CN110929663B - 一种场景预测方法及终端、存储介质 - Google Patents
一种场景预测方法及终端、存储介质 Download PDFInfo
- Publication number
- CN110929663B CN110929663B CN201911192632.1A CN201911192632A CN110929663B CN 110929663 B CN110929663 B CN 110929663B CN 201911192632 A CN201911192632 A CN 201911192632A CN 110929663 B CN110929663 B CN 110929663B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- light
- image
- frequency information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 76
- 230000003287 optical effect Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种场景预测方法及终端、存储介质,包括:获取当前图像信息对应的多个图像统计数据和多个图像统计数据对应的多个梯度值;从多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、第一光频率信息对应的第一光强信息、第二光频率信息对应的第二光强信息;将一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种场景预测方法及终端、存储介质。
背景技术
在进行图像处理时,如果可以确定出当前图像信息所处的场景,如室内场景或室外场景,便有助于获得更高的图像还原效果。也就是说,场景预测会成为终端进行图像处理时所需要的重要功能之一。目前,终端在进行场景预测时,既可以通过部署一些额外的辅助设备采集特定数据后进行室内外场景的识别;还可以借助图像处理的方法进行室内外场景的区分。
然而,借助额外的辅助设备进行场景预测,在部署阶段代价较高并且准备工作复杂,极大地限制了场景预测的普适性和易用性,便捷性较差;而目前基于图像处理进行场景预测的方法,具有较高的计算复杂度,降低了预测效率,且场景预测的精确度较差。
发明内容
本申请实施例提供一种场景预测方法及终端、存储介质,能够减低预测的复杂度,提高预测效率和场景预测的精确度。
本申请的技术方案是这样实现的:
本申请实施例提供一种场景预测方法,该方法可以包括:
获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;
从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;
利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;
通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;
将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到所述当前图像信息的场景预测结果。
在上述方法中,所述通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,包括:
通过所述色温传感器获取所述目标频率通道的所述目标直流分量;
从所述目标直流分量中确定出幅值最大的所述第一光频率信息和与所述第一光频率信息的幅值相邻的所述第二光频率信息;
获取所述第一光频率信息对应的所述第一光强信息;
获取所述第二光频率信息对应的所述第二光强信息。
在上述方法中,所述通过所述色温传感器获取所述目标频率通道的所述目标直流分量,包括:
通过所述色温传感器,获取所述目标频率通道的目标时域信息;
对所述目标时域信息进行时频变换操作,得到目标频域信息;
对所述目标频率通道的所述目标频域信息取直流分量,得到所述目标直流分量。
在上述方法中,所述将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果,包括:
按照预设频率值,分别对所述第一光频率信息和所述第二光频率信息进行归一化处理,得到归一化后的所述第一光频率信息和归一化后的所述第二光频率信息;
按照预设光强值,分别对所述第一光强信息和所述第二光强信息进行归一化处理,得到归一化后的所述第一光强信息和归一化后的所述第二光强信息;
利用所述预设分类模型训练得到的分类参数,对所述一组颜色特征值、归一化后的所述第一光频率信息、归一化后的所述第一光强信息、归一化后的所述第二光频率信息和归一化后的所述第二光强信息进行场景预测,得到所述场景预测结果。
在上述方法中,所述将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果之前,所述方法还包括:
获取训练样本图像的训练样本数据和所述训练样本图像的训练样本场景;
将所述训练样本数据输入初始分类模型中,得到样本分类结果;
将所述训练样本场景和所述样本分类结果输入预设损失函数中,得到损失函数值;
利用所述损失函数值,对所述初始分类模型进行训练,得到预设分类模型。
在上述方法中,所述利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值,包括:
从所述多个图像统计数据中,确定所述目标梯度值对应的目标位置数据;
对所述目标位置数据进行处理,得到所述颜色通道参数;
将所述颜色通道参数分布到所述预设色度空间模型中,得到所述一组颜色特征值。
在上述方法中,所述获取当前图像信息对应的多个图像统计数据,包括:
读取所述当前图像信息的图像数据,并获取所述图像数据的可交换图像文件EXIF信息;
从所述EXIF信息中,解析出图像信号处理单元写入的所述多个图像统计数据。
在上述方法中,所述获取所述多个图像统计数据对应的多个梯度值,包括:
分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,所述多个图像统计数据中的每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值;
分别计算所述多个第一方向梯度值和对应的所述多个第二方向梯度值之和,得到所述多个梯度值。
在上述方法中,所述分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,包括:
利用第一空间滤波器,在所述图像统计数据的第一方向进行卷积,得到所述多个第一方向梯度值;
利用第二空间滤波器,在所述图像统计数据的第二方向进行卷积,得到所述多个第二方向梯度值。
本申请实施例提供一种终端,所述终端包括:
获取单元,用于获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;
确定单元,用于从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;
场景预测单元,用于将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到场景预测结果。
本申请实施例提供一种终端,所述终端包括:处理器、存储器及通信总线;所述处理器执行存储器存储的运行程序时实现如上述任一项所述的方法。
本申请实施例提供一种存储介质,其上存储有计算机程序,应用于终端,该计算机程序被处理器执行时实现如上述任一项所述的方法。
本申请实施例提供了一种场景预测方法及终端、存储介质,该方法包括:获取当前图像信息对应的多个图像统计数据和多个图像统计数据对应的多个梯度值;从多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、第一光频率信息对应的第一光强信息、第二光频率信息对应的第二光强信息,第一光频率信息为目标频率通道中幅值最大的光频率信息,第二光频率信息的幅值与第一光频率信息的幅值相邻;将一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果。采用上述实现方案,终端利用单通道的光频率信息和频率强度作为分类特征参与室内外分类,并从当前图像信息中、确定出满足预设梯度范围的目标梯度值对应的一组颜色特征值,利用一组颜色特征值作为辅助分类特征参与室内外分类,能够根据室内外场景设置对应的预设梯度范围,进而提高场景预测的精确度,且终端利用一组颜色特征值、第一光强信息、第二光频率信息和第二光强信息进行场景预测,降低了预测的复杂度,进而提高了预测效率。
附图说明
图1为本申请实施例提供的一种场景预测方法的流程图一;
图2为本申请实施例提供的一种示例性的色温传感器在终端显示屏一侧的摆放位置示意图;
图3为本申请实施例提供的一种示例性的色温传感器在终端后置摄像头一侧的摆放位置示意图;
图4为本申请实施例提供的一种示例性的色温传感器目标频率通道和第二频率通道的辐射强度示意图;
图5为本申请实施例提供的一种示例性的频率通道对应的时域信息示意图;
图6为本申请实施例提供的一种示例性的对时域信息进行时频转换得到的频域信息的示意图;
图7为本申请实施例提供的一种示例性的场景判断方法的流程示意图;
图8为本申请实施例提供的一种场景预测方法的流程图二;
图9为本申请实施例提供的一种终端的结构示意图一;
图10为本申请实施例提供的一种终端的结构示意图二。
具体实施方式
应当理解,此处描述的具体实施例仅仅用以解释本申请。并不用于限定本申请。
终端进行室内外场景预测有很多的方案,具体地,既有基于外部器件的方法,例如无线网(Wireless Fidelity,WiFi)、光感、红外等设备;也有基于图像本身的方法。其中,基于图像本身的方法又可以分为传统阈值分类方法和基于机器学习方法。
不同的场景中,终端进行图像处理时的方式可能有所不同,例如,在室内场景下,自动曝光(Automatic Exposure,AE)需要时刻考虑开启抗工频闪策略;而针对低亮度室外场景,则需要选择更加合适的自动白平衡(Automatic white balance,AWB)算法来还原图像,例如,在AWB算法中,如果可以判定当前光源为室外光源则可以简单的将AWB色温设定到D55的位置,画面就可以得到很好的色彩还原效果。
由此可见,良好的场景预测方法可以帮助AWB算法提高图像色彩还原效果,无论对于低亮度的室外场景,还是高亮度的室内场景,都可以降低AWB算法本身的还原难度。相应地,在AE算法中,如果可以准确的判定当前图像信息对应的场景为室外,则完全不需要考虑抗闪的问题,从而可以提供更多的灵活性。
目前,在使用图像处理方法进行场景预测时,一方面,特征提取需要依赖全尺寸的图像(如4000×3000),并应用多尺度的滤波方法提取出大量的结构性特征,而如手机等便携式终端的图像信号处理单元(Image Signal Processing,ISP)通常只能提供小尺寸的图像,(如120×90),此时终端使用基于全尺寸图像的滤波方法得到的特征的精度就会大为降低,从而降低了场景预测的准确性。另一方面,图像处理方法从当前图像信息中提取出高维的结构性相关的特征,特征数量通常较多,在如手机等便携式终端内使用时很难做的实时处理,从而降低了场景预测的预测效率。
进一步地,从实际效果来看,复杂的结构性特征在面对不规则分割的天空、纯色场景、室内人造建筑时,场景预测的预测精度都会降低。
基于YUV数据的场景识别算法在ISP上位于去马赛克demosaic算法之后,倾向于最终看到的景象,由于存在时域上的偏差而无法很好的为ISP前端的AE、AWB以及自动对焦(Automatic Focus,AF)所使用。
综上所述,现有技术中,基于图像处理的方式进行场景预测的方法,具有较高的计算复杂度,降低了预测效率,且场景预测的精确度较差。
实施例一
本申请实施例提供一种场景预测方法,如图1所示,该方法可以包括:
S101、获取当前图像信息对应的多个图像统计数据和多个图像统计数据对应的多个梯度值。
本申请实施例提供的一种场景预测方法适用于在对采集到的图像进行图像处理的过程中判断室内外场景的场景下。
本申请实施例中,终端可以为任何具备通信和存储功能的设备,例如:平板电脑、手机、电子阅读器、遥控器、个人计算机(Personal Computer,PC)、笔记本电脑、车载设备、网络电视、可穿戴设备等设备。
本申请实施例中,终端读取当前图像信息的图像数据,并获取图像数据的可交换图像文件EXIF信息,EXIF信息中存储有图像数据的属性信息和拍摄数据;之后,终端从EXIF信息中,解析出图像信号处理单元(ISP,Image Signal Processing)写入的多个图像统计数据。其中,图像数据可以为联合图像专家组(JPEG,Joint Photographic Experts Group)数据,
本申请实施例中,图像统计数据为stats数据,多个图像统计数据以阵列的形式存储,其中,阵列中的每一个图像统计数据都对应包括R、G、B这三个颜色通道值。
本申请实施例中,终端分别获取多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,多个图像统计数据中的每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值;终端分别计算多个第一方向梯度值和对应的多个第二方向梯度值之和,得到多个梯度值。
本申请实施例中,终端利用第一空间滤波器,在图像统计数据的第一方向进行卷积,得到多个第一方向梯度值。
本申请实施例中,终端利用第二空间滤波器,在图像统计数据的第二方向进行卷积,得到多个第二方向梯度值。
需要说明的是,第一方向可以为横向,第二方向可以为纵向,则对应的,第一空间滤波器为[-1,0,1],第二空间滤波器为[1,0,-1]。
在实际应用中,由于stats数据是8bit的,故终端计算出的横向梯度值gx的范围为[0,255],纵向梯度值gy的范围为[0,255]。
具体的,每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值,终端将一个第一方向梯度值和对应位置处的一个第二方向梯度值求和,得到该位置处的图像统计数据对应的梯度值;终端依次对多个图像统计数据进行上述处理,得到多个图像统计数据对应的多个梯度值。
示例性的,每一个图像统计数据对应的梯度值g不考虑梯度方向,仅考虑梯度强度,梯度值g可以用横向梯度值gx和纵向梯度值gy之和表示,那么梯度值g的梯度范围为[0,510]。
S102、从多个梯度值中,确定出满足预设梯度范围的目标梯度值。
当终端获取到当前图像信息对应的多个图像统计数据和多个图像统计数据对应的多个梯度值之后,终端从多个梯度值中确定出满足预设梯度范围的目标梯度值。
本申请实施例中,终端内部预先设置预设梯度范围,该预设梯度范围用于模拟当前图像信息中物体的弱边缘,进而避免大面积纯色干扰。
示例性的,预设梯度范围为[0,100],终端从多个梯度值中确定出属于[0,100]区间的目标梯度值。
S103、利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值。
当终端从多个梯度值中,确定出满足预设梯度范围的目标梯度值之后,终端利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值。
本申请实施例中,终端从多个图像统计数据中,确定目标梯度值对应的目标位置数据;之后,终端对目标位置数据进行处理,得到颜色通道参数;并将颜色通道参数分布到预设色度空间模型中,得到一组颜色特征值。
本申请实施例中,每一个图像统计数据包括对应位置处的R、G、B三个颜色通道的值,终端确定出目标位置数据包括的R、G、B这三个颜色通道的值,之后,分别计算log(R/G)和log(B/G),并将log(R/G)和log(B/G)确定为目标梯度值对应的颜色通道参数。
本申请实施例中,终端内部预先设置有预设色度空间模型,该预设色度空间模型可以为uv空间,考虑到室外光源分布集中在D65,D50附近;而室内光源分布在8000k~2300k之间,故可以利用该特性来构建一组颜色特征值。
本申请实施例中,终端将目标梯度值对应的log(R/G)和log(B/G)离散化后,分布到uv空间中,构建64bin的uv空间,具体的,如公式(1)所示,
其中,Iu=log(R/G),Iv=log(B/G),方括号[]表示的是一个indicator函数,ε设定为0.18,M(u,v)内存储的是每个bin对应的点数,由此,终端得到了64个颜色特征值,并将这64个特征值确定为一组颜色特征值。
S104、通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、第一光频率信息对应的第一光强信息、第二光频率信息对应的第二光强信息,第一光频率信息为目标频率通道中幅值最大的光频率信息,第二光频率信息的幅值与第一光频率信息的幅值相邻。
本申请实施例中,可以在终端的前置sensor设置前置色温传感器、在后置sensor设置后置色温传感器,其中,为了更好的感应环境光,前置色温传感器与前置sensor基本处于同一平面、后置色温传感器与后置sensor基本处于同一平面。具体的,图2为在终端的显示屏一侧,色温传感器的摆放位置示意图,图3为在终端的后置摄像头一侧,色温传感器的摆放位置示意图。还可以在终端顶部放置色温传感器。具体的色温传感器在终端的放置个数和放置位置根据具体情况进行选择,本申请实施例不做具体的限定。
本申请实施例中,终端在采集当前图像信息时,启动色温传感器,终端通过色温传感器获取目标频率通道的目标直流分量;并从目标直流分量中确定出幅值最大的第一光频率信息和与第一光频率信息的幅值相邻的第二光频率信息;之后,终端分别获取第一光频率信息对应的第一光强信息;获取第二光频率信息对应的第二光强信息。
在实际应用中,如图4所示,横坐标代表时间、纵坐标代表辐射强度,由图4可以看出,50HZ对应的通道的辐射强度大于60HZ对应的通道的辐射强度,故,色温传感器目标频率通道可以为50HZ对应的通道。
具体的,终端通过色温传感器获取目标频率通道的目标直流分量的过程为:通过色温传感器,获取目标频率通道的目标时域信息;对目标时域信息进行时频变换操作,得到目标频域信息;对目标频率通道的目标频域信息取直流分量,得到目标直流分量。
示例性的,图5为频率通道对应的时域信息,图6为对图5的时域信息进行时频转换,得到的图8所示的时域信息对应的频域信息。
需要说明的是,S101-S103和S104为S105之前两个并列的步骤,具体的根据实际情况选择执行,本申请实施例不做具体的限定。
S105、将一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果。
当终端分别获取到一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息之后,终端将一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果。
本申请实施例中,终端按照预设频率值,分别对第一光频率信息和第二光频率信息进行归一化处理,得到归一化后的第一光频率信息和归一化后的第二光频率信息;终端按照预设光强值,分别对第一光强信息和第二光强信息进行归一化处理,得到归一化后的第一光强信息和归一化后的第二光强信息。
在实际应用中,终端利用200HZ,对第一光频率信息和第二光频率信息进行归一化处理;终端利用65535对第一光强信息和第二光强信息进行归一化处理。
本申请实施例中,终端内部预先设置有预设分类模型,终端利用预设分类模型训练得到的分类参数,对一组颜色特征值、归一化后的第一光频率信息、归一化后的第一光强信息、归一化后的第二光频率信息和归一化后的第二光强信息进行场景预测,得到场景预测结果。
本申请实施例中,终端将一组颜色特征值、归一化后的第一光频率信息、归一化后的第一光强信息、归一化后的第二光频率信息和归一化后的第二光强信息输入预设分类模型中,终端利用预设分类模型自身训练得到的分类参数对上述参数进行预测,得到场景预测结果。
可选的,预设分类模型可以为SVM模型、贝叶斯分类器、集成学习或决策树等,具体的根据实际情况进行选择,本申请实施例不做具体的限定。
示例性的,如图7所示,为本申请实施例提供的一种示例性的场景判断流程,具体的执行过程包括:
1、终端读入JPEG数据,并获取EXIF信息;
2、终端从EXIF信息中解析出ISP写入的stats数据,每一个stats数据都包括R、G、B三个颜色通道值;
3、终端对stats数据做分割处理生成更多的训练实例;
4、终端对stats数据计算横向梯度和纵向梯度,并将横向梯度+纵向梯度的值作为每个stats数据的实际梯度值;
5、终端规定弱梯度范围,并从stats数据中筛选出满足弱梯度范围的目标stats数据;
6、终端根据目标stats数据计算相应的log(R/G)和log(B/G),并将离散化的log(R/G)和log(B/G)分布到预设UV空间中,形成64个特征值;
7、终端读入色温传感器FD1时域信息;
8、终端针对FD1时域信息做时频变换,并获取其直流分量FD1DC;
9、从FD1DC中获取幅值最强的两个频率FD1Q1和FD1Q2、以及对应的强度FD1M1和FD1M2,并对FD1Q1和FD1Q2、FD1M1和FD1M2分别进行归一化处理;
10、终端选择预设训练模型的损失函数,并设定学习参数;
11、终端利用损失函数和学习参数度预设分类模型进行训练,得到预设分类模型;
12、终端将64个特征值、FD1Q、FD1Q2、FD1M1和FD1M2输入预设分类模型中进行场景预测,得到预测结果。
可以理解的是,终端利用单通道的光频率信息和频率强度作为分类特征参与室内外分类,并从当前图像信息中、确定出满足预设梯度范围的目标梯度值对应的一组颜色特征值,利用一组颜色特征值作为辅助分类特征参与室内外分类,能够根据室内外场景设置对应的预设梯度范围,进而提高场景预测的精确度,且终端利用一组颜色特征值、第一光强信息、第二光频率信息和第二光强信息进行场景预测,降低了预测的复杂度,进而提高了预测效率。
在实际应用中,在AWB算法中,如果可以判定当前光源为室外光源则可以简单的将AWB色温设定到D55的位置,画面就可以得到很好的色彩还原效果。对于低亮度的室外场景,高亮度的室内场景,降低了AWB算法本身的还原难度。这样对于颜色转变来说,有更多的精力用于雕琢色彩风格,提升了颜色效果。在AE算法中如果可以判定为室外场景,则无需考虑抗闪的问题,提升了颜色转变灵活性。
实施例二
基于上述实施例一,在本申请的实施例中,终端将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果之前,还提供一种场景预测方法,如图8所示,该方法可以包括:
S201、获取训练样本图像的训练样本数据和训练样本图像的训练样本场景。
本申请实施例提供的一种场景预测方法适用于对训练分类模型的场景下。
本申请实施例中,终端可以先对预存图像库进行划分处理,从而获得训练样本图像和测试样本图像。
本申请的实施例中,终端可以为任何具备通信和存储功能的设备。例如:平板电脑、手机、电子阅读器、遥控器、个人计算机(Personal Computer,PC)、笔记本电脑、车载设备、网络电视、可穿戴设备等设备。
需要说明的是,在本申请的实施例中,预存图像库可以用于对预设分类模型进行训练和测试。
进一步地,在本申请的实施例中,预存图像库可以包括多张室内场景的图像和多张室外场景的图像。进一步地,在本申请中,终端可以对预存图像库中的不同场景的图像进行随机划分,从而可以获得训练样本图像和测试样本图像。其中,训练样本图像和测试样本图像是完全不同的,即预存图像库中的一个样本图像对应的样本数据只能为训练样本数据或者测试样本数据中的一种。
示例性地,终端存储的预存图像库中存储有1024张室内场景的图像,同时存储有1134张室外场景的图像,终端在进行预设分类模型的训练时,可以随机从预存图像库中抽取80%的图像作为训练图像,20%的图像作为测试图像。
本申请实施例中,终端获取训练样本图像的多个样本梯度值,并从多个样本梯度值中,确定出满足预设梯度范围的目标样本梯度值,之后,终端利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组样本颜色特征值。
本申请实施例中,终端获取训练样本图像中目标频率通道的目标样本直流分量;之后,终端根据目标样本直流分量,确定出训练样本图像的第一样本光频率信息、第一样本光强信息、第二样本光频率信息和第二样本光强信息。
本申请实施例中,终端将一组样本特征值、第一样本光频率信息、第一样本光强信息、第二样本光频率信息和第二样本光强信息确定为训练样本数据。
需要说明的是,终端在训练阶段获取训练样本数据的过程与终端在测试阶段获取一组特征值、第一光频率信息、第一光强信息、第二光频率信息和第二光强信息的过程一致,在此不再赘述。
S202、将训练样本数据输入初始分类模型中,得到样本分类结果。
当终端获取到训练样本图像的训练样本数据和训练样本图像的训练样本场景之后,终端将训练样本数据输入初始分类模型中,得到样本分类结果。
本申请实施例中,终端将一组样本特征值、第一样本光频率信息、第一样本光强信息、第二样本光频率信息和第二样本光强信息输入初始分类模型中,得到样本分类结果。
S203、将训练样本场景和样本分类结果输入预设损失函数中,得到损失函数值。
当终端将训练样本数据输入初始分类模型中,得到样本分类结果之后,终端将训练样本场景和样本分类结果输入预设损失函数中,得到损失函数值。
本申请实施例中,终端所使用的预设损失函数为合页损失函数。
本申请实施例中,终端将训练样本数据对应的样本分类结果,和该训练样本图像的训练样本场景输入预设损失函数中,得到损失函数值。
S204、利用损失函数值,对初始分类模型进行训练,得到预设分类模型。
当终端将训练样本场景和样本分类结果输入预设损失函数中,得到损失函数值之后,终端利用损失函数值,对初始分类模型进行训练,得到预设分类模型。
本申请实施例中,由于本申请中的训练样本数据包括4+64个训练特征参数,故,在训练参数的选择时,使用线性核对初始分类模型进行训练,具体的,步长为0.01,gamma为20000。
本申请实施例中,利用训练参数对初始分类模型进行训练,使得损失函数值最小,此时,训练出预设分类模型,之后,终端即可用预设分类模型实现场景预测的过程。
可以理解的是,终端利用单通道的光频率信息和频率强度作为分类特征参与室内外分类,并从当前图像信息中、确定出满足预设梯度范围的目标梯度值对应的一组颜色特征值,利用一组颜色特征值作为辅助分类特征参与室内外分类,能够根据室内外场景设置对应的预设梯度范围,进而提高场景预测的精确度,且终端利用一组颜色特征值、第一光强信息、第二光频率信息和第二光强信息进行场景预测,降低了预测的复杂度,进而提高了预测效率。
实施例三
本申请实施例提供一种终端,如图9所示,该终端1包括:
获取单元10,用于获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;
确定单元11,用于从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;
场景预测单元12,用于将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到场景预测结果。
可选的,所述获取单元10,还用于通过所述色温传感器获取所述目标频率通道的所述目标直流分量;获取所述第一光频率信息对应的所述第一光强信息;获取所述第二光频率信息对应的所述第二光强信息。
所述确定单元11,还用于从所述目标直流分量中确定出幅值最大的所述第一光频率信息和与所述第一光频率信息的幅值相邻的所述第二光频率信息;
可选的,所述终端还包括:时频变换单元和取直流分量单元;
所述获取单元10,还用于通过所述色温传感器,获取所述目标频率通道的目标时域信息;
所述时频变换单元,还用于对所述目标时域信息进行时频变换操作,得到目标频域信息;
所述取直流分量单元,还用于对所述目标频率通道的所述目标频域信息取直流分量,得到所述目标直流分量。
可选的,所述终端还包括:归一化单元;
所述归一化单元,用于按照预设频率值,分别对所述第一光频率信息和所述第二光频率信息进行归一化处理,得到归一化后的所述第一光频率信息和归一化后的所述第二光频率信息;按照预设光强值,分别对所述第一光强信息和所述第二光强信息进行归一化处理,得到归一化后的所述第一光强信息和归一化后的所述第二光强信息;
所述场景预测单元12,还用于利用所述预设分类模型训练得到的分类参数,对所述一组颜色特征值、归一化后的所述第一光频率信息、归一化后的所述第一光强信息、归一化后的所述第二光频率信息和归一化后的所述第二光强信息进行场景预测,得到所述场景预测结果。
可选的,所述终端还包括:输入单元和训练单元;
所述获取单元10,还用于获取训练样本图像的训练样本数据和所述训练样本图像的训练样本场景;
所述输入单元,用于将所述训练样本数据输入初始分类模型中,得到样本分类结果;将所述训练样本场景和所述样本分类结果输入预设损失函数中,得到损失函数值;
所述训练单元,用于利用所述损失函数值,对所述初始分类模型进行训练,得到预设分类模型。
可选的,所述终端还包括:分布单元;
所述确定单元,还用于从所述多个图像统计数据中,确定所述目标梯度值对应的目标位置数据;对所述目标位置数据进行处理,得到所述颜色通道参数;
所述分布单元,用于将所述颜色通道参数分布到所述预设色度空间模型中,得到所述一组颜色特征值。
可选的,所述终端还包括:读取单元和解析单元;
所述读取单元,还用于读取所述当前图像信息的图像数据,并获取所述图像数据的可交换图像文件EXIF信息;
所述解析单元,还用于从所述EXIF信息中,解析出图像信号处理单元写入的所述多个图像统计数据。
可选的,所述终端还包括:计算单元;
所述获取单元10,还用于分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,所述多个图像统计数据中的每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值;
所述计算单元,还用于分别计算所述多个第一方向梯度值和对应的所述多个第二方向梯度值之和,得到所述多个梯度值。
可选的,所述终端还包括:卷积单元;
所述卷积单元,用于利用第一空间滤波器,在所述图像统计数据的第一方向进行卷积,得到所述多个第一方向梯度值;利用第二空间滤波器,在所述图像统计数据的第二方向进行卷积,得到所述多个第二方向梯度值。
本申请实施例提供的一种终端,获取当前图像信息对应的多个图像统计数据和多个图像统计数据对应的多个梯度值;从多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、第一光频率信息对应的第一光强信息、第二光频率信息对应的第二光强信息,第一光频率信息为目标频率通道中幅值最大的光频率信息,第二光频率信息的幅值与第一光频率信息的幅值相邻;将一组颜色特征值、第一光频率信息、第二光频率信息、第一光强信息和第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果。由此可见,本实施例提出的终端,终端利用单通道的光频率信息和频率强度作为分类特征参与室内外分类,并从当前图像信息中、确定出满足预设梯度范围的目标梯度值对应的一组颜色特征值,利用一组颜色特征值作为辅助分类特征参与室内外分类,能够根据室内外场景设置对应的预设梯度范围,进而提高场景预测的精确度,且终端利用一组颜色特征值、第一光强信息、第二光频率信息和第二光强信息进行场景预测,降低了预测的复杂度,进而提高了预测效率。
图10为本申请实施例提供的一种终端1的组成结构示意图二,在实际应用中,基于上述实施例的同一公开构思下,如图10所示,本实施例的终端1包括:处理器13、存储器14及通信总线15。
在具体的实施例的过程中,上述获取单元10、确定单元11、场景预测单元12、时频变换单元、取直流分量单元、归一化单元、输入单元、训练单元、分布单元、读取单元、解析单元、计算单元和卷积单元可由位于终端1上的处理器13实现,上述处理器13可以为特定用途集成电路(ASIC,Application Specific Integrated Circuit)、数字信号处理器(DSP,Digital Signal Processor)、数字信号处理终端(DSPD,Digital Signal ProcessingDevice)、可编程逻辑终端(PLD,Programmable Logic Device)、现场可编程门阵列(FPGA,Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本实施例不作具体限定。
在本申请实施例中,上述通信总线15用于实现处理器13和存储器14之间的连接通信;上述处理器13执行存储器14中存储的运行程序时实现如下的场景预测方法:
所述处理器13,用于获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到所述当前图像信息的场景预测结果。
可选的,所述处理器13,还用于通过所述色温传感器获取所述目标频率通道的所述目标直流分量;从所述目标直流分量中确定出幅值最大的所述第一光频率信息和与所述第一光频率信息的幅值相邻的所述第二光频率信息;获取所述第一光频率信息对应的所述第一光强信息;获取所述第二光频率信息对应的所述第二光强信息。
可选的,所述处理器13,还用于通过所述色温传感器,获取所述目标频率通道的目标时域信息;对所述目标时域信息进行时频变换操作,得到目标频域信息;对所述目标频率通道的所述目标频域信息取直流分量,得到所述目标直流分量。
可选的,所述处理器13,还用于按照预设频率值,分别对所述第一光频率信息和所述第二光频率信息进行归一化处理,得到归一化后的所述第一光频率信息和归一化后的所述第二光频率信息;按照预设光强值,分别对所述第一光强信息和所述第二光强信息进行归一化处理,得到归一化后的所述第一光强信息和归一化后的所述第二光强信息;利用所述预设分类模型训练得到的分类参数,对所述一组颜色特征值、归一化后的所述第一光频率信息、归一化后的所述第一光强信息、归一化后的所述第二光频率信息和归一化后的所述第二光强信息进行场景预测,得到所述场景预测结果。
可选的,所述处理器13,还用于获取训练样本图像的训练样本数据和所述训练样本图像的训练样本场景;将所述训练样本数据输入初始分类模型中,得到样本分类结果;将所述训练样本场景和所述样本分类结果输入预设损失函数中,得到损失函数值;利用所述损失函数值,对所述初始分类模型进行训练,得到预设分类模型。
可选的,所述处理器13,还用于从所述多个图像统计数据中,确定所述目标梯度值对应的目标位置数据;对所述目标位置数据进行处理,得到所述颜色通道参数;将所述颜色通道参数分布到所述预设色度空间模型中,得到所述一组颜色特征值。
可选的,所述处理器13,还用于读取所述当前图像信息的图像数据,并获取所述图像数据的可交换图像文件EXIF信息;从所述EXIF信息中,解析出图像信号处理单元写入的所述多个图像统计数据。
可选的,所述处理器13,还用于分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,所述多个图像统计数据中的每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值;分别计算所述多个第一方向梯度值和对应的所述多个第二方向梯度值之和,得到所述多个梯度值。
可选的,所述处理器13,还用于利用第一空间滤波器,在所述图像统计数据的第一方向进行卷积,得到所述多个第一方向梯度值;利用第二空间滤波器,在所述图像统计数据的第二方向进行卷积,得到所述多个第二方向梯度值。
本申请实施例提供一种存储介质,其上存储有计算机程序,上述计算机可读存储介质存储有一个或者多个程序,上述一个或者多个程序可被一个或者多个处理器执行,应用于终端中,该计算机程序实现如实施例一和实施例二所述的场景预测方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台图像显示设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (12)
1.一种场景预测方法,其特征在于,所述方法包括:
获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;
从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;所述预设梯度范围用于模拟所述当前图像信息中物体的弱边缘;
利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;
通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;
将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到所述当前图像信息的场景预测结果;所述场景包括室内外场景。
2.根据权利要求1所述的方法,其特征在于,所述通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,包括:
通过所述色温传感器获取所述目标频率通道的目标直流分量;
从所述目标直流分量中确定出幅值最大的所述第一光频率信息和与所述第一光频率信息的幅值相邻的所述第二光频率信息;
获取所述第一光频率信息对应的所述第一光强信息;
获取所述第二光频率信息对应的所述第二光强信息。
3.根据权利要求2所述的方法,其特征在于,所述通过所述色温传感器获取所述目标频率通道的所述目标直流分量,包括:
通过所述色温传感器,获取所述目标频率通道的目标时域信息;
对所述目标时域信息进行时频变换操作,得到目标频域信息;
对所述目标频率通道的所述目标频域信息取直流分量,得到所述目标直流分量。
4.根据权利要求1所述的方法,其特征在于,所述将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果,包括:
按照预设频率值,分别对所述第一光频率信息和所述第二光频率信息进行归一化处理,得到归一化后的所述第一光频率信息和归一化后的所述第二光频率信息;
按照预设光强值,分别对所述第一光强信息和所述第二光强信息进行归一化处理,得到归一化后的所述第一光强信息和归一化后的所述第二光强信息;
利用所述预设分类模型训练得到的分类参数,对所述一组颜色特征值、归一化后的所述第一光频率信息、归一化后的所述第一光强信息、归一化后的所述第二光频率信息和归一化后的所述第二光强信息进行场景预测,得到所述场景预测结果。
5.根据权利要求1所述的方法,其特征在于,所述将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到当前图像信息的场景预测结果之前,所述方法还包括:
获取训练样本图像的训练样本数据和所述训练样本图像的训练样本场景;
将所述训练样本数据输入初始分类模型中,得到样本分类结果;
将所述训练样本场景和所述样本分类结果输入预设损失函数中,得到损失函数值;
利用所述损失函数值,对所述初始分类模型进行训练,得到预设分类模型。
6.根据权利要求1所述的方法,其特征在于,所述利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值,包括:
从所述多个图像统计数据中,确定所述目标梯度值对应的目标位置数据;
对所述目标位置数据进行处理,得到所述颜色通道参数;
将所述颜色通道参数分布到所述预设色度空间模型中,得到所述一组颜色特征值。
7.根据权利要求1所述的方法,其特征在于,所述获取当前图像信息对应的多个图像统计数据,包括:
读取所述当前图像信息的图像数据,并获取所述图像数据的可交换图像文件EXIF信息;
从所述EXIF信息中,解析出图像信号处理单元写入的所述多个图像统计数据。
8.根据权利要求1所述的方法,其特征在于,所述获取所述多个图像统计数据对应的多个梯度值,包括:
分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,所述多个图像统计数据中的每一个图像统计数据对应一个第一方向梯度值和一个第二方向梯度值;
分别计算所述多个第一方向梯度值和对应的所述多个第二方向梯度值之和,得到所述多个梯度值。
9.根据权利要求8所述的方法,其特征在于,所述分别获取所述多个图像统计数据的多个第一方向梯度值和多个第二方向梯度值,包括:
利用第一空间滤波器,在所述图像统计数据的第一方向进行卷积,得到所述多个第一方向梯度值;
利用第二空间滤波器,在所述图像统计数据的第二方向进行卷积,得到所述多个第二方向梯度值。
10.一种终端,其特征在于,所述终端包括:
获取单元,用于获取当前图像信息对应的多个图像统计数据和所述多个图像统计数据对应的多个梯度值;通过色温传感器获取目标频率通道对应的第一光频率信息、第二光频率信息、所述第一光频率信息对应的第一光强信息、所述第二光频率信息对应的第二光强信息,所述第一光频率信息为所述目标频率通道中幅值最大的光频率信息,所述第二光频率信息的幅值与所述第一光频率信息的幅值相邻;
确定单元,用于从所述多个梯度值中,确定出满足预设梯度范围的目标梯度值;所述预设梯度范围用于模拟所述当前图像信息中物体的弱边缘;利用所述目标梯度值对应的颜色通道参数和预设色度空间模型,确定一组颜色特征值;
场景预测单元,用于将所述一组颜色特征值、所述第一光频率信息、所述第二光频率信息、所述第一光强信息和所述第二光强信息,输入预设分类模型中,得到场景预测结果;所述场景包括室内外场景。
11.一种终端,其特征在于,所述终端包括:处理器、存储器及通信总线;所述处理器执行存储器存储的运行程序时实现如权利要求1-9任一项所述的方法。
12.一种存储介质,其上存储有计算机程序,应用于终端,其特征在于,该计算机程序被处理器执行时实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192632.1A CN110929663B (zh) | 2019-11-28 | 2019-11-28 | 一种场景预测方法及终端、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192632.1A CN110929663B (zh) | 2019-11-28 | 2019-11-28 | 一种场景预测方法及终端、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929663A CN110929663A (zh) | 2020-03-27 |
CN110929663B true CN110929663B (zh) | 2023-12-29 |
Family
ID=69846936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192632.1A Active CN110929663B (zh) | 2019-11-28 | 2019-11-28 | 一种场景预测方法及终端、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929663B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114020922B (zh) * | 2022-01-06 | 2022-03-22 | 智者四海(北京)技术有限公司 | 文本分类方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678278A (zh) * | 2016-02-01 | 2016-06-15 | 国家电网公司 | 一种基于单隐层神经网络的场景识别方法 |
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN108734214A (zh) * | 2018-05-21 | 2018-11-02 | Oppo广东移动通信有限公司 | 图像识别方法和装置、电子设备、存储介质 |
CN110233971A (zh) * | 2019-07-05 | 2019-09-13 | Oppo广东移动通信有限公司 | 一种拍摄方法及终端、计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9852499B2 (en) * | 2013-12-13 | 2017-12-26 | Konica Minolta Laboratory U.S.A., Inc. | Automatic selection of optimum algorithms for high dynamic range image processing based on scene classification |
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
-
2019
- 2019-11-28 CN CN201911192632.1A patent/CN110929663B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678278A (zh) * | 2016-02-01 | 2016-06-15 | 国家电网公司 | 一种基于单隐层神经网络的场景识别方法 |
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN108734214A (zh) * | 2018-05-21 | 2018-11-02 | Oppo广东移动通信有限公司 | 图像识别方法和装置、电子设备、存储介质 |
CN110233971A (zh) * | 2019-07-05 | 2019-09-13 | Oppo广东移动通信有限公司 | 一种拍摄方法及终端、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110929663A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027489B (zh) | 图像处理方法、终端及存储介质 | |
US9813635B2 (en) | Method and apparatus for auto exposure value detection for high dynamic range imaging | |
CN108174185B (zh) | 一种拍照方法、装置及终端 | |
US7386181B2 (en) | Image display apparatus | |
US9805452B2 (en) | Image processing apparatus, image processing method, program, and recording medium | |
US10049438B2 (en) | Image processing apparatus, filter acquisition apparatus, image processing method, filter acquisition method, program, and recording medium | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN105227805A (zh) | 一种图像处理方法及移动终端 | |
CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
CN102196153B (zh) | 图像场景亮度差判断装置及亮度差判断方法 | |
CN110929663B (zh) | 一种场景预测方法及终端、存储介质 | |
CN111163302B (zh) | 一种场景颜色还原方法及终端、存储介质 | |
Nuutinen et al. | A framework for measuring sharpness in natural images captured by digital cameras based on reference image and local areas | |
CN112036277A (zh) | 一种人脸识别方法、电子设备以及计算机可读存储介质 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN111062272A (zh) | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 | |
CN105163040A (zh) | 一种图像处理方法及移动终端 | |
CN110969196B (zh) | 一种场景预测方法及终端、存储介质 | |
CN112950509B (zh) | 一种图像处理方法、装置及电子设备 | |
US11580620B2 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable medium | |
CN111147693B (zh) | 一种全尺寸拍照图像的降噪方法及装置 | |
CN113989387A (zh) | 相机拍摄参数调整方法、装置及电子设备 | |
CN110909696B (zh) | 一种场景检测方法、装置、存储介质及终端设备 | |
CN111310541B (zh) | 一种场景预测方法及终端、存储介质 | |
CN113658118A (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 |
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 |