CN110910480A - 基于颜色模式映射关系的环境监测图像渲染方法 - Google Patents
基于颜色模式映射关系的环境监测图像渲染方法 Download PDFInfo
- Publication number
- CN110910480A CN110910480A CN201910935387.2A CN201910935387A CN110910480A CN 110910480 A CN110910480 A CN 110910480A CN 201910935387 A CN201910935387 A CN 201910935387A CN 110910480 A CN110910480 A CN 110910480A
- Authority
- CN
- China
- Prior art keywords
- color
- mapping relation
- color mode
- environment monitoring
- environment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000013507 mapping Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009877 rendering Methods 0.000 title claims abstract description 22
- 238000003912 environmental pollution Methods 0.000 claims abstract description 19
- 239000003086 colorant Substances 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 5
- 238000011109 contamination Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000001057 purple pigment Substances 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种基于颜色模式映射关系的环境监测图像渲染方法，包括以下步骤：获取监测点的环境监测数据，环境监测数据包括监测点在空间坐标系中的三维坐标，以及该点的环境污染情况；监测点为多个；通过矩阵变换把三维坐标转为为二维坐标；通过光栅化将二维坐标转为为像素；通过数学公式法或深度学习，确定环境污染情况和颜色模式之间的映射关系，映射关系是连续的映射关系；根据颜色模式的映射关系，使用着色器把各像素分别转为有颜色的像素；本发明通过图像渲染后，可以反映出环境污染情况的监测数值不同时，颜色也完全不同且颜色是连续的渐变的，可以让人们看到更加直观、有效的图像可视化结果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于颜色模式映射关系的环境监测图像渲染方法。
背景技术
现有的环保信息化领域的分析平台中，通常采用国家规定的颜色配色方案，通过不同的颜色来显示环境污染情况的轻重程度。比如，对于最常见的控制质量指数AQI，对应AQI数值为0-50时使用绿色表示优，对应AQI数值为101-150 时使用橙色表示轻度污染，对应AQI数值为201-300时使用紫色表示重度污染，等等。
但现有技术方案中，并未对于AQI数值的具体变化趋势所对应的颜色配色方案进行规定，这导致了与AQI数值相对应的颜色并不能以一种较为连续的方式进行变化，在根据环境监测数据进行的图像渲染中，无法给出直观而准确的可视化结果。比如，在现有技术中，AQI数值为51-100时使用黄色表示良，也就是即使两处不同地方的AQI数值，一个为51，一个为100，两者相差近一倍，也是使用的同一个颜色显示；这样可能就会误导人们认为两地的污染情况是一样的。
所以，现在需要一种环境监测图像渲染方法，可以更为直观、准确的反映出环境污染情况的图像可视化结果。
发明内容
针对现有技术中的缺陷，本发明提供一种基于颜色模式映射关系的环境监测图像渲染方法，包括以下步骤：
S1.获取监测点的环境监测数据，环境监测数据包括监测点在空间坐标系中的三维坐标，以及该点的环境污染情况；监测点为多个；
S2.通过矩阵变换把三维坐标转为为二维坐标；
S3.通过光栅化将二维坐标转为为像素，像素为多个；
S4.确定环境污染情况和颜色模式之间的映射关系，映射关系是连续的映射关系；
S5.根据颜色模式的映射关系，使用着色器把各像素分别转为有颜色的像素，得到根据污染情况各像素颜色渐变的环境监测图像。
进一步的，步骤S4中，确定环境污染情况和颜色模式之间的映射关系的方法是一次函数公式求解。
进一步的，步骤S4中，确定环境污染情况和颜色模式之间的映射关系的方法是深度学习。
进一步的，深度学习包括以下步骤：
S41.以监测点的环境污染情况数据作为输入集；
S42.根据国标颜色配色方案建立色条，形成输出集；
S43.使用输入集与输出集构建训练集与验证集，训练深度神经网络；
S44.使用训练好的深度神经网络，对指定的监测点环境污染情况进行颜色模式预测并生成色条，形成颜色模式映射关系。
进一步的，在步骤S44后还包括以下步骤：
S45.对步骤S44中生成的色条进行人工优劣程度标注；
S46.使用标注后的数据对深度神经网络进行反馈与优化；
S47.使用优化后的深度神经网络对指定的监测点环境污染情况进行颜色模式预测，以形成优化后的颜色模式映射关系。
进一步的，深度神经网络包括卷积神级网络或LSTM网络。
进一步的，颜色模式包括RGB模式和CMYK模式。
由上述技术方案可知，本发明的有益技术效果如下：
1.用于图像渲染的颜色模式映射关系是连续的，通过图像渲染后，可以反映出环境污染情况的监测数值不同时，颜色也完全不同且颜色是连续的渐变的，这样可以让人们看到更加直观、有效的图像可视化结果。
2.采用数学公式或深度学习推导出颜色模式的映射关系，摒弃了传统的映射表方式，使未来相关的软件可以拥有更加灵活的可视化扩展能力。
3.采用深度学习的方式，可以更客观、更准确的生成颜色模式的映射关系，规避了人为确定颜色模式映射方案的主观性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图。
图2为使用深度学习确定颜色模式映射关系的方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
如图1所示，本发明提供一种基于颜色模式映射关系的环境监测图像渲染方法，包括以下步骤：
S1.获取监测点的环境监测数据，环境监测数据包括监测点在空间坐标系中的三维坐标，以及该点的环境污染情况；监测点为多个；
S2.使用顶点着色器把三维坐标转为为二维坐标；
S3.通过光栅化将二维坐标转为为像素，像素为多个；
S4.确定环境污染情况和颜色模式之间的映射关系，映射关系是连续的映射关系；
S5.通过着色器把像素转为有颜色的像素。
以下以空气质量指数AQI为例，对实施例1的工作原理进行详细说明：
AQI就是各项污染物的空气质量分指数IAQI中的最大值。AQI的数值越大、级别和类别越高、表征颜色越深，说明空气污染状况越严重，对人体的健康危害也就越大。市民看AQI时，不需要记住AQI的具体数值和级别，只需要注意优(绿色)、良(黄色)、轻度污染(橙色)、中度污染(红色)、重度污染 (紫色)、严重污染(褐红色)等六种评价类别和表征颜色。
对于AQI，国家规定的颜色配色方案如下表表1：
表1空气质量指数类别表示颜色的RGB和CMYK配色方案表
| 颜色 | R | G | B | C | M | Y | K |
| 绿 | 0 | 228 | 0 | 40 | 0 | 100 | 0 |
| 黄 | 255 | 255 | 0 | 0 | 0 | 100 | 0 |
| 橙 | 255 | 126 | 0 | 40 | 0 | 100 | 0 |
| 红 | 255 | 0 | 0 | 0 | 100 | 100 | 0 |
| 紫 | 153 | 0 | 76 | 10 | 100 | 40 | 30 |
| 褐红 | 126 | 0 | 35 | 30 | 100 | 100 | 30 |
上表表1中，颜色模式分为两种，RGB模式和CMYK模式。RGB模式一般用于电脑屏幕显示，CMYK模式一般用于印刷品打印。这两种配色方案是离散的、不连续的，根据该配色方案进行的图像渲染，得出的图像是不够直观、不够准确的。为解决上述技术问题，本发明的技术方案，按以下步骤实现：
1.获取监测点的环境监测数据
环保信息化领域的分析平台中，在为渲染出某一区域内环境污染情况的图像，需要获取这个区域内各个监测点的环境监测数据。环境监测数据包括监测点在空间坐标系中的三维坐标，以及该点的环境污染情况；三维坐标用于后续图像渲染时转换为二维坐标，环境污染情况用于对标配色方案中的某一种颜色。
2.通过矩阵变换把三维坐标转为为二维坐标
通过矩阵变换的方式，将世界坐标系转换为相机坐标系再转换为图像坐标系，即实现了将三维坐标转为二维坐标。具体的，从世界坐标系变换到相机坐标系属于刚体变换，只需要进行旋转和平移即可；那么空间中某一点由三维坐标转为二维坐标的公式为：
在上述公式(1)中，世界坐标系为用户定义的三维世界的坐标系，为了描述目标物在真实世界里的位置而被引入，单位为m；相机坐标系为在相机上建立的坐标系，为了从相机的角度描述物体位置而定义，作为沟通世界坐标系和像素坐标系的中间一环，单位为m；图像坐标系是为了描述成像过程中物体从相机坐标系到图像坐标系的投影透射关系而引入，方便进一步得到像素坐标系下的坐标，单位为m。
这两个矩阵是用于将世界坐标系转换到相机坐标系。
这两个矩阵是用于将相机坐标系转换到图像坐标系。
R表示旋转矩阵，T表示偏移向量。u、v为图像坐标系里的坐标，即二维坐标；Xw、Yw、Zw为世界坐标系里的坐标，即三维坐标。
3.通过光栅化将二维坐标转为为像素
根据步骤2得到的多个二维坐标，对应了一个一个的点。通过光栅化的方式，将点连成线，线连成面，把零零散散的点组装成一个一个的图元，并且将图元进行栅格化，这样就处理出一个一个的像素格子，每个像素格子的位置都由各自的二维坐标确定。
4.确定环境污染情况和颜色模式之间的映射关系
使用数学公式法或者深度学习，来确定环境污染情况和颜色模式之间的映射关系。在本实施例中，以使用一次函数公式，求解RGB颜色模式的映射关系，来举例说明。
按照表1的RGB颜色模式中，绿色和黄色的配色方案为例，绿色的RGB值分别为：0，228，0，黄色的RGB值分别为255，255，0。绿色所对应的AQI指数范围为0-50，黄色所对应的AQI指数范围为51-100，此处采用线性变换的数学公式作为映射关系的计算方法。
从绿色配色方案到黄色配色方案，其红色通道的变换R区间为0-255，AQI 指数的变换X值为0-100，则在该区间内有对应关系：R＝aX+b，其中R为红色的数值，a为系数，b为偏移量。所以在从绿色逐渐变为黄色的过程中，红色数值为：R＝255*X/100+b；b的值取决于起始偏移量，即AQI指数为0时的起始颜色选择，此处选择b＝0，即意味着起始颜色就是0，228，0。
同理绿色通道为G＝(255-228)*X/100+b，蓝色通道B＝0；
依次类推到后续各级配色方案中，就可以得出当AQI指数为某一个数值时，分别对应的红色通道的R值、绿色通道的G值、蓝色通道的B值，从而形成一个线性的、连续的颜色模式映射关系。
5.通过着色器把像素转为有颜色的像素
在渲染出某一区域内环境污染情况图像的过程中，着色器的作用是根据该图像上各像素点的颜色模式，对各像素点进行着色渲染。根据颜色模式的映射关系，使用着色器把各像素分别转为有颜色的像素，得到根据污染情况各像素颜色渐变的环境监测图像。
通过步骤1-5，在图像渲染后，即可反映出环境污染情况环境污染情况的监测数值不同时，颜色也完全不同且颜色是连续的渐变的；可以让人们看到更加直观、有效的图像可视化结果。
实施例2
为了更客观、更准确的生成颜色模式的映射关系，在实施例1的基础上进一步优化，可采取深度学习的方式来得出颜色模式的映射关系。在本实施例中，以得出AQI指数范围和RGB颜色模式的映射关系举例说明，具体步骤如下：
S41.以监测点的环境污染情况数据作为输入集
根据AQI指数的范围X：0-500，选取其中的典型数值如50，100等，建立输入集。
S42.根据国标颜色配色方案建立色条，形成输出集
以国标颜色配色方案为参考建立色条，保证每个级别的AQI指数分别落入对应的色条区间，比如：优落入绿色色条中、良落入黄色色条中、轻度污染落入橙色色条中、中度污染落入红色色条中、重度污染落入紫色色条中、严重污染落入褐红色色条中。然后提取相应的分量组合的R,G,B值，将R,G,B值做为各像素的数据，建立输出集。
S43.使用输入集与输出集构建训练集与验证集，训练深度神经网络
使用输入集和输出集中的一部分数据作为训练集，在本实施例中选用4/5 的数据；使用输入集和输出集中剩余的1/5的数据用于评估测试，作为验证集。使用训练集和验证集来训练深度神经网络。把训练数据划分为训练集和验证集，是为了基于验证集上的性能来进行模型选择和调参。
S44.使用训练好的深度神经网络，对指定的监测点环境污染情况进行颜色模式预测并生成色条，形成颜色模式映射关系
通过训练的深度神经网络，会自动学习并找出输入集合输出集之间的关系，找出关系的方法就是预测并生成色条，而这个关系就是AQI指数合颜色模式之间的映射关系。
在本实施例中，深度神经网络可选用卷积神级网络或LSTM网络。
实施例3
根据实施例2的技术方案得到的映射关系，在实际情况中可能会出现因为训练数据的量不够大，而造成生成的色条颜色并不准确。在这种情况下，就需要人工对色条进行标注并校正优化，作为实际的色条，从而得出优化后的颜色模式映射关系。
为在后续规避类似问题，让只通过少量数据训练的深度神经网络，得出的颜色模式映射关系尽可能准确，在实施例2的基础上进一步优化。技术方案为：
S45.对步骤S44中生成的色条进行人工优劣程度标注；
S46.使用标注后的数据对深度神经网络进行反馈与优化；
S47.使用优化后的深度神经网络对指定的监测点环境污染情况进行颜色模式预测，以形成优化后的颜色模式映射关系。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于颜色模式映射关系的环境监测图像渲染方法，其特征在于，包括以下步骤：
S1.获取监测点的环境监测数据，所述环境监测数据包括监测点在空间坐标系中的三维坐标，以及该点的环境污染情况；所述监测点为多个；
S2.通过矩阵变换把三维坐标转为为二维坐标；
S3.通过光栅化将二维坐标转为为像素，所述像素为多个；
S4.确定环境污染情况和颜色模式之间的映射关系，所述映射关系是连续的映射关系；
S5.根据颜色模式的映射关系，使用着色器把各像素分别转为有颜色的像素，得到根据污染情况各像素颜色渐变的环境监测图像。
2.根据权利要求1所述一种基于颜色模式映射关系的环境监测图像渲染方法，其特征在于：步骤S4中，确定环境污染情况和颜色模式之间的映射关系的方法是使用一次函数公式求解。
3.根据权利要求1所述一种基于颜色模式映射关系的环境监测图像渲染方法，其特征在于：步骤S4中，确定环境污染情况和颜色模式之间的映射关系的方法是深度学习。
4.根据权利要求3所述一种基于颜色模式映射关系的环境监测图像渲染方法，其特征在于，所述深度学习包括以下步骤：
S41.以监测点的环境污染情况数据作为输入集；
S42.根据国标颜色配色方案建立色条，形成输出集；
S43.使用输入集与输出集构建训练集与验证集，训练深度神经网络；
S44.使用训练好的深度神经网络，对指定的监测点环境污染情况进行颜色模式预测并生成色条，形成颜色模式映射关系。
5.根据权利要求4所述一种基于颜色模式映射关系的环境监测图像渲染方法，其特征在于，在步骤S44后还包括以下步骤：
S45.对步骤S44中生成的色条进行人工优劣程度标注；
S46.使用标注后的数据对深度神经网络进行反馈与优化；
S47.使用优化后的深度神经网络对指定的监测点环境污染情况进行颜色模式预测，以形成优化后的颜色模式映射关系。
6.根据权利要求4所述一种基于颜色映射关系的环境监测图像渲染方法，其特征在于：所述深度神经网络包括卷积神级网络或LSTM网络。
7.根据权利要求1-5所述任意一项一种基于颜色映射关系的环境监测图像渲染方法，其特征在于：所述颜色模式包括RGB模式和CMYK模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910935387.2A CN110910480A (zh) | 2019-09-29 | 2019-09-29 | 基于颜色模式映射关系的环境监测图像渲染方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910935387.2A CN110910480A (zh) | 2019-09-29 | 2019-09-29 | 基于颜色模式映射关系的环境监测图像渲染方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110910480A true CN110910480A (zh) | 2020-03-24 |
Family
ID=69815294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910935387.2A Pending CN110910480A (zh) | 2019-09-29 | 2019-09-29 | 基于颜色模式映射关系的环境监测图像渲染方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910480A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436308A (zh) * | 2021-08-27 | 2021-09-24 | 江苏及象生态环境研究院有限公司 | 一种三维环境空气质量动态渲染方法 |
| CN114136378A (zh) * | 2021-12-07 | 2022-03-04 | 东北大学 | 一种复杂工况管道在线全息外检测系统及方法 |
| CN114689802A (zh) * | 2022-04-06 | 2022-07-01 | 江苏金恒信息科技股份有限公司 | 一种空气污染立体监测展示系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5200816A (en) * | 1991-06-25 | 1993-04-06 | Scitex Corporation Ltd. | Method and apparatus for color processing with neural networks |
| CN102254330A (zh) * | 2010-07-29 | 2011-11-23 | 山东大学 | 基于图像处理的空气污染数据可视化方法 |
| CN104408094A (zh) * | 2014-11-15 | 2015-03-11 | 中国科学院计算机网络信息中心 | 一种基于用户位置的实时环境监测专题图片快速生成方法 |
| CN105675462A (zh) * | 2016-01-26 | 2016-06-15 | 上海智觅智能科技有限公司 | 一种pm2.5的值转换为rgb灯光输出的方法 |
| CN106528997A (zh) * | 2016-10-28 | 2017-03-22 | 江苏天瑞仪器股份有限公司 | 一种绘制区域颗粒物小时浓度分布图的方法 |
| CN107038236A (zh) * | 2017-04-19 | 2017-08-11 | 合肥学院 | 一种空气质量数据可视化系统 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
-
2019
- 2019-09-29 CN CN201910935387.2A patent/CN110910480A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5200816A (en) * | 1991-06-25 | 1993-04-06 | Scitex Corporation Ltd. | Method and apparatus for color processing with neural networks |
| CN102254330A (zh) * | 2010-07-29 | 2011-11-23 | 山东大学 | 基于图像处理的空气污染数据可视化方法 |
| CN104408094A (zh) * | 2014-11-15 | 2015-03-11 | 中国科学院计算机网络信息中心 | 一种基于用户位置的实时环境监测专题图片快速生成方法 |
| CN105675462A (zh) * | 2016-01-26 | 2016-06-15 | 上海智觅智能科技有限公司 | 一种pm2.5的值转换为rgb灯光输出的方法 |
| CN106528997A (zh) * | 2016-10-28 | 2017-03-22 | 江苏天瑞仪器股份有限公司 | 一种绘制区域颗粒物小时浓度分布图的方法 |
| CN107038236A (zh) * | 2017-04-19 | 2017-08-11 | 合肥学院 | 一种空气质量数据可视化系统 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436308A (zh) * | 2021-08-27 | 2021-09-24 | 江苏及象生态环境研究院有限公司 | 一种三维环境空气质量动态渲染方法 |
| CN114136378A (zh) * | 2021-12-07 | 2022-03-04 | 东北大学 | 一种复杂工况管道在线全息外检测系统及方法 |
| CN114689802A (zh) * | 2022-04-06 | 2022-07-01 | 江苏金恒信息科技股份有限公司 | 一种空气污染立体监测展示系统及方法 |
| CN114689802B (zh) * | 2022-04-06 | 2024-03-05 | 江苏金恒信息科技股份有限公司 | 一种空气污染立体监测展示系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110910480A (zh) | 基于颜色模式映射关系的环境监测图像渲染方法 | |
| US10171706B2 (en) | Configuring an imaging system | |
| CN101966083B (zh) | 异常皮肤面积计算系统及其计算方法 | |
| CN108846869B (zh) | 一种基于自然图像色彩的服装自动配色方法 | |
| US20170048421A1 (en) | Color mapping | |
| CN103076334B (zh) | 一种定量检测数字印刷线条与文本的方法 | |
| JPH04168583A (ja) | 画像の表示方法 | |
| CN109934221A (zh) | 基于注意力机制的电力设备自动分析识别监控方法及系统 | |
| CN107408373A (zh) | 稳定的色彩渲染管理器 | |
| JP2020504809A (ja) | 毛髪の色の均一性を決定する方法および装置 | |
| CN101587589A (zh) | 喷墨打印质量模糊评价方法 | |
| WO2022120799A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
| CN109348219B (zh) | 一种不同结构下图像转换的方法及图像转换装置 | |
| CN107067444A (zh) | 一种优化的光谱色域映射方法 | |
| JP2018082312A (ja) | 画像制御装置、パッチチャート、画像形成方法及びプログラム | |
| Hu et al. | Color-dependent banding characterization and simulation on natural document images | |
| CN103279965A (zh) | 一种二值点画效果图片及视频的生成方法 | |
| CN110702615A (zh) | 一种彩色数码透射显微镜颜色校正方法 | |
| JP5941041B2 (ja) | 任意の色の等価明度を示す値および鮮やかさ感を示す値の正規化方法、トーン種別判別方法、マンセル値算出方法、画像形成方法、インターフェース画面表示装置 | |
| Shams-Nateri et al. | Computer vision techniques for measuring and demonstrating color of textile | |
| JP6627356B2 (ja) | カラーパッチ生成装置及び画像形成装置並びにプログラム | |
| CN103618845B (zh) | 一种基于最小显色误差激光打印机模型绿噪声半色调算法 | |
| CN109087371B (zh) | 一种控制机器人画像的方法及系统 | |
| CN104952084A (zh) | 颜色量化方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230519 Address after: No. 705, Unit 1, Building 3, No. 15, Wuke East 1st Road, Wuhou District, Chengdu City, Sichuan Province, 610000 Applicant after: Sichuan Wansi Sida Technology Co.,Ltd. Applicant after: Xie Guojin Address before: 5-1-10-1, Shidai Jincheng, No. 699, South Section 2, zangwei Road, Shuangliu District, Chengdu, Sichuan 610200 Applicant before: Xie Guoyu Applicant before: Liu Zhongyang |
|
| TA01 | Transfer of patent application right |