CN109859117A - 一种采用神经网络直接校正rgb值的图像颜色校正方法 - Google Patents
一种采用神经网络直接校正rgb值的图像颜色校正方法 Download PDFInfo
- Publication number
- CN109859117A CN109859117A CN201811644218.5A CN201811644218A CN109859117A CN 109859117 A CN109859117 A CN 109859117A CN 201811644218 A CN201811644218 A CN 201811644218A CN 109859117 A CN109859117 A CN 109859117A
- Authority
- CN
- China
- Prior art keywords
- color
- neural network
- rgb value
- parameter
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000012937 correction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 abstract description 13
- 238000000576 coating method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 11
- 239000003086 colorant Substances 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000002485 combustion reaction Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 241000532370 Atla Species 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种采用神经网络直接校正RGB值的图像颜色校正方法，属于空气动力学实验测量技术领域，本发明的方法步骤如下：1）建立基于神经网络算法的图像RGB颜色校正模型；2）以颜色校准卡为基准颜色，训练神经网络颜色校正模型的参数；3）校正新图像的RGB值：以相机拍摄的图像RGB值作为神经网络的输入，在其输出端可以得到颜色校正后的图像RGB值。本发明的方法避免了现有技术中图像颜色校正方法用于SSLC涂层实验测量技术时的繁琐的步序，以及变换过程中信息的丢失问题；且本发明方法简单、直接，特别适合用于SSLC涂层测量技术，也可用于其它需要准确测量颜色的场合。
Description
技术领域
本发明属于空气动力学实验测量技术领域，涉及一种图像颜色校准方法，具体是指一种采用神经网络直接校正RGB值的图像颜色校正方法。
背景技术
壁面摩擦力是空气动力学领域的一个重要参数，准确测量壁面摩擦阻力在边界层理论研究、流动控制效果评估、飞行器减阻研究等领域具有重要的意义。剪切敏感液晶(shear-sensitive liquid crystal,SSLC)涂层技术是一种非接触式测量壁面摩擦力矢量场的方法。这种方法的原理是在待测表面喷涂一层SSLC涂层(厚度约为10um)，当SSLC涂层受到气流的摩擦力时，在不同方向呈现出不同的颜色，通过对SSLC涂层在不同方向显示的颜色进行分析处理，可以解算出待测壁面的摩擦力矢量场(AIAA Journal,1997,35(4):608-614)。
由SSLC涂层技术的测量原理可知，准确测量颜色是应用SSLC涂层技术测量壁面摩擦力场的一项重要基础技术。由于照射光源、相机质量、相机参数设置、以及周围反射环境的干扰等因素的影响，相机拍摄的颜色和真实颜色之间必然存在差异，需要对相机拍摄的图像颜色进行校正处理，减小误差。以Macbeth色卡为代表的各种颜色校准卡提供了多种标准颜色的色块。目前，传统的颜色校正方法是将相机测量的色卡颜色(即RGB分量值)映射到CIEXYZ色彩空间(或者CIELAB空间)。由于SSLC测量技术需要根据颜色的RGB分量计算颜色的色调(Hue)值用于进一步分析处理和解算摩擦力矢量场，因而如果采用前述传统的颜色校准方法，需要将校准后的CIELAB空间的颜色变换至RGB空间的颜色，但是CIELAB空间的颜色并不能直接变换至RGB颜色，需要首先将其转换至CIEXYZ颜色，然后再转换至RGB颜色，比较繁琐。此外，CIELAB颜色空间比RGB颜色空间的范围更大，这种变换必然会导致信息丢失。
发明内容
本发明结合空气动力学实验中SSLC涂层测量技术的需求，针对现有图像颜色校正技术中存在的缺陷，公开了一种采用神经网络直接校正RGB值的图像颜色校正方法，应用神经网络直接在RGB空间对图像颜色进行校正，并且直接校准到标准的RGB颜色，避免了现有技术中繁琐的转换步序等弊端。
本发明是这样实现的：
本发明公开了一种采用神经网络直接校正RGB值的图像颜色校正方法，具体步骤如下：
步骤一、建立基于神经网络算法的图像RGB颜色校正模型，直接将相机拍摄的图像RGB值校准至的标准的RGB颜色空间；
步骤二、训练上述神经网络RGB颜色校正模型的参数；
步骤三、校正新图像的RGB值：将相机拍摄的图像的RGB值作为步骤一中神经网络的输入，在神经网络的输出端可以得到颜色校正后的图像。
本发明的方法与传统的图像颜色校正方法相比，更加简单直接，并且便于后续计算颜色的Hue值用于SSLC涂层测量技术等特定场合。
进一步，所述的步骤一具体为：
建立的基于神经网络算法的图像颜色校正模型，包括输入层、输出层和隐含层；所述的神经网络隐含层的神经元数量为n1，输入变量和输出变量均为3×1向量，分别表示颜色校正前后的颜色RGB分量；参数ω1是n1×3矩阵，表示输入层与隐含层之间的权重；参数b1是n1×1向量，表示输入层与隐含层之间的偏差；参数ω2是3×n1矩阵，表示隐含层与输出层之间的权重，参数b2是3×1向量，表示隐含层与输出层之间的偏差；隐含层采用对数S型传递函数，输出层采用线性传递函数；神经网络的输入变量是相机拍摄的颜色的RGB三个分量值：RM,GM,BM；输出变量是经过神经网络校正的颜色的RGB分量值：RO,GO,BO。
进一步，所述的步骤二具体为：
2.1，拍摄颜色校准卡：将颜色校准卡置于需要测量颜色的位置，采用相机对其拍照，得到相机拍摄的颜色校准卡中的每个彩色色块的RGB值；
2.2，训练神经网络参数：对相机测量得到的颜色校准卡的彩色色块的RGB值进行归一化处理，作为神经网络的输入，对颜色校准卡的彩色色块的实际RGB值进行归一化处理，作为神经网络的期望输出值，以实际输出和期望输出的误差的平方和最小为目标，应用梯度算法训练神经网络的参数，即神经网络的权重和偏差；
2.3，检验神经网络参数的训练效果：计算经过神经网络校正之后数码相机测量的每个纯彩色色块的RGB值相对于实际值的误差，统计出误差的均值和均方差；计算经过神经网络校正之后相机测量的每个纯彩色色块的颜色Hue值相对于实际值的误差，统计出均值和均方差；
从图像颜色的RGB值计算颜色Hue值的方法如下：
其中，H表示颜色的Hue值，R、G、B分别为颜色的RGB值的红、绿、蓝分量，θ为参数。这种色彩空间变换方法将红色(R＝255，G＝0，B＝0)变换至0rad(即0°)，绿色(R＝0，G＝255，B＝0)变换至2π/3rad(即120°)，蓝色(R＝0，G＝0，B＝255)变换至4π/3rad(即240°)。
进一步，所述的步骤二中网络参数的训练算法具体为：将输入和期望输出的颜色RGB值归一化至区间[-1,1]，按照误差反向传播原理，采用负梯度法优化网络参数，使得实际输出和期望输出的误差的平方和最小化。
进一步，所述的步骤二中采用的颜色校准卡的m个纯彩色色块作为标准颜色训练神经网络颜色校正模型的参数，具体步骤如下：
拍摄颜色校准卡：将颜色校准卡置于颜色测量对象的位置，采用相机对其拍照，得到相机拍摄的颜色校准卡的每个纯彩色色块的RGB值；
训练神经网络参数：对相机测量的颜色校准卡的m个纯彩色色块的RGB值进行归一化处理，作为神经网络的输入，对颜色校准卡的m个纯彩色色块的实际RGB值进行归一化处理，作为神经网络的期望输出值，以实际输出和期望输出的误差的平方和最小为训练目标，应用梯度算法，训练神经网络的参数；在神经网络的参数训练算法中，xM为3×m矩阵，表示相机拍摄得到的颜色校准卡的m个纯彩色色块的RGB值，每列对应1种颜色的RGB值；xH为n1×m矩阵，表示隐含层的输出；xO为3×m矩阵，表示输出层的输出，每列对应1种颜色的RGB值；xE为3×m矩阵，表示颜色校准卡的m个纯彩色色块的实际RGB值，每列对应1种颜色的RGB值；η是神经网络的学习速度；Nmax为网络参数的最大训练次数；ε是用于判断网络参数训练过程中是否达到精度要求的误差限，默认值为ε＝0.0001。
进一步，相机在拍照时的参数设置和工作环境，包括光照环境、周围光线反射环境、以及光源、相机和观测对象之间的位置关系必须与颜色校正时一致，前述颜色校正才是有效的；否则，需要重复步骤二，重新训练神经网络的参数。
本发明与现有技术相比的有益效果在于：
本发明结合SSLC涂层测量技术的需求，给出一种基于神经网络校正的图像颜色的方法，其特色之处是：应用神经网络直接在RGB空间对图像颜色进行校正，避免了现有技术中的图象颜色校正方法用于SSLC涂层实验测量技术时需要反复进行颜色空间变换的繁琐的步序，以及变换过程中颜色信息的丢失问题；且本发明方法简单、直接，特别适合用于空气动力学实验中的SSLC涂层测量技术，也可用于其它需要准确测量颜色的场合。
附图说明
图1为本发明基于神经网络建立的图像颜色校正模型示意图；
图2为本发明的神经网络参数训练方法的流程图；
图3为本发明实施案例中拍摄的Macbeth颜色校准卡；
图4为本发明实施案例中Macbeth颜色校准卡的RGB值校正效果；
图5为本发明实施案例中Macbeth颜色校准卡的Hue值校正效果。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚，明确，以下列举实例对本发明进一步详细说明。应当指出此处所描述的具体实施仅用以解释本发明，并不用于限定本发明。
步骤一，基于神经网络建立图像RGB颜色校正模型，如图1所示，本发明建立的神经网络包括输入层、输出层和隐含层。隐含层的神经元数量取n1＝10，输入变量和输出变量均为3×1向量，分别表示颜色校正前后的颜色RGB分量；参数ω1是n1×3矩阵，表示输入层与隐含层之间的权重；参数b1是n1×1向量，表示输入层与隐含层之间的偏差；参数ω2是3×n1矩阵，表示隐含层与输出层之间的权重，参数b2是3×1向量，表示隐含层与输出层之间的偏差；隐含层采用对数S型传递函数，输出层采用线性传递函数；神经网络的输入变量是相机拍摄的RGB颜色值：RM,GM,BM；输出变量是校正后的RGB颜色值：RO,GO,BO。
步骤二：训练神经网络RGB颜色校正模型的参数，本实施例中采用Macbeth颜色校准卡的前18个纯彩色色块训练神经网络颜色校正模型的参数，需要说明的是本专利中的神经网络参数训练不局限于采用Macbeth颜色校正卡，也可采用其它颜色内容更加丰富的颜色校正卡：
2.1，拍摄Macbeth颜色校准卡，采用20W卤钨小灯泡置于色卡正上方120cm处提供照射光源，采用单反数码相机(Canon 80D，日本生产)进行拍照，相机采用手动模式(光圈半径F＝11，曝光时间T＝1/4s，感光度ISO＝3200，采用18％灰度卡自定义白平衡)。图3为拍摄的Macbeth颜色校准卡。
2.2，训练神经网络参数：从相机拍摄的Macbeth颜色校准卡的照片中提取前18个纯彩色色块的RGB值(Macbeth颜色校准卡的最后一行的6种颜色为灰度颜色，本实施案例校准彩色颜色时不需要用到)，结果如表1所示。
表1相机拍摄测量的Macbeth颜色校准卡的RGB值
作为常用的标准颜色校准卡之一，Macbeth颜色校准卡中每个彩色色块的实际RGB值是已知的，具体如表2所示。
表2Macbeth颜色校准卡的实际RGB值
对Macbeth颜色校准卡的18个纯彩色色块的RGB颜色的相机测量值和实际值进行归一化处理，分别作为神经网络的输入和期望输出，以实际输出和期望输出的误差的平方和最小为训练目标，应用梯度算法训练神经网络的参数，即神经网络的权重和偏差，具体算法如图2所示。其中，网络参数的初值在区间(0,1)上随机生成，神经网络的学习速度η＝0.035，参数的最大训练次数Nmax＝10000，判断训练是否达到要求精度的误差限采用默认值。
2.3，检验神经网络参数的训练效果。图4给出了颜色校正前后相机测量的Macbeth颜色校准卡的每个纯彩色色块的RGB值和这些色块的实际RGB值的对比。可见，在颜色校正之前，相机测量的色卡的每个色块的RGB值与实际RGB值差别较大(测量误差的均值为E＝63.6，标准差为σ＝63.6)；采用本专利的方法进行颜色校正之后，相机测量的颜色校准卡的每个色块的RGB值和其实际值非常接近(测量误差的均值为E＝0.0，标准差为σ＝0.4)。
图5给出了颜色校正前后相机测量的Macbeth颜色校准卡的每个彩色色块的Hue值和其实际Hue值的对比。可见，经过颜色校正，显著提高了相机测量颜色校准卡的每个彩色色块的Hue值的精度。在颜色校正前，相机测量的Hue值误差的均值为E＝6.4°，标准差为σ＝12.9°；颜色校正之后，相机测量的Hue值误差均值为E＝0.0°，标准差为σ＝0.3°。进一步测试表明，对于非样本颜色，该神经网络颜色校正模型仍然能够起到较好的颜色校正作用，并且随着颜色校准卡所包含的彩色色块颜色种类增加，颜色校正模型变得更加鲁棒。
步骤三，校正新图像的RGB颜色值；采用相机对观察对象进行拍照(即测量颜色)，将拍摄得到的图像的每个像素的RGB颜色值进行归一化处理，作为神经网络的输入，在神经网络的输出端可以得到归一化的校正RGB颜色值，将其按照归一化的方法进行逆变换，即可得到颜色校正后的图像RGB值。
需要说明的是，相机在拍照时的参数设置和工作环境(包括照射光源、周围光线反射环境、以及光源、相机和观测对象之间的位置关系)必须与颜色校正时一致，前述用于颜色校正的神经网络模型的参数才是有效的；否则，需要重复步骤二，重新训练神经网络模型的参数。
以上所述仅是本发明的实施方式案例，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (6)
1.一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，步骤如下：
步骤一、建立基于神经网络算法的图像RGB颜色校正模型，直接将相机拍摄的图像RGB值校准至的标准的RGB颜色空间；
步骤二、训练上述神经网络RGB颜色校正模型的参数；
步骤三、校正新图像的RGB值：将相机拍摄的图像的RGB值作为步骤一中神经网络的输入，在神经网络的输出端即可得到颜色校正后的图像RGB值。
2.根据权利要求1所述的一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，所述的步骤一具体为：
建立的基于神经网络算法的图像颜色校正模型，包括输入层、输出层和隐含层；所述的神经网络隐含层的神经元数量为n1，输入变量和输出变量均为3×1向量，分别表示颜色校正前后的颜色RGB值；参数ω1是n1×3矩阵，表示输入层与隐含层之间的权重；参数b1是n1×1向量，表示输入层与隐含层之间的偏差；参数ω2是3×n1矩阵，表示隐含层与输出层之间的权重，参数b2是3×1向量，表示隐含层与输出层之间的偏差；隐含层采用对数S型传递函数，输出层采用线性传递函数；神经网络的输入变量是相机拍摄的颜色的RGB三个分量值：RM,GM,BM；输出变量是经过神经网络校正的颜色的RGB分量值：RO,GO,BO。
3.根据权利要求1所述的一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，所述的步骤二具体为：
2.1，拍摄颜色校准卡：将颜色校准卡置于需要测量颜色的位置，采用相机对其拍照，得到相机拍摄的颜色校准卡中的每个彩色色块的RGB值；
2.2，训练神经网络参数：对相机测量得到的颜色校准卡的彩色色块的RGB值进行归一化处理，作为神经网络的输入，对颜色校准卡的彩色色块的实际RGB值进行归一化处理，作为神经网络的期望输出值，以实际输出和期望输出的误差的平方和最小为目标，应用梯度算法训练神经网络的参数，即神经网络的权重和偏差；
2.3，检验神经网络参数的训练效果：计算经过神经网络校正之后数码相机测量的每个纯彩色色块的RGB值相对于实际值的误差，统计出误差的均值和均方差；计算经过神经网络校正之后相机测量的每个纯彩色色块的颜色色调Hue值相对于实际值的误差，统计出误差的均值和均方差；
从图像颜色的RGB值计算颜色的Hue值的方法如下：
其中，H表示颜色的Hue值，R、G、B分别为颜色的RGB值的红、绿、蓝分量，θ为参数。
4.根据权利要求3所述的一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，所述的步骤二中网络参数的训练算法具体为：将输入和期望输出的颜色RGB值归一化至区间[-1,1]，按照误差反向传播原理，采用负梯度法优化网络参数，使得实际输出和期望输出的误差的平方和最小化。
5.根据权利要求3所述的一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，所述的步骤二中采用的颜色校准卡的m个纯彩色色块作为标准颜色训练神经网络颜色校正模型的参数，具体步骤如下：
拍摄颜色校准卡：将颜色校准卡置于颜色测量对象的位置，采用相机对其拍照，得到相机拍摄的颜色校准卡的每个纯彩色色块的RGB值；
训练神经网络参数：对相机测量的颜色校准卡的m个纯彩色色块的RGB值进行归一化处理，作为神经网络的输入，对颜色校准卡的m个纯彩色色块的实际RGB值进行归一化处理，作为神经网络的期望输出值，以实际输出和期望输出的误差的平方和最小为训练目标，应用梯度算法，训练神经网络的参数；在神经网络的参数训练算法中，xM为3×m矩阵，表示相机拍摄得到的颜色校准卡的m个纯彩色色块的RGB值，每列对应1种颜色的RGB值；xH为n1×m矩阵，表示隐含层的输出；xO为3×m矩阵，表示输出层的输出，每列对应1种颜色的RGB值；xE为3×m矩阵，表示颜色校准卡的m个纯彩色色块的实际RGB值，每列对应1种颜色的RGB值；η是神经网络的学习速度；Nmax为网络参数的最大训练次数；ε是用于判断网络参数训练过程中是否达到精度要求的误差限，默认值为ε＝0.0001。
6.根据权利要求1所述的一种采用神经网络直接校正RGB值的图像颜色校正方法，其特征在于，相机在拍照时的参数设置和工作环境，包括光照环境、周围光线反射环境、以及光源、相机和观测对象之间的位置关系必须与颜色校正时一致，前述颜色校正才是有效的；否则，需要重复步骤二，重新训练神经网络的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644218.5A CN109859117A (zh) | 2018-12-30 | 2018-12-30 | 一种采用神经网络直接校正rgb值的图像颜色校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644218.5A CN109859117A (zh) | 2018-12-30 | 2018-12-30 | 一种采用神经网络直接校正rgb值的图像颜色校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109859117A true CN109859117A (zh) | 2019-06-07 |
Family
ID=66893500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811644218.5A Pending CN109859117A (zh) | 2018-12-30 | 2018-12-30 | 一种采用神经网络直接校正rgb值的图像颜色校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859117A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443860A (zh) * | 2019-08-03 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种利用人工智能实现颜色对结构色设计的方法 |
| WO2021114184A1 (zh) * | 2019-12-12 | 2021-06-17 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及其装置 |
| CN113542593A (zh) * | 2021-06-16 | 2021-10-22 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
| CN114513585A (zh) * | 2022-03-08 | 2022-05-17 | 卡乐微视科技(云南)有限公司 | 一种从照相机到打印机颜色再现方法 |
| WO2022222585A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
| WO2022267799A1 (zh) * | 2021-06-23 | 2022-12-29 | 中国石油化工股份有限公司 | 水质检测方法及水质检测装置 |
| CN117544847A (zh) * | 2023-10-31 | 2024-02-09 | 神力视界(深圳)文化科技有限公司 | 一种色彩转换方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1333000A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 一种人体瘢痕增生的色度分析方法 |
| CN103954362A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于成像设备的数字测色方法 |
| CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
| 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 |
-
2018
- 2018-12-30 CN CN201811644218.5A patent/CN109859117A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1333000A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 一种人体瘢痕增生的色度分析方法 |
| CN103954362A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于成像设备的数字测色方法 |
| CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
| 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 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443860A (zh) * | 2019-08-03 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种利用人工智能实现颜色对结构色设计的方法 |
| CN110443860B (zh) * | 2019-08-03 | 2023-11-24 | 南京戎智信息创新研究院有限公司 | 一种利用人工智能实现颜色对结构色设计的方法 |
| WO2021114184A1 (zh) * | 2019-12-12 | 2021-06-17 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及其装置 |
| WO2022222585A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
| CN113542593A (zh) * | 2021-06-16 | 2021-10-22 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| CN113542593B (zh) * | 2021-06-16 | 2023-04-07 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| WO2022267799A1 (zh) * | 2021-06-23 | 2022-12-29 | 中国石油化工股份有限公司 | 水质检测方法及水质检测装置 |
| EP4343307A4 (en) * | 2021-06-23 | 2024-10-16 | China Petroleum & Chem Corp | WATER QUALITY TESTING METHOD AND WATER QUALITY TESTING APPARATUS |
| CN114513585A (zh) * | 2022-03-08 | 2022-05-17 | 卡乐微视科技(云南)有限公司 | 一种从照相机到打印机颜色再现方法 |
| CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
| CN117544847A (zh) * | 2023-10-31 | 2024-02-09 | 神力视界(深圳)文化科技有限公司 | 一种色彩转换方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859117A (zh) | 一种采用神经网络直接校正rgb值的图像颜色校正方法 | |
| CN107730493A (zh) | 产品颜色差异检测方法、装置、介质以及计算机设备 | |
| CN108020519B (zh) | 一种基于颜色恒常性的虚拟多光源光谱重建方法 | |
| CN101324749B (zh) | 在纹理平面上进行投影显示的方法 | |
| CN106896069A (zh) | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 | |
| CN107256689B (zh) | Led显示屏亮度校正后的均匀性修复方法 | |
| CN103200409B (zh) | 多投影仪显示系统的颜色校正方法 | |
| CN108024055A (zh) | 白平衡处理的方法、装置、移动终端和存储介质 | |
| CN111292246A (zh) | 图像颜色校正方法、存储介质及内窥镜 | |
| CN112469978B (zh) | 颜色评价装置、颜色评价方法和颜色评价方法中使用的显示物 | |
| CN115049747B (zh) | 一种高动态范围屏幕的色度测量方法和系统 | |
| Zhao et al. | Spectral illumination correction: Achieving relative color constancy under the spectral domain | |
| CN109459136A (zh) | 一种色度测量的方法与装置 | |
| CN106296658B (zh) | 一种基于相机响应函数的场景光源估计准确性提升方法 | |
| Funt et al. | Irradiance‐independent camera color calibration | |
| JPH11269411A (ja) | コンピュータグラフィックス画像から塗料配合を推定する方法 | |
| CN109561292A (zh) | 一种用于相机系统的白平衡处理方法及装置 | |
| Bastani et al. | Simplifying irradiance independent color calibration | |
| CN109119046B (zh) | 灰阶亮度的调节系统及调节方法、存储器 | |
| Andersen et al. | Weighted constrained hue-plane preserving camera characterization | |
| CN105072427B (zh) | 一种多投影仪之间的自动色彩平衡方法 | |
| CN109357754A (zh) | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 | |
| CN113259658B (zh) | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 | |
| CN107770410A (zh) | 彩色面阵ccd的自适应矫正 | |
| CN110726536B (zh) | 一种彩色数码反射显微镜颜色校正方法 |
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: 20190607 |
|
| RJ01 | Rejection of invention patent application after publication |