌、面图像的标准色卡及其应用 | |
EP3459426A2 (en) | Medical image processing system with a light source unit, an image acquisition unit and an index value acquisition unit for assessing the visibility of red blood cells or the degree of irregularity of a gland duct structure | |
CN109242792B (zh) | 一种基于白色物体的白平衡校对方法 | |
CN109598297A (zh) | 一种舌苔舌质分析方法、系统、计算机设备和存储介质 | |
CN107424167A (zh) | 一种毛孔定位识别的方法和装置 | |
CN109636864A (zh) | 一种基于颜色校正与深度卷积神经网络的舌分割方法及系统 | |
CN110033448B (zh) | 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法 | |
Bingol | Classification of OME with Eardrum Otoendoscopic Images Using Hybrid-Based Deep Models, NCA, and Gaussian Method. | |
CN103985113B (zh) | 舌像分割方法 | |
CN112102234A (zh) | 基于目标检测神经网络的耳硬化病灶检测及诊断系统 | |
CN112419246A (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
CN110288588A (zh) | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 | |
CN109711306A (zh) | 一种基于深度卷积神经网络获取面部特征的方法及设备 | |
CN110168604A (zh) | 图像处理装置、图像处理方法和图像处理程序 | |
KR20110057573A (ko) | 혀 영상을 이용한 컬러 정보 분할 방법 |
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 |