CN110969571A - 一种跨摄像头场景下指定自适应光照迁移方法及系统 - Google Patents

一种跨摄像头场景下指定自适应光照迁移方法及系统 Download PDF

Info

Publication number
CN110969571A
CN110969571A CN201911201370.0A CN201911201370A CN110969571A CN 110969571 A CN110969571 A CN 110969571A CN 201911201370 A CN201911201370 A CN 201911201370A CN 110969571 A CN110969571 A CN 110969571A
Authority
CN
China
Prior art keywords
image
target image
cluster
color space
pixel
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
Application number
CN201911201370.0A
Other languages
English (en)
Inventor
余春艳
钟诗俊
赖奇嵘
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201911201370.0A priority Critical patent/CN110969571A/zh
Publication of CN110969571A publication Critical patent/CN110969571A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种跨摄像头场景下指定自适应光照迁移方法及系统，将目标图像和源图像根据模糊聚类算法进行相近图像聚类，在聚类图像之间进行局部颜色亮度迁移，并引入隶属度因子以提高颜色亮度迁移效果。本发明减弱了不同摄像头下图像的光照差异，降低光照差异造成的不良影响。

Description

一种跨摄像头场景下指定自适应光照迁移方法及系统
技术领域
本发明涉及智能安防技术领域，特别是一种跨摄像头场景下指定自适应光照迁移方法及系统。
背景技术
随着经济的不断发展，人们对安全的需求与日俱增。因此，安防领域中的智能监控视频的应用范围在不断的扩大，类似于行人跟踪、检索等相关视频智能处理技术开始成为当前研究的热点。相关的研究范围从单摄像头到多摄像头以及从单个行人到多个行人发展。在目前的研究成果中，单摄像头下的图像处理和单个行人下的智能监控技术已经发展迅速且有一定的成效，但是在多个摄像头或者是多个行人领域的实现结果还不是让人那么满意。所以，跨摄像头场景下实现行人追踪方法还需要发展和进步。因此，与之相关的一系列研究正在逐渐兴起。
跨摄像头行人跟踪主要是以行人为研究对象，但是在不同的摄像头场景下的光照强度不同，对同一行人表现出来的差异较大。即不同摄像头描述同一行人的外观描述子和外观适配度不够准确，特别是当两个摄像头的光照强度具有显著差异时，外观的适配度更是显著降低。
消除不同光照下同一行人表现出的显著颜色亮度差异，降低图像光照差异造成的不良影响。主要有两种思路。第一种思路是采用光源恒常性方法对图像亮度进行校正。但是这些颜色恒常性算法较为复杂，且通常需要一个已知光源的图像数据集作为校正标准，该条件在跨摄像头的复杂场景下的实际运用中很难可以满足和实现。第二种方法是学习简单的光照迁移函数，完成两个摄像头下对象的光照迁移。但是这样的模型进行光照迁移，只是简单的对源和目标图像颜色亮度信息进行全局上进行了简单的统计计算，未考虑颜色亮度分布局部不均匀的情况。因此，迁移后的图像与源图像的颜色亮度一致性较差，迁移后的图像存在图像颜色亮度局部分布不均匀的问题。
尽管上述的方法可以在一定程度上解决不同摄像头光照强度不同导致行人身份确认困难的问题，但是仍然存在很大的问题，且无法解决用全局统计图像亮度信息导致局部颜色信息丢失并最终导致迁移效果不佳的情况。
发明内容
有鉴于此，本发明的目的是提出一种跨摄像头场景下指定自适应光照迁移方法及系统，减弱了不同摄像头下图像的光照差异，降低光照差异造成的不良影响。
本发明采用以下方案实现：一种跨摄像头场景下指定自适应光照迁移方法，将目标图像和源图像根据模糊聚类算法进行相近图像聚类，在聚类图像之间进行局部颜色亮度迁移，并引入隶属度因子以提高颜色亮度迁移效果。
较佳的，所述目标图像和源图像分别为两个摄像头中获取的图像。
进一步地，具体包括以下步骤：
步骤S1：将待处理的源图像和目标图像均从RGB颜色空间转换到lαβ颜色空间；
步骤S2：使用模糊聚类算法分别将lαβ颜色空间的源图像与目标图像划分为不同颜色的亮度聚类域；
步骤S3：为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输；在传输的过程中，使用隶属度因子实现图像的平滑光照传输，将目标图像的光照强度迁移到源图像的光照强度，生成基于源图像内容的迁移图像；
步骤S4：将迁移图像从lαβ颜色空间转换到RGB颜色空间。
进一步地，步骤S1具体为，先将待处理的源图像和目标图像从RGB颜色空间转换到LMS颜色空间，再从LMS颜色空间转换到lαβ颜色空间。
进一步地，步骤S2具体包括以下步骤：
步骤S21：令源图像或目标图像作为给定图像，给定图像I大小为W×H，则匹配聚类分析的像素总数为N＝W×H，N个像素用符号记为
Figure BDA0002295968130000032
其中不同的△表示不同通道的像素，用上标△区分；
步骤S22：令图像划分的颜色亮度聚类个数为C，聚类中心表示为V＝{v1,v2,...,vC}；定义像素pi的聚类中心vj的隶属度表示为uji，则给定图像的隶属度矩阵为U＝[uji]C×N。
进一步地，步骤S3中，所述为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输具体包括以下步骤：
步骤S31：分别为源图像与目标图像中各个聚类域分配权值，每个聚类域的匹配权值w为颜色空间lαβ中每个通道的聚类域中标准差的加权平均值，第k个聚类域Ck的匹配权值wk计算公式如下：
Figure BDA0002295968130000031
Figure BDA0002295968130000041
式中，uki表示像素pi在第k个聚类域的隶属度、t表示通道、
Figure BDA0002295968130000042
表示在t通道的像素值pi、
Figure BDA0002295968130000043
表示在t通道的第k个聚类域值；Z为规范化加权因子，
Figure BDA0002295968130000044
Δ表示lαβ空间中的通道，|Δ|表示lαβ空间中的通道数；
步骤S32：比对源图像与目标图像中的聚类域匹配权值，分别挑选源图像与目标图像中的匹配权值最接近的聚类域作为一对匹配域；
步骤S33：针对每一对匹配域，在源图像和目标图像的颜色空间中分别计算每个通道的聚类域均值和标准差，并采用下式在当前聚类域中逐像素地进行颜色亮度传输：
Figure BDA0002295968130000045
式中，t′表示传输后得到的像素值，tT是目标图像中的像素，
Figure BDA0002295968130000046
是目标图像中的聚类域的均值，
Figure BDA0002295968130000047
是源图像中的聚类域的标准差，
Figure BDA0002295968130000048
是目标图像中的聚类域的标准差，
Figure BDA0002295968130000049
是源图像中的聚类域的均值。其中，求和符号后面的下标T表示的是μki为目标图像的像素pi在k聚类域的隶属度，即T表示针对目标图像的处理。
进一步地，步骤S3中，所述使用隶属度因子实现图像的平滑光照传输具体为：对图像中的每个像素，归属给一个以上的聚类域，并计算该像素与所述一个以上的聚类域的隶属度，选取最大隶属度所对应的聚类域作为该像素所归属的聚类域。
进一步地，所述步骤S4具体为：先将迁移图像从lαβ颜色空间转移到LMS颜色空间，再从LMS颜色空间转移到RGB颜色空间，最后生成基于源图像内容和目标图像光照强度的RGB图像。
本发明还提供了一种跨摄像头场景下指定自适应光照迁移系统，包括存储器、处理器以及存储在存储器中并能够被所述处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
与现有技术相比，本发明有以下有益效果：本发明考虑到在不同摄像头下的光照强度存在差异，为图像中的每一个聚类域分配匹配权值，根据匹配权值的相似程度，把匹配结果相近的聚类域自源图像向目标图像逐像素进行颜色传输，在传输的过程中针对实际图像中颜色亮度分布具有边际分布，藉由模糊聚类将图像中的像素通过隶属度给若干个聚类域，在颜色亮度迁移过程中，引入隶属度因子控制各聚类域对该像素颜色亮度处理的贡献度，可以使得最终图像的传输效果更加平滑和真实，本发明减弱了不同摄像头下图像的光照差异，降低光照差异造成的不良影响。
附图说明
图1为本发明实施例的方法原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种跨摄像头场景下指定自适应光照迁移方法，将目标图像和源图像根据模糊聚类算法进行相近图像聚类，在聚类图像之间进行局部颜色亮度迁移，并引入隶属度因子以提高颜色亮度迁移效果。
较佳的，在本实施例中，所述目标图像和源图像分别为两个摄像头中获取的图像。
在本实施例中，具体包括以下步骤：
步骤S1：将待处理的源图像和目标图像均从RGB颜色空间转换到lαβ颜色空间；
步骤S2：使用模糊聚类算法分别将lαβ颜色空间的源图像与目标图像划分为不同颜色的亮度聚类域；
步骤S3：为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输；在传输的过程中，使用隶属度因子实现图像的平滑光照传输，将目标图像的光照强度迁移到源图像的光照强度，生成基于源图像内容的迁移图像；
步骤S4：将迁移图像从lαβ颜色空间转换到RGB颜色空间。
在本实施例中，步骤S1具体为，先将待处理的源图像和目标图像从RGB颜色空间转换到LMS颜色空间，再从LMS颜色空间转换到lαβ颜色空间。具体公式如下：
Figure BDA0002295968130000071
Figure BDA0002295968130000072
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：令源图像或目标图像作为给定图像，给定图像I大小为W×H，则匹配聚类分析的像素总数为N＝W×H，N个像素用符号记为
Figure BDA0002295968130000073
其中不同的△表示不同通道的像素，用上标△区分；
步骤S22：令图像划分的颜色亮度聚类个数为C，聚类中心表示为V＝{v1,v2,...,vC}；定义像素pi的聚类中心vj的隶属度表示为uji，则给定图像的隶属度矩阵为U＝[uji]C×N；其中，隶属度因子设定为一个介于0～1之间的实数，表示每个像素在不同的颜色亮度聚类域中的隶属度。
在本实施例中，步骤S3中，所述为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输具体包括以下步骤：
步骤S31：分别为源图像与目标图像中各个聚类域分配权值，每个聚类域的匹配权值w为颜色空间lαβ中每个通道的聚类域中标准差的加权平均值，第k个聚类域Ck的匹配权值wk计算公式如下：
Figure BDA0002295968130000081
Figure BDA0002295968130000082
式中，uki表示像素pi在第k个聚类域的隶属度、t表示通道、
Figure BDA0002295968130000083
表示在t通道的像素值pi、
Figure BDA0002295968130000084
表示在t通道的第k个聚类域值；Z为规范化加权因子，
Figure BDA0002295968130000085
Δ表示lαβ空间中的通道，|Δ|表示lαβ空间中的通道数；
步骤S32：比对源图像与目标图像中的聚类域匹配权值，分别挑选源图像与目标图像中的匹配权值最接近的聚类域作为一对匹配域；
步骤S33：针对每一对匹配域，在源图像和目标图像的颜色空间中分别计算每个通道的聚类域均值和标准差，并采用下式在当前聚类域中逐像素地进行颜色亮度传输：
Figure BDA0002295968130000086
式中，t′表示传输后得到的像素值，tT是目标图像中的像素，
Figure BDA0002295968130000087
是目标图像中的聚类域的均值，
Figure BDA0002295968130000088
是源图像中的聚类域的标准差，
Figure BDA0002295968130000089
是目标图像中的聚类域的标准差，
Figure BDA00022959681300000810
是源图像中的聚类域的均值。其中，求和符号后面的下标T表示的是μki为目标图像的像素pi在k聚类域的隶属度，即T表示针对目标图像的处理。
在本实施例中，步骤S3中，所述使用隶属度因子实现图像的平滑光照传输具体为：对图像中的每个像素，归属给一个以上的聚类域，并计算该像素与所述一个以上的聚类域的隶属度，选取最大隶属度所对应的聚类域作为该像素所归属的聚类域。本实施例针对实际图像中颜色亮度分布具有的边际分布，籍由模糊聚类将图像中的像素通过隶属度归属给若干个聚类域，因此在颜色亮度迁移过程，同样引入隶属度因子控制各聚类域对该像素颜色亮度处理的贡献度，其目的是使得最终图像的传输效果更加平滑、真实和自然。
在本实施例中，所述步骤S4具体为：先将迁移图像从lαβ颜色空间转移到LMS颜色空间，再从LMS颜色空间转移到RGB颜色空间，最后生成基于源图像内容和目标图像光照强度的RGB图像。具体公式为：
Figure BDA0002295968130000091
Figure BDA0002295968130000092
本实施例还提供了一种跨摄像头场景下指定自适应光照迁移系统，包括存储器、处理器以及存储在存储器中并能够被所述处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，将目标图像和源图像根据模糊聚类算法进行相近图像聚类，在聚类图像之间进行局部颜色亮度迁移，并引入隶属度因子以提高颜色亮度迁移效果。
2.根据权利要求1所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，具体包括以下步骤：
步骤S1：将待处理的源图像和目标图像均从RGB颜色空间转换到lαβ颜色空间；
步骤S2：使用模糊聚类算法分别将lαβ颜色空间的源图像与目标图像划分为不同颜色的亮度聚类域；
步骤S3：为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输；在传输的过程中，使用隶属度因子实现图像的平滑光照传输，将目标图像的光照强度迁移到源图像的光照强度，生成基于源图像内容的迁移图像；
步骤S4：将迁移图像从lαβ颜色空间转换到RGB颜色空间。
3.根据权利要求2所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，步骤S1具体为，先将待处理的源图像和目标图像从RGB颜色空间转换到LMS颜色空间，再从LMS颜色空间转换到lαβ颜色空间。
4.根据权利要求2所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，步骤S2具体包括以下步骤：
步骤S21：令源图像或目标图像作为给定图像，给定图像I大小为W×H，则匹配聚类分析的像素总数为N＝W×H，N个像素用符号记为
Figure FDA0002295968120000021
步骤S22：令图像划分的颜色亮度聚类个数为C，聚类中心表示为V＝{v1,v2,...,vC}；定义像素pi的聚类中心vj的隶属度表示为uji，则给定图像的隶属度矩阵为U＝[uji]C×N。
5.根据权利要求2所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，步骤S3中，所述为每个聚类域分配匹配权值，根据匹配权值相似程度，两两匹配源图像和目标图像之间的聚类域，自源图像向目标图像逐像素地进行颜色亮度传输具体包括以下步骤：
步骤S31：分别为源图像与目标图像中各个聚类域分配权值，每个聚类域的匹配权值w为颜色空间lαβ中每个通道的聚类域中标准差的加权平均值，第k个聚类域Ck的匹配权值wk计算公式如下：
Figure FDA0002295968120000022
Figure FDA0002295968120000023
式中，uki表示像素pi在第k个聚类域的隶属度、t表示通道、
Figure FDA0002295968120000024
表示在t通道的像素值pi、
Figure FDA0002295968120000025
表示在t通道的第k个聚类域值；Z为规范化加权因子，
Figure FDA0002295968120000026
Δ表示lαβ空间中的通道，|Δ|表示lαβ空间中的通道数；
步骤S32：比对源图像与目标图像中的聚类域匹配权值，分别挑选源图像与目标图像中的匹配权值最接近的聚类域作为一对匹配域；
步骤S33：针对每一对匹配域，在源图像和目标图像的颜色空间中分别计算每个通道的聚类域均值和标准差，并采用下式在当前聚类域中逐像素地进行颜色亮度传输：
Figure FDA0002295968120000031
式中，t′表示传输后得到的像素值，tT是目标图像中的像素，
Figure FDA0002295968120000032
是目标图像中的聚类域的均值，
Figure FDA0002295968120000033
是源图像中的聚类域的标准差，
Figure FDA0002295968120000034
是目标图像中的聚类域的标准差，
Figure FDA0002295968120000035
是源图像中的聚类域的均值。
6.根据权利要求2所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，步骤S3中，所述使用隶属度因子实现图像的平滑光照传输具体为：对图像中的每个像素，归属给一个以上的聚类域，并计算该像素与所述一个以上的聚类域的隶属度，选取最大隶属度所对应的聚类域作为该像素所归属的聚类域。
7.根据权利要求2所述的一种跨摄像头场景下指定自适应光照迁移方法，其特征在于，所述步骤S4具体为：先将迁移图像从lαβ颜色空间转移到LMS颜色空间，再从LMS颜色空间转移到RGB颜色空间，最后生成基于源图像内容和目标图像光照强度的RGB图像。
8.一种跨摄像头场景下指定自适应光照迁移系统，包括存储器、处理器以及存储在存储器中并能够被所述处理器运行的计算机程序，其特征在于，当处理器运行该计算机程序时，实现如权利要求1-7任一项所述的方法步骤。
9.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，其特征在于，当处理器运行该计算机程序时，实现如权利要求1-7任一项所述的方法步骤。
CN201911201370.0A 2019-11-29 2019-11-29 一种跨摄像头场景下指定自适应光照迁移方法及系统 Pending CN110969571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201370.0A CN110969571A (zh) 2019-11-29 2019-11-29 一种跨摄像头场景下指定自适应光照迁移方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201370.0A CN110969571A (zh) 2019-11-29 2019-11-29 一种跨摄像头场景下指定自适应光照迁移方法及系统

Publications (1)

Publication Number Publication Date
CN110969571A true CN110969571A (zh) 2020-04-07

Family

ID=70032178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201370.0A Pending CN110969571A (zh) 2019-11-29 2019-11-29 一种跨摄像头场景下指定自适应光照迁移方法及系统

Country Status (1)

Country Link
CN (1) CN110969571A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907485A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于lαβ空间色彩映射的遥感影像批量调色方法
CN113079319A (zh) * 2021-04-07 2021-07-06 杭州涂鸦信息技术有限公司 一种图像调整方法及其相关设备
CN113222073A (zh) * 2021-06-09 2021-08-06 支付宝(杭州)信息技术有限公司 训练迁移学习模型和推荐模型的方法及装置
CN113542573A (zh) * 2020-04-14 2021-10-22 华为技术有限公司 一种拍照方法和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899845A (zh) * 2015-05-10 2015-09-09 北京工业大学 一种基于lαβ空间场景迁移的多曝光图像融合方法
US20160314567A1 (en) * 2015-03-26 2016-10-27 The Board Of Regents Of The University Of Texas System Systems and methods for image/video recoloring, color standardization, and multimedia analytics
CN107204018A (zh) * 2017-04-24 2017-09-26 东北大学 一种基于光照差异的颜色补偿方法
CN107909561A (zh) * 2017-11-15 2018-04-13 浙江大学宁波理工学院 一种基于权值优化的最优传输图像颜色迁移方法
CN110969112A (zh) * 2019-11-28 2020-04-07 福州大学 跨摄像头场景下行人身份对齐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314567A1 (en) * 2015-03-26 2016-10-27 The Board Of Regents Of The University Of Texas System Systems and methods for image/video recoloring, color standardization, and multimedia analytics
CN104899845A (zh) * 2015-05-10 2015-09-09 北京工业大学 一种基于lαβ空间场景迁移的多曝光图像融合方法
CN107204018A (zh) * 2017-04-24 2017-09-26 东北大学 一种基于光照差异的颜色补偿方法
CN107909561A (zh) * 2017-11-15 2018-04-13 浙江大学宁波理工学院 一种基于权值优化的最优传输图像颜色迁移方法
CN110969112A (zh) * 2019-11-28 2020-04-07 福州大学 跨摄像头场景下行人身份对齐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱小燕 等: "模糊颜色聚类在颜色传输中的应用", 《计算机辅助设计与图形学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113542573A (zh) * 2020-04-14 2021-10-22 华为技术有限公司 一种拍照方法和电子设备
CN112907485A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于lαβ空间色彩映射的遥感影像批量调色方法
CN112907485B (zh) * 2021-03-18 2023-04-25 国家海洋信息中心 一种基于lαβ空间色彩映射的遥感影像批量调色方法
CN113079319A (zh) * 2021-04-07 2021-07-06 杭州涂鸦信息技术有限公司 一种图像调整方法及其相关设备
CN113079319B (zh) * 2021-04-07 2022-10-14 杭州涂鸦信息技术有限公司 一种图像调整方法及其相关设备
CN113222073A (zh) * 2021-06-09 2021-08-06 支付宝(杭州)信息技术有限公司 训练迁移学习模型和推荐模型的方法及装置

Similar Documents

Publication Publication Date Title
CN110969571A (zh) 一种跨摄像头场景下指定自适应光照迁移方法及系统
Alata et al. Choice of a pertinent color space for color texture characterization using parametric spectral analysis
CN108509920B (zh) 基于CNN的多patch多通道联合特征选择学习的人脸识别方法
CN106599863A (zh) 一种基于迁移学习技术的深度人脸识别方法
GB2588538A (en) Anti-spoofing
JP2004348732A (ja) シーンの背景を表現する背景画像を適応的に更新する方法
CN113505768A (zh) 模型训练、人脸识别方法、电子设备及存储介质
Charco et al. Deep learning based camera pose estimation in multi-view environment
CN116157805A (zh) 利用神经嵌入的相机图像或视频处理流水线
Seo et al. One-to-one example-based automatic image coloring using deep convolutional generative adversarial network
Mahmood et al. A treatise to vision enhancement and color fusion techniques in night vision devices
Owens et al. Learning object color models from multi-view constraints
CN110321452B (zh) 一种基于方向选择机制的图像检索方法
Zhou et al. IACC: cross-illumination awareness and color correction for underwater images under mixed natural and artificial lighting
Titus et al. Fast colorization of grayscale images by convolutional neural network
JP2013164832A (ja) オブジェクト認識装置および方法
Hsu et al. Region-based image fusion with artificial neural network
CN116029916A (zh) 基于结合稠密小波的双分支网络的低照度图像增强方法
Richart et al. Image colorization with neural networks
CN114049262A (zh) 一种图像处理方法、图像处理装置及存储介质
Pei et al. Nighttime haze removal using bilateral filtering and adaptive dark channel prior
CN108564534A (zh) 一种基于检索的图像对比度调整方法
US10447922B2 (en) Automated color space configuration in machine vision systems
Hu et al. General regression neural network utilized for color transformation between images on RGB color space
CN106815860B (zh) 一种基于有序比对特征的目标跟踪方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407