CN110533735B - 一种基于图像集的可视化配色方法、存储介质及终端设备 - Google Patents

一种基于图像集的可视化配色方法、存储介质及终端设备 Download PDF

Info

Publication number
CN110533735B
CN110533735B CN201910708531.9A CN201910708531A CN110533735B CN 110533735 B CN110533735 B CN 110533735B CN 201910708531 A CN201910708531 A CN 201910708531A CN 110533735 B CN110533735 B CN 110533735B
Authority
CN
China
Prior art keywords
image
color
data
visual
visualization
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.)
Active
Application number
CN201910708531.9A
Other languages
English (en)
Other versions
CN110533735A (zh
Inventor
黄惠
郑倩
肖昱
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 CN201910708531.9A priority Critical patent/CN110533735B/zh
Publication of CN110533735A publication Critical patent/CN110533735A/zh
Application granted granted Critical
Publication of CN110533735B publication Critical patent/CN110533735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像集的可视化配色方法、存储介质及终端设备，所述方法通过分类数据可视化图表和类别空间分布图来描述分类数据，并通过在预设的图像集中选取与所述分类数据相匹配第一图像，采用所述第一图像中与分类数据对应的子图像的配色对所述分类数据可视化图表进行配色，为所述分类可视化数据提供了不同的颜色映射，从而提高了分类可视化数据的颜色映射的选择范围，增强了每个类别之间感知分离性。

Description

一种基于图像集的可视化配色方法、存储介质及终端设备
技术领域
本发明涉及信息可视化技术领域，特别涉及一种基于图像集的可视化配色方法、存储介质及终端设备。
背景技术
颜色是可视化领域中最重要、最常用的可视化通道之一，其优点是便于可视化搜索和实现。特别是对于分类数据的可视化展示，高效的着色策略可以清晰地区分数据类别和模式。但事实上，为分类数据设计合适的颜色映射也是极为困难的。目前，大多数用户依赖于可视化软件提供的默认颜色映射，或者ColorBrewer等软件建议的颜色映射来为分类数据着色。然而，默认以及建议的颜色映射不能适用于用户需求的特定场景，并且不能确保每个类别之间感知分离性，甚至可能导致对数据的误解。
因而现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种基于图像集的可视化配色方法、存储介质及终端设备，以解决现有分类数据可视化图配色时普遍采用默认颜色映射的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于图像集的可视化配色方法，其包括：
获取待配色的可视化数据，其中，所述可视化数据包括分类数据可视化图表和类别空间分布图；
根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像，其中，所述第一图像标记有颜色空间分布图与所述类别空间分布图相匹配的子图像；
根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表。
所述基于图像集的可视化配色方法，其中，所述根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像具体包括：
对于图像集中的每一张第二图像，采用聚类方式将所述第二图像进行分割，以得到第二图像对应的分割图像；
确定所述分割图像对应的区域邻接图以及颜色邻接图；
将所述可视化数据与所述区域邻接图以及所述颜色邻接图进行匹配，以确定所述第二图像是否与所述可视化数据匹配；
对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像。
所述基于图像集的可视化配色方法，其中，所述确定所述分割图像对应的区域邻接图具体包括：
读取所述分割图像的各连通区域，并将各连通区域作为区域顶点，其中，所述连通区域具有单一颜色；
连接任意相邻两个区域顶点，以得到所述分割图像对应的区域邻接图。
所述基于图像集的可视化配色方法，其中，所述确定所述分割图像对应的颜色邻接图具体包括：
读取所述分割图像的各颜色类，并根据所述颜色类确定颜色顶点，其中，各颜色顶点对应的颜色互不相同；
连接任意相邻两个颜色顶点，以得到所述分割图像对应的颜色邻接图。
所述基于图像集的可视化配色方法，其中，所述将所述类别空间分布图与所述区域邻接图以及所述颜色邻接图进行匹配，以确定所述可视化数据对应的第一图像具体包括：
将所述类别空间分布图与所述颜色邻接图进行匹配，以判断所述颜色邻接图中是否存在与所述类别空间分布图相匹配的第一子图；
当颜色区域图中存在第一子图时，将所述类别空间分布图与所述区域邻接图进行匹配；
当区域邻接图存在与所述类别空间分布图匹配的第二子图时，判定所述第二图像与所述可视化数据匹配。
所述基于图像集的可视化配色方法，其中，所述对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像具体包括：
分别计算各第二图像的子图像与所述可视化数据，其中，所述相似性包括图像面积、区域顶点对应的区域面积、区域顶点位置、区域顶点对应的区域边界形状以及区域间相邻边的方向；
根据所述相似性对第二图像进行筛选，以得到所述可视化数据对应的第一图像。
所述基于图像集的可视化配色方法，其中，所述根据所述相似性对第二图像进行筛选，以得到所述可视化数据对应的第一图像具体包括：
按照所述相似性从低到高的顺序，在所有第二图像中选取预设数量的第一图像，以得到所述可视化数据对应的第一图像。
所述基于图像集的可视化配色方法，其中，所述根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表具体包括：
根据第一图像对应的子图像对所述分类数据可视化图表进行配色；
显示配色后的各分类数据可视化图表以及其对应的第一图像，以供用户选择。
一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于图像集的可视化配色方法中的步骤。
一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于图像集的可视化配色方法中的步骤。
有益效果：与现有技术相比，本发明提供了一种基于图像集的可视化配色方法、存储介质及终端设备，所述方法通过分类数据可视化图表和类别空间分布图来描述分类数据，并通过在预设的图像集中选取与所述分类数据相匹配第一图像，采用所述第一图像中与分类数据对应的子图像的配色对所述分类数据可视化图表进行配色，为所述分类可视化数据提供了不同的颜色映射，从而提高了分类可视化数据的颜色映射的选择范围，增强了每个类别之间感知分离性。
附图说明
图1为本发明提供的基于图像集的可视化配色方法的流程图。
图2为本发明提供的基于图像集的可视化配色方法的流程图示意图。
图3为本发明提供的基于图像集的可视化配色方法中第二图像的示意图。
图4为图3对应的分割图像的示意图。
图5为图3对应区域邻接图的示意图。
图6为图3对应的颜色邻接图的示意图。
图7为类别空间分布图的示意图。
图8为颜色邻接图的示意图。
图9为图8中选取得到与图7对应的颜色邻接子图的示意图。
图10为本发明提供的基于图像集的可视化配色方法中第二图像筛选的流程示意图。
图11为本发明提供的一种终端设备的结构原理图。
具体实施方式
本发明提供一种基于图像集的可视化配色方法、存储介质及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
本实施例提供了一种基于图像集的可视化配色方法，如图1和2所示，所述方法包括：
S10、获取待配色的可视化数据，其中，所述可视化数据包括分类数据可视化图表和类别空间分布图。
具体地，所述可视化数据包括分类数据可视化图表和类别空间分布图，所述类别空间分布图是以分类数据可视化图表中各分类为一个顶点，并连接相邻顶点形成的图形，相应的，类别空间分布图可以表示为Gd＝{Vd，Ed}，其中，Vd表示顶点集合，Ed表示顶点连线。例如，所述分类数据可视化图表如图3所示，所述分类数据可视化图表对应的类别空间分布图如图4所示。在本实施例中，所述分类数据图表可以是散点图、饼图以及柱状图等。
S20、根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像，其中，所述第一图像标记有颜色空间分布图与所述类别空间分布图相匹配的子图像。
具体地，所述预设图像集存储有多张图像，每一张图像为具有多种配色的图像。例如，所述图像可以为彩色山水图像等。所述预设图像集中每一张图像均具有多种颜色，相应的，在选取到预设图像集中的图像(记为第二图像)，首先需要确定第二图像的主要颜色以及主要颜色的分布，以确定所述第二图像的图像结构，其中，图像结构包括区域邻接图以及颜色邻接图。
示例性地，所述根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像具体包括：
S21、对于图像集中的每一张第二图像，采用聚类方式将所述第二图像进行分割，以得到第二图像对应的分割图像；
S22、确定所述分割图像对应的区域邻接图以及颜色邻接图；
S23将所述可视化数据与所述区域邻接图以及所述颜色邻接图进行匹配，以确定所述第二图像是否与所述可视化数据匹配；
S24、对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像。
具体地，所述聚类方式为C均值聚类方法，优选为基于超像素的模块快速C均值聚类方法，通过基于超像素的模块快速C均值聚类方法对第二图像进行分割，所述基于超像素的模块快速C均值聚类方法计算复杂度低并且计算速度快，从而可以提高第二图像分割的速度。例如，如图5所示的图像经过所述基于超像素的模块快速C均值聚类方法分割后可以得到如图6所示的图像。
进一步，在本实施例的一个实现方式中，所述确定所述分割图像对应的区域邻接图具体包括：
读取所述分割图像的各连通区域，并将各连通区域作为区域顶点，其中，所述连通区域具有单一颜色；
连接任意相邻两个区域顶点，以得到所述分割图像对应的区域邻接图。
具体地，所述连通区域指的是所述区域内仅具有单一颜色，所述分割图像可以包含多个连通区域，各连通区域对应的颜色可以相同，也可以不相同。在获取到各连通区域后，将各连通区域作为一个区域顶点，再将获取到的多个区域顶点中任意相邻的两个区域顶点连接，以得到区域邻接图，如图6所示。在本实施中，相邻的两个区域顶点采用线段连接。
进一步，在读取连通区域时，可以对读取到的连通区域进行筛选以去除面积不满足预设要求的连通区域。在本实施例中，所述筛选条件为：去除连通区域面积小于第二图像面积的1％的连通区域、或者公共边界像素数量占顶点对应的连通区域的边界像素点数量的10％以上。也就是说，当连通区域满足筛选条件中的一个条件时，则判断所述连通区域满足筛选条件。当然，在实际应用中，所述筛选规则还可以为其他，例如，去除连通区域面积小于第二图像面积的2％的连通区域，或者公共边界像素数量占顶点对应的连通区域的边界像素点数量的15％以上。
进一步，为了对各连通区域的属性进行记录，在获取到区域顶点时，将区域顶点对应的连通区域的属性记录在所述区域顶点中。这里将区域邻接图记为Gr＝{Vr，Er}，其中，Vr表示顶点集合，Er表示相邻区域顶点的连线集合。顶点集合中的每一个顶点
Figure BDA0002152938190000071
均携带其对应的连通区域的颜色信息、连通区域面积、形状以及位置，其中，所述形状通过连通区域的边界像素点表示，位置为连通区域的中心点的坐标来表示。
进一步，在本实施例的一个实现方式中，所述确定所述分割图像对应的颜色邻接图具体包括：
读取所述分割图像的各颜色类，并根据所述颜色类确定颜色顶点，其中，各颜色顶点对应的颜色互不相同；
连接任意相邻两个颜色顶点，以得到所述分割图像对应的颜色邻接图。
具体地，所述读取所述分割图像的各颜色类为选取所述分割图像中的各连通区域，并确定各连通区域对应的颜色，对于对应同一颜色的连通区域的连通区域面积进行比较，将连通区域面积最大的连通区域作为颜色顶点，该颜色顶点对应的其他连通区域去除，从而得到所述分割图像的各颜色顶点。
进一步，为了对所述颜色区域图进行说明，这里将颜色区域图记为Gc＝{Vc，Ec}，其中，Vc表示颜色顶点，EC表示连接相邻两个颜色顶点的连接线。所述Vc记录有颜色信息，Vc中包含的各颜色顶点为分割图像的主颜色，Vc顶点的数量用Gc表示，其表示分割图像中主颜色的数量。
进一步，在本实施例的一个实现方式中，所述将所述类别空间分布图与所述区域邻接图以及所述颜色邻接图进行匹配，以确定所述可视化数据对应的第一图像具体包括：
将所述类别空间分布图与所述颜色邻接图进行匹配，以判断所述颜色邻接图中是否存在与所述类别空间分布图相匹配的第一子图；
当颜色区域图中存在第一子图时，将所述类别空间分布图与所述区域邻接图进行匹配；
当区域邻接图存在与所述类别空间分布图匹配的第二子图时，判定所述第二图像与所述可视化数据匹配。
具体地，所述类别空间分布图与所述颜色邻接图进行匹配指的是在颜色邻接图中查找与所述类别空间分布图的图形形状相似的第一子图。所述第一子图与所述类别空间分别图的图形形状相似指的第一子图中的相邻顶点在类别空间分别图的顶点集中对应的两个顶点也是相邻的。例如，如图7所示类别空间分别图在如图8所述的颜色邻接图中匹配到第一子图如图9所示。此外，所述第一子图是在区域邻接图中匹配第二子图的前提条件，若在颜色邻接图中匹配到第一子图，那么执行在区域邻接图中匹配第二子图，若未匹配到第一子图，判定所述第二图像与所述类别空间分布图不匹配。
进一步，在本实施例的一个实现方式中，如图10所示，所述对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像具体包括：
分别计算各第二图像的子图像与所述可视化数据，其中，所述相似性包括图像面积、区域顶点对应的区域面积、区域顶点位置、区域顶点对应的区域边界形状以及区域间相邻边的方向；
根据所述相似性对第二图像进行筛选，以得到所述可视化数据对应的第一图像。
具体地，所述相似性包括图像面积、区域顶点对应的区域面积、区域顶点位置、区域顶点对应的区域边界形状以及区域间相邻边的方向五个方面的相似性，所述相似性是根据所述图像面积、区域顶点对应的区域面积、区域顶点位置、区域顶点对应的区域边界形状以及区域间相邻边的方向五个方面的相似性的加权得到。
所述图像面积相似性根据所有顶点对应的连通区域面积之和与图像面积之间的占比关系确定，这里将占比关系记为r，图像面积相似性d1＝1-r，其中，所述图像面积相似性值越小，检索到的用于指导配色的区域面积越大，视觉效果也越明显。所述区域顶点对应的区域面积的相似性用于衡量第二图像中子图像各顶点对连通区域面积与分类数据可视化图表中各顶点对应的区域面积的相似性。所述区域面积的相似性的计算公式为：
Figure BDA0002152938190000091
其中
Figure BDA0002152938190000101
和
Figure BDA0002152938190000102
定义了Gd和Gr中对应顶点代表的区域面积大小。
进一步，为了保证区域形状与可视化图表中每个图标元素的形状更相似，使用α-shape提取了每个区域的轮廓，而相似度的计算则使用了hausdorff距离并利用可视化图表的对角线距离进行归一化，相似度的计算公式为：
Figure BDA0002152938190000103
其中
Figure BDA0002152938190000104
和
Figure BDA0002152938190000105
分别表示两个轮廓线Bd和Br上的顶点。
进一步，所述位置信息的相似性的计算公式为：
Figure BDA0002152938190000106
其中，
Figure BDA0002152938190000107
和
Figure BDA0002152938190000108
分别表示Gd和Gr中对应顶点的坐标信息。
进一步，所述区域间相邻边的方向的相似性根据相邻边向量的点乘计算，其计算公式为：
d5＝1-a
其中，a表示所有区域间相邻边相似度的最小值。
从而，所述相似度的计算公式可以为：
d(Gd，GT)＝λ1d1+λ2d2+λ3d3+λ4d4+λ5d5
其中，所述λ1、λ2、λ3、λ4以及λ5均为权重参数，优选地，所述λ1＝0.14，λ2＝0.14，λ3＝0.3，λ4＝0.14，λ5＝0.28。
此外，值得说明的，在根据所述相似性计算公式计算得到相似度后，相似度值越小说明第二图像配色效果越好。相应的，在计算得到所有第二图像的相似性后，可以按照所述相似性从低到高的顺序，在所有第二图像中选取预设数量的第一图像，以得到所述可视化数据对应的第一图像。
S30、根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表。
具体地，在获取到第一图像后，将所述第一图像中的子图像的各第一顶点的颜色配置给分类数据空间分布图中其对应的第二顶点，以使得所述第二订单在分类数据可视化图表对应的区域采用所述第一顶点对应的颜色进行配色。此外，在实际应用中，可以选取多个第一图像，并分别采用第一图像对子图像对分类数据可视化图表进行配色并显示，以供用户自行选择。相应的，所述根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表具体包括：根据第一图像对应的子图像对所述分类数据可视化图表进行配色；显示配色后的各分类数据可视化图表以及其对应的第一图像，以供用户选择。
基于上述基于图像集的可视化配色方法，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于图像集的可视化配色方法中的步骤。
基于上述基于图像集的可视化配色方法，本发明还提供了一种终端设备，如图11所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于图像集的可视化配色方法，其特征在于，其包括：
获取待配色的可视化数据，其中，所述可视化数据包括分类数据可视化图表和类别空间分布图；
根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像，其中，所述第一图像标记有颜色空间分布图与所述类别空间分布图相匹配的子图像；
根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表;
所述根据所述可视化数据在预设图像集中查找所述可视化数据对应的第一图像具体包括：
对于图像集中的每一张第二图像，采用聚类方式将所述第二图像进行分割，以得到第二图像对应的分割图像；
确定所述分割图像对应的区域邻接图以及颜色邻接图；
将所述可视化数据与所述区域邻接图以及所述颜色邻接图进行匹配，以确定所述第二图像是否与所述可视化数据匹配；
对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像;
所述分类数据可视化图表是散点图、饼图以及柱状图；
所述类别空间分布图是以分类数据可视化图表中各分类为一个顶点，并连接相邻顶点形成的图形。
2.根据权利要求1所述基于图像集的可视化配色方法，其特征在于，所述确定所述分割图像对应的区域邻接图具体包括：
读取所述分割图像的各连通区域，并将各连通区域作为区域顶点，其中，所述连通区域具有单一颜色；
连接任意相邻两个区域顶点，以得到所述分割图像对应的区域邻接图。
3.根据权利要求1或2所述基于图像集的可视化配色方法，其特征在于，所述确定所述分割图像对应的颜色邻接图具体包括：
读取所述分割图像的各颜色类，并根据所述颜色类确定颜色顶点，其中，各颜色顶点对应的颜色互不相同；
连接任意相邻两个颜色顶点，以得到所述分割图像对应的颜色邻接图。
4.根据权利要求3所述基于图像集的可视化配色方法，其特征在于，所述对与所述可视化数据匹配的第二图像进行筛选，以得到所述可视化数据对应的第一图像具体包括：
分别计算各第二图像的子图像与所述可视化数据的相似性，其中，所述相似性包括图像面积、区域顶点对应的区域面积、区域顶点位置、区域顶点对应的区域边界形状以及区域间相邻边的方向；
根据所述相似性对第二图像进行筛选，以得到所述可视化数据对应的第一图像。
5.根据权利要求4所述基于图像集的可视化配色方法，其特征在于，所述根据所述相似性对第二图像进行筛选，以得到所述可视化数据对应的第一图像具体包括：
按照所述相似性从低到高的顺序，在所有第二图像中选取预设数量的第一图像，以得到所述可视化数据对应的第一图像。
6.根据权利要求5所述基于图像集的可视化配色方法，其特征在于，所述根据所述子图像对所述分类数据可视化图表进行配色，并显示配色后的分类数据可视化图表具体包括：
根据第一图像对应的子图像对所述分类数据可视化图表进行配色；
显示配色后的各分类数据可视化图表以及其对应的第一图像，以供用户选择。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～6任意一项所述的基于图像集的可视化配色方法中的步骤。
8.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于图像集的可视化配色方法中的步骤。
CN201910708531.9A 2019-08-01 2019-08-01 一种基于图像集的可视化配色方法、存储介质及终端设备 Active CN110533735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910708531.9A CN110533735B (zh) 2019-08-01 2019-08-01 一种基于图像集的可视化配色方法、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910708531.9A CN110533735B (zh) 2019-08-01 2019-08-01 一种基于图像集的可视化配色方法、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN110533735A CN110533735A (zh) 2019-12-03
CN110533735B true CN110533735B (zh) 2023-04-07

Family

ID=68660524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910708531.9A Active CN110533735B (zh) 2019-08-01 2019-08-01 一种基于图像集的可视化配色方法、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN110533735B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3255586A1 (en) * 2016-06-06 2017-12-13 Fujitsu Limited Method, program, and apparatus for comparing data graphs

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251610B2 (en) * 2013-05-29 2016-02-02 Globalfoundries Inc. Location info-graphics visualizations
US10592743B2 (en) * 2017-08-24 2020-03-17 International Business Machines Corporation Machine learning to predict cognitive image composition
EP3346450A1 (en) * 2017-10-09 2018-07-11 Siemens Healthcare GmbH Method for visualising a medical image data set, system for visualising a medical image data set, computer program product and computer-readable medium
CN108428209B (zh) * 2018-03-28 2022-02-15 深圳大学 高维数据可视化方法、装置及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3255586A1 (en) * 2016-06-06 2017-12-13 Fujitsu Limited Method, program, and apparatus for comparing data graphs

Also Published As

Publication number Publication date
CN110533735A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN112348815B (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
CN109711345B (zh) 一种火焰图像识别方法、装置及其存储介质
US8805077B2 (en) Subject region detecting apparatus
RU2680765C1 (ru) Автоматизированное определение и обрезка неоднозначного контура документа на изображении
US9519660B2 (en) Information processing apparatus, clustering method, and recording medium storing clustering program
CN101601287B (zh) 产生照片级真实感图像缩略图的设备和方法
EP2528017B1 (en) Image identification device, image identification method, image identification program, and recording medium
EP2833288B1 (en) Face calibration method and system, and computer storage medium
TWI526982B (zh) 區域分割方法、電腦程式產品及檢查裝置
JP5765026B2 (ja) 画像処理装置及びプログラム
JP5181955B2 (ja) 画像分類装置および画像処理装置
US20150199796A1 (en) Scoring and Adjusting Pixels Based on Neighborhood Relationships for Revealing Data in Images
US8718401B2 (en) Image processing device, method and program
AU2015324988A1 (en) Method and system for unsupervised image segmentation using a trained quality metric
US20130170756A1 (en) Edge detection apparatus, program and method for edge detection
CN110019912A (zh) 基于形状的图形搜索
JP2009169925A (ja) 画像検索装置および画像検索方法
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
JP3708042B2 (ja) 画像処理方法及びプログラム
CN108171683B (zh) 一种采用软件自动识别的细胞计数方法
CN110533735B (zh) 一种基于图像集的可视化配色方法、存储介质及终端设备
JP2013210793A (ja) Ａｒ表示最適化のためのシステム、方法、およびプログラム
JP6546385B2 (ja) 画像処理装置及びその制御方法、プログラム
WO2020107196A1 (zh) 一种对拍摄装置的拍摄质量评测方法、装置及终端设备
JP4986934B2 (ja) 図形領域抽出装置、図形領域抽出方法、プログラム、及び記録媒体

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