发明内容
本发明提供一种彩色图片处理方法、装置、设备、存储介质及系统,以解决现有的彩色图片处理方法无法兼顾到每种色彩、以及每个内容,造成输出设备无法在印刷介质上输出高质量的彩色图片的技术问题。
第一方面,本发明提供一种彩色图片处理方法,方法应用于输出设备,其中,输出设备用于印刷彩色图片,方法包括:
对彩色图片进行分割处理,生成至少一个特征区域;
根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数;
根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据。
可选地,对彩色图片进行分割处理,生成至少一个特征区域,具体包括:
使用卷积网络对彩色图片进行语义分割处理,生成至少一个特征区域。
可选地,在对彩色图片进行分割处理,生成至少一个特征区域,之后还包括:
根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。
可选地,方法还包括:
根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理。
可选地,特征区域的光栅化参数包括以下至少一项:
挂网种类、调幅网线数、调幅网角组合、及调频网的网点尺寸。
可选地,确定特征区域的色彩调校参数包括以下至少一项:
设备特性化曲线、颜色特性化曲线、及颜色微调曲线。
第二方面,本发明提供一种彩色图片处理装置,方法应用于输出设备,其中,输出设备用于印刷彩色图片,装置包括:
分割模块,用于对彩色图片进行分割处理,生成至少一个特征区域;
确定模块,用于根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数;
处理模块,用于根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据。
可选地,分割模块,具体包括:
使用卷积网络对彩色图片进行语义分割处理,生成至少一个特征区域。
可选地,确定模块还用于:
根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。
可选地,处理模块还用于:
根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理。
可选地,特征区域的光栅化参数包括以下至少一项:
挂网种类、调幅网线数、调幅网角组合、及调频网的网点尺寸。
可选地,确定特征区域的色彩调校参数包括以下至少一项:
设备特性化曲线、颜色特性化曲线、及颜色微调曲线。
第三方面,本发明提供一种电子设备,包括:
存储器,用于存储程序;
处理器,用于执行存储器存储的程序,当程序被执行时,处理器用于执行第一方面及可选方案所涉及的彩色图片处理方法。
第四方面,本发明提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行第一方面及可选方案所涉及的彩色图片处理方法。
第五方面,本发明提供一种彩色图片处理系统,包括:用于采集输出设备状态的数据采集装置、及处理器,处理器用于执行第一方面及可选方案所涉及的彩色图片处理方法。
本申请提供一种彩色图片处理方法、装置、设备、存储介质及系统,该彩色图片处理方法对彩色图片进行分割处理,以生成多个特征区域,针对每个特征区域,确定与该特征区域对应的光栅化参数,根据光栅化参数对该特征区域进行光栅化处理,该方法能够兼顾彩色图片各个特征区域,使输出设备在印刷介质上输出高质量的彩色图片。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在印刷输出领域,印刷文件通常包含有丰富的高质量的彩色图片,这些彩色图片不仅在色彩呈现上丰富多彩,而且在每幅图中又包含多种不同种类的内容,例如人物、天空、绿植、动物、器皿、木质家具等等。这些图片中的内容在实际印刷输出时,对色彩的呈现有不同的质量要求。针对上述彩色图片,现有的彩色图片处理方法将彩色图片进行栅格化处理,生成图片数据,输出设备在使用该图片数据在印刷介质上输出彩色图片时,现有方法仅满足了某一个或几个实物的输出色彩和挂网质量,其他的实物输出质量将无法达到要求的色彩和挂网质量,甚至可能带来负面输出效果。尤其是图像中包括相反色系的实物,或者挂网层次及细腻度的要求差异较大的实物。由于不能兼顾彩色图片中每个色彩及每个内容,造成所输出的彩色图片质量不高。
针对现有技术存在问题,本发明的发明构思是:对彩色图片进行分割处理,针对分割处理后的每个特征区域,确定该特征区域的栅格化参数,并利用栅格化参数对彩色图片进行栅格化处理,实现兼顾彩色图片中每个色彩以及每个内容,使输出设备在利用栅格化处理后的图片数据进行印刷时,可输出高质量的彩色图片。另外,进一步提高在印刷介质上彩色图片的质量,基于语义信息对彩色图片进行分割处理,分割更精细,并对每个特征区域进行色彩调校处理,以适应不同的输出设备和印刷介质。
图1为本发明根据另一示例性实施例示出的彩色图片处理方法的流程示意图。如图1所示,方法应用于输出设备,其中,输出设备用于印刷彩色图片,彩色图片处理方法包括如下步骤:
S101、对彩色图片进行分割处理,生成至少一个特征区域。
更具体地,对彩色图片进行分割处理,生成至少一个特征区域,具体包括:使用卷积网络对彩色图片进行语义分割处理,生成至少一个特征区域,实现对图片内各种实物进行区分,并按各实物轮廓边界对图片中各实务进行标识。
其中,使用卷积网络对彩色图片进行多次卷积处理,输出多个特征图。再对特征图进行分类卷积处理,输出每个像素的类别信息,将具有相同类别的像素组合在一起,构成特征区域。也可以采用其他方式获得特征区域,例如:深度学习方法,在此处不做限定。
例如:在彩色图像中有草地和道路,在将该彩色图像输入卷积网络处理后,草地所对应的像素均标记为1,道路所对应的像素均标记为2,标记为1的像素组合成草地特征区域,标记为2的像素组合成道路特征区域。
S102、根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数。
更具体地,根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数,具体包括:针对每个特征区域,根据用户需求确定每个特征区域的输出质量。输出设备的状态参数包括输出设备的成像特点,例如:增益值。在确定特征区域的输出质量和输出设备的状态参数之后,根据每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数。其中,光栅化参数包括以下至少一项:挂网种类、调幅网线数、调幅网角组合、及调频网的网点尺寸。挂网种类可分为:调频挂网、调幅挂网以及调频幅挂网。
通过对每个特征区域进行光栅化处理,实现将连续调的8位图片数据转换成1到4位的输出设备可识别的光栅化点阵数据,也可将光栅化处理称为挂网处理。由于挂网处理将连续调图像转换成半色调图像,层次有极大损失。根据每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数,即可达到完美复制再现连续调的原图效果。
S103、根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据。
更具体地,根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据,具体包括:在确定每个特征区域的光栅化参数之后,利用光栅化参数对特征区域进行光栅化处理,生成用于印刷的图片数据。
在本实施中,对彩色图片进行分割处理,生成多个特征区域,针对每个特征区域,确定与该特征区域对应的光栅化参数,根据光栅化参数对该特征区域进行光栅化处理,该方法能够兼顾彩色图片中每个内容、每个色彩,当图片数据输入输出设备时,输出设备能在印刷介质上输出高质量的彩色图片。
图2为本发明根据另一示例性实施例示出的彩色图片处理方法的流程示意图。如图2所示,本实施提供的方法包括如下步骤:
S201、对彩色图片进行分割处理,生成至少一个特征区域。
该步骤与图1所示实施例中S101相同,此处不再赘述。
S202、根据输出设备状态参数和至少一个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。
更具体地,根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数,具体包括:确定特征区域上所有包含色彩在印刷介质上的再现性参数,根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。其中,色彩调校参数包括以下至少一项:设备特性化曲线、颜色特性化曲线、及颜色微调曲线。
S203、根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理。
更具体地,根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理,具体包括:在确定每个特征区域的色彩调校参数之后,根据每个特征区域的色彩调校参数对对应特征区域进行色彩调校处理。
其中,设备特性化曲线用于校准处于不同状态下设备的输出颜色,颜色特性化曲线则用于反映设备颜色再现能力。设备特性化曲线和颜色特性化曲线都用于校准输出设备的颜色、层次及饱和度,或者不同设备之间的颜色匹配等。通过对每个特征区域进行色彩调校处理,保证彩色图片在设备输出时能够达到较好的输出质量复制效果,尤其对于颜色丰富、色彩饱和度高、及具有较多色彩的彩色图片。
S204、根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数。
更具体地,在本实施例中,人物采用半色调调幅挂网,挂网线数为300线/英寸,其他实物则使用半色调调幅挂网,挂网线数为175线/英寸的。
S205、根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据。
该步骤与图1所示实施例中S103相同,此处不再赘述。
下面详细说明本实施例提供的彩色图片处理方法的实现代码,以图3所示彩色图像为例:
S201中分割方法是搭建在Google Colab的运算平台之上,分割方法的伪码为:
(1)设置开发处理平台,伪码如下:
!pip install PyDrive
import os
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials
(2)导入建模所需的库,伪码如下:
import keras
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten
from keras.layers import Conv2D,MaxPooling2D
from keras.utils import to_categorical
from keras.preprocessing import image
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from tqdm import tqdm
(3)训练集数据导入,并对标签变量进行编码预处理,伪码如下:
train_image=
for i in tqdm(range(train.shape[0])):
img=image.load_img('train/'+train['id'][i].astype('str')+'.png',target_size=(28,28,1),grayscale=True)
img=image.img_to_array(img)
img=img/255
train_image.append(img)
X=np.array(train_image)
y=train['label'].valuesy=to_categorical(y)
(4)实施例中从训练集中划分验证集,伪码如下:
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=42,test_size=0.2)
(5)定义学习模型结构,其包含2个卷积层,1个隐蔽层和1个输出层,伪码如下:
model=Sequential
model.add(Conv2D(32,kernel_size=(3,3),activation='relu',input_shape=(28,28,1)))
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Flatten)
model.add(Dense(128,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))
(6)训练模型,并在验证集上进行验证,伪码如下:
model.fit(X_train,y_train,epochs=10,validation_data=(X_test,y_test))
(7)循环处理训练集,加载测试图像并预测分类结果并输出结果,伪码如下:
download=drive.CreateFile({'id':'1KuyWGFEpj7Fr2DgBsW8qsWvjqEzfoJBY'})
download.GetContentFile('test_ScVgIM0.zip')
!unzip test_ScVgIM0.zip
test=pd.read_csv('test.csv')
test_image=
for i in tqdm(range(test.shape[0])):
img=image.load_img('test/'+test['id'][i].astype('str')+'.png',target_size=(28,28,1),grayscale=True)
img=image.img_to_array(img)
img=img/255
test_image.append(img)
test=np.array(test_image)
图3为本发明根据另一示例性实施例示出的分割处理后的彩色图片的示意图,经过上述代码处理,分割结果如图3所示。针对图3所示彩色图片,采用如下伪码实现S202至S205:
循环扫描分割后的图片中各个像素
IF(输入像素∈人物)
{
首先进行人物颜色微调曲线调整
其次进行300线/英寸半色调挂网处理
}
ELSE IF(输入像素∈其他部分)
{
首先作不同幅度的颜色微调处理
其次作175线/英寸半色调挂网处理
}
输出处理后的图片数据。
在本实施例提供的彩色图片处理方法中,将分割后的各个特征区域针对当前输出设备的状态参数,分别进行个性化色彩调校及光栅化处理,从而提高图片输出质量。
图4为本发明根据另一示例性实施例示出的彩色图片处理装置的结构示意图。如图4所示,本发明提供一种彩色图片处理装置,方法应用于输出设备,其中,输出设备用于印刷彩色图片,装置包括:
分割模块301,用于对彩色图片进行分割处理,生成至少一个特征区域;
确定模块302,用于根据预设的每个特征区域的输出质量和输出设备的状态参数确定每个特征区域的光栅化参数;
处理模块303,用于根据每个特征区域的光栅化参数对每个特征区域进行光栅化处理,生成用于印刷的图片数据。
可选地,分割模块301,具体包括:
使用卷积网络对彩色图片进行语义分割处理,生成每个特征区域。
可选地,确定模块302还用于:
根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。
可选地,处理模块303还用于:
根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理。
可选地,每个特征区域的光栅化参数包括以下至少一项:
挂网种类、调幅网线数、调幅网角组合、及调频网的网点尺寸。
可选地,确定每个特征区域的色彩调校参数包括以下至少一项:
设备特性化曲线、颜色特性化曲线、及颜色微调曲线。
图5为本发明根据一示例性实施例示出的彩色图片处理系统的结构图。如图5所示,本发明提供的彩色图片处理系统包括:数据采集装置402和处理器401。
其中,数据采集装置402位于输出设备上,数据采集装置402用于采集输出设备的状态,处理器401用于接收输出设备的状态,并生成相应的状态参数。处理器401还用于接收彩色图片,并对彩色图片进行分割处理,生成多个特征区域。处理器401还用于根据输出设备状态参数和每个特征区域上色彩在印刷介质上的再现性参数,确定每个特征区域的色彩调校参数。根据每个特征区域的色彩调校参数对每个特征区域进行色彩调校处理。处理器401还用于根据每个特征区域的输出质量和输出设备的状态参数确定该特征区域的光栅化参数。根据该特征区域的光栅化参数对该特征区域进行光栅化处理,生成用于印刷的图片数据。
图6为本发明根据一示例性实施例示出的彩色图片处理系统的原理图,如图6所示,处理器接收彩色图片,并对图片进行语义分割,确定分割子项,并对分割子项中实物的轮廓进行标识。通过数据采光栅化集装置采集输出设备的状态,并将输出设备的状态传输至处理器。处理器根据输出设备的状态,结合每个分割子项的颜色在输出物理介质上的再现特性,确定各子项不同的色彩调校参数。通过输出设备的状态和子项在输出介质上输出质量的要求确定各子项的光栅化参数,对待处理图片逐行进行扫描,对待处理图片进行相应的色彩校正和半色调光栅化处理,得到用于设备输出的图片数据。
本实施例提供的彩色图片处理系统,所生成的图片数据能够兼顾彩色图片中每个内容、每个色彩,当将该图片数据输入到输出设备时,输出设备能在印刷介质上输出高质量的彩色图片。
图7为本发明根据一示例性实施例示出的电子设备的结构示意图。如图7所示,本实施例的电子设备500包括:处理器501以及存储器502。
其中,存储器502,用于存储计算机执行指令;
处理器501,用于执行存储器存储的计算机执行指令,以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选的,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该电子设备500还包括总线503,用于连接存储器502和处理器501。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现上述的彩色图片处理方法。
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。