CN112200207B - 光源颜色的确定方法、装置、存储介质及电子设备 - Google Patents
光源颜色的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112200207B CN112200207B CN201910608972.1A CN201910608972A CN112200207B CN 112200207 B CN112200207 B CN 112200207B CN 201910608972 A CN201910608972 A CN 201910608972A CN 112200207 B CN112200207 B CN 112200207B
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- light source
- feature vector
- vector
- 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 75
- 239000013598 vector Substances 0.000 claims abstract description 309
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 189
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 28
- 239000002609 medium Substances 0.000 description 14
- 238000000605 extraction Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000001028 reflection method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种光源颜色的确定方法、装置、存储介质及电子设备。该方法包括:确定目标图像的目标特征向量;将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;根据所述目标算法参数向量,确定所述目标图像的光源颜色。通过执行本技术方案,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种光源颜色的确定方法、装置、存储介质及电子设备。
背景技术
在自然环境下,人的视觉系统具有抵制场景中光源颜色变化的能力。比如,对同一个场景,无论是在早晨偏黄的阳光照射下,还是旁晚时分偏红的阳光照射下,我们的视觉系统所感知到的场景的颜色始终保持恒定,这种能力也被称为视觉系统的颜色恒常性。
当前常见的光源颜色估计算法包括灰度世界法(Gray World)、完美反射法(max-RGB)等,这类方法原理简单、易于实现,但由于基于的假设太强,导致使用场景受限。例如对于灰度世界法,其假设是一幅彩色图像中的所有像素值的统计平均结果是灰色的,当遇到一些如大面积纯色的场景(如大面积黄色、蓝色等)时,这类算法的假设就明显不成立,导致对光源颜色的估计存在严重偏差;完美反射法的假设是画面中高亮区的颜色代表了光源颜色,这在一些光照均匀的场景(无明显高亮区)同样也会失效。因此,如何能够更加精确的确定图片的光源颜色,以及增加确定过程的适用场景,已经成为本领域技术人员亟待解决的技术难题。
发明内容
本申请实施例提供一种光源颜色的确定方法、装置、存储介质及电子设备,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
第一方面,本申请实施例提供了一种光源颜色的确定方法,该方法包括:
确定目标图像的目标特征向量;
将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
根据所述目标算法参数向量,确定所述目标图像的光源颜色。
可选的,所述目标图像的目标特征向量包括目标图像的至少两阶图层特征向量;
相应的,确定目标图像的目标特征向量,包括:
将所述目标图像作为零阶图层;
对所述目标图像在空间域求导,得到高阶图层;
根据所述零阶图层和所述高阶图层,确定目标图像的目标特征向量。
可选的,将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;
在二维色度空间中按照预设规则划分子区域,将所述零阶图层在各个子区域中的像素点个数作为零阶图层特征向量;并将所述高阶图层在各个子区域中的像素点个数作为高阶图层特征向量;
将所述零阶图层特征向量与所述高阶图层特征向量组合形成完整特征向量;
或者,
将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;
确定所述零阶图层的第一特征向量,以及确定所述高阶图层的第一特征向量;其中,所述第一特征向量包括二维色度空间的平均色度值、最大色度值以及在二维色度空间中的分布标准差;
确定所述零阶图层的第二特征向量,以及确定所述高阶图层的第二特征向量;其中,所述第二特征向量是基于二维色度空间的直方图分布进行聚类运算得到的目标类的信息,所述目标类的信息包括目标类的平均色度值、目标类的最大色度值以及目标类在二维色度空间中的分布标准差;
将所述第一特征向量和第二特征向量组合得到精简特征向量。
可选的,将所述目标特征向量输入分类器之前,还包括:
确定样本集合,以及确定样本集合中每个样本图像的样本特征向量;其中,所述样本图像为已知光源颜色的彩色图像;
计算所述样本图像在各个算法参数向量上的光源预测值,根据所述光源预测值与样本图像的光源颜色之间的相似度确定适配算法参数向量,根据样本集合中各样本图像的适配算法参数向量对样本图像进行分类,得到样本类;其中所述参数空间是所有算法参数向量的集合;
根据样本类的个数,确定分类器的输出结果个数;其中,每个输出结果对应一个算法参数向量;
基于完成分类的样本图像的特征向量、算法参数向量对分类器进行训练。
可选的,根据所述目标算法参数向量,确定所述目标图像的光源颜色,包括:
根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;
将目标参数值输入至光源颜色算法中,确定光源颜色。
可选的,根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;将目标参数值输入至光源颜色算法中,确定光源颜色,包括:
若所述目标算法参数向量为一个,则将所述目标算法参数向量对应的目标参数值输入至光源颜色算法中,计算光源颜色;
若所述目标算法参数向量为至少两个,则,
根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定每个目标算法参数向量的权重值,并根据每个目标算法参数向量的权重值及其对应的目标参数值,计算光源颜色;
或者,
根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定所有目标算法参数向量中的至少两个用于计算的算法参数向量的权重值及其对应的目标参数值,并根据至少两个用于计算的目标参数值及其权重值,计算光源颜色。
可选的,所述光源颜色算法采用广义灰度边缘算法。
其中,具体的,对所述训练样本中的图像进行特征提取,得到样本特征向量,包括:
对所述训练样本中的图像的0阶图层特征向量、1阶图层特征向量和2阶图层特征向量三个阶层进行特征提取,并组合得到样本图像完整特征,具体包括:
计算训练样本中的图像的0阶图层、1阶图层和2阶图层;
将所述0阶图层、1阶图层和2阶图层由三维色度空间转换到二维色度空间;
对所述二维色度空间划分成预设子区间,针对0阶图层、1阶图层和2阶图层,分别计算在各子区间中的分布情况,得到0阶图层、1阶图层和2阶图层的三个图层特征向量;
将三个所述图层特征向量组合,得到完整特征向量。
其中,具体的,对所述训练样本中的图像进行特征提取,得到样本特征向量,包括:
对所述训练样本中的图像的0阶图层特征向量、1阶图层特征向量和2阶图层特征向量三个阶层进行特征提取,并组合得到样本图像精简特征向量,具体包括:
计算训练样本中的图像的0阶图层、1阶图层和2阶图层;
将所述0阶图层、1阶图层和2阶图层由三维色度空间转换到二维色度空间;
计算二维空间的平均色度值,分布标准差,以及二维色度空间的最大色度值,作为精简特征向量的第一特征向量;
对所述二维色度空间划分成预设子区间,针对0阶图层、1阶图层和2阶图层,分别计算在各子区间中的分布情况,以对每个图层的像素点进行聚类;
根据聚类结果,确定目标子类;
计算所述目标子类的平均色度值,分布标准差,以及所述目标子类的像素数量在图像总像素数的占比,作为精简特征向量的第二特征向量;
将所述第一特征向量和所述第二特征向量组合,得到样本图像精简特征向量。
其中,具体的,所述目标子类包括至少一个目标子类的像素数量在图像总像素数的占比高于设定占比的子类。
第二方面,本申请实施例提供了一种光源颜色的确定装置,该装置包括:
目标特征向量确定模块,用于确定目标图像的目标特征向量;
匹配度计算模块,用于将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
目标算法参数向量确定模块,用于根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
光源颜色确定模块,用于根据所述目标算法参数向量,确定所述目标图像的光源颜色。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所述的光源颜色的确定方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的光源颜色的确定方法。
本申请实施例所提供的技术方案,确定目标图像的目标特征向量;将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;根据所述目标算法参数向量,确定所述目标图像的光源颜色。通过采用本申请所提供的技术方案,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
附图说明
图1是本申请实施例一提供的光源颜色的确定方法的流程图;
图2是本申请实施例一提供的分类器模型示意图;
图3是本申请实施例二提供的光源颜色的确定装置的结构示意图;
图4是本申请实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
颜色恒常性,是一种排除光源颜色的干扰而实现对场景颜色精确感知的能力。获得颜色恒常性对于当前的机器视觉应用,如图像检索、图像分类、目标识别与追踪等,具有重要意义。
想要实现机器视觉的颜色恒常性能力,其关键,就是对场景光源颜色的精确估计。然而,在大部分应用情况下,我们很难直接或实时地获取场景光源的颜色信息,可以利用的信息主要就是相机实时拍摄的场景图像。而由Lambertian反射模型可知,相机成像图像的颜色主要由光源颜色、场景反射特性、相机响应特性这三方面因素来决定,虽然相机响应特性可以通过预先的标定来获得,但仅通过图像信息来反推光源颜色在数学上依然属于一个不适定问题(ill-posed problem)。想要求解该问题,需要外部加入一些限制条件或者假设才行。
当前常见的光源颜色估计算法包括灰度世界法(Gray World)、完美反射法(max-RGB)等,这类方法原理简单、易于实现,但由于基于的假设太强,导致使用场景受限。例如对于灰度世界法,其假设是一幅彩色图像中的所有像素值的统计平均结果是灰色的,当遇到一些如大面积纯色的场景(如大面积黄色、蓝色等)时,这类算法的假设就明显不成立,导致对光源颜色的估计存在严重偏差;完美反射法的假设是画面中高亮区的颜色代表了光源颜色,这在一些光照均匀的场景(无明显高亮区)同样也会失效。本质上看,无论灰度世界法与完美反射法,都是基于图像像素值的统计算法,这类算法由于对图像像素值较高的依赖性,从而对场景敏感度高,体现为对场景的适应性较差。对这类算法的一般化表述就是Shadesof Gray(SoG)算法,通过闵可夫斯基范数的形式来表述:
其中f(x)是图像在坐标x处的像素值,p是范数参数,是光源颜色的估计值,k为常数;当p取1时,上式就是灰度世界法,而当p取∞时,上式就对应了完美反射法。由此可见,灰度世界法与完美反射法均是SoG算法的特例。SoG算法中p的取值往往对算法的效果具有较大的影响,一般认为p的最佳取值为6。
另一方面,J.Weijer等人在2007年提出的灰度边缘法(Gray Edge,GE),在更高层次上提出了优化方向,即将对图像信息的参考从原本的0阶统计信息扩展到1阶甚至更高阶的统计信息上来。此处0阶信息代表像素值本身,1阶信息代表像素值在空间域的一阶求导值,高阶信息同理。研究表明,通过利用图像的1阶或者高阶信息来计算的GE算法,相比仅用0阶信息的SoG算法,在大部分场景下具有更高的精度与适应性;但是对于那些细节或纹理较弱的场景,GE算法的效果往往较差。因此,无论是SoG算法还是GE算法都有自身的不足与优势。
实施例一
图1是本申请实施例一提供的光源颜色的确定方法的流程图,本实施例可适应于确定图像的光源颜色的情况,该方法可以由本申请实施例所提供的光源颜色的确定装置执行,该装置可以由软件和/或硬件的方式来实现,并可集成于智能终端等电子设备中。
如图1所示,所述光源颜色的确定方法包括:
S110、确定目标图像的目标特征向量。
其中,目标图像可以是需要确定光源颜色的图像,目标特征向量可以是对目标图像进行特征提取来得到的特征向量,也可以是目标图像本身,对一幅数字图像,最直接、同时包含信息最完整的图像特征,就是图像本身。在本实施例中,可以采用任何一种特征提取方式,只要能够表现出图像的特征即可。
在本实施例中,可选的,所述目标图像的目标特征向量包括目标图像的至少两阶图层特征向量;相应的,确定目标图像的目标特征向量,包括:将所述目标图像作为零阶图层;对所述目标图像在空间域求导,得到高阶图层;根据所述零阶图层和所述高阶图层,确定目标图像的目标特征向量。其中,不同阶图层特征向量,可以是对图像的不同阶图层进行特征的提取得到的。不同阶图层可以根据目标图像的不同阶导数来求取。例如,可以求取目标图像的一阶导数和二阶导数,进而得到两阶图层。值得说明的是,图像的零阶导数即为原目标图像,也可以作为一阶图层。通过不同阶图层的提取,不仅可以提供原目标图像的信息,还能够提供图像的高频细节信息,可以提高所提取的图像特征的使用价值。在本实施例中,可以通过对图像在空间域进行求取一阶导数、二阶导数乃至更高阶导数来获取图像的高阶图层。其中目标特征向量可以是目标图像在不同阶图层上面的特征的组合。
以下以一阶导数和二阶导数为例进行说明。将原始图像作为0阶图层,将原始图像在空间域的一阶导作为1阶图层,将原始图像在空间域的二阶导作为2阶图像。记f为原始图像,记f0、f1、f2分别为原始图像的0阶、1阶、2阶图层。具体计算公式如下:
f0=f;
其中,分别代表在图像的x、y方向上的一阶求导算子,/>分别代表二阶求导算子,每个图层均包含R、G、B三个通道图像。
在本实施例中,可选的,将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;在二维色度空间中按照预设规则划分子区域,将所述零阶图层在各个子区域中的像素点个数作为零阶图层特征向量;并将所述高阶图层在各个子区域中的像素点个数作为高阶图层特征向量;将所述零阶图层特征向量与所述高阶图层特征向量组合形成完整特征向量;或者,将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;确定所述零阶图层的第一特征向量,以及确定所述高阶图层的第一特征向量;其中,所述第一特征向量包括二维色度空间的平均色度值、最大色度值以及在二维色度空间中的分布标准差;确定所述零阶图层的第二特征向量,以及确定所述高阶图层的第二特征向量;其中,所述第二特征向量是基于二维色度空间的直方图分布进行聚类运算得到的目标类的信息,所述目标类的信息包括目标类的平均色度值、目标类的最大色度值以及目标类在二维色度空间中的分布标准差;将所述第一特征向量和第二特征向量组合得到精简特征向量。
将各图层f0、f1、f2从RGB三维空间转换到二维的色度空间,去除亮度分量的影响。二维色度空间的选择有多种。本实施例采用如下转换方式:
其中,下标i=0、1、2代表了图层的阶数;Ri、Gi、Bi分别代表第i阶图层转换前的三通道图像;ri、bi分别代表第i阶图层转换后的两个色度通道图像。其中,为了避免Gi等于0导致的上述公式中除数为0的情况,可以在Gi基础上增加一个非零保护项,比如该保护项可以取0.1,以避免除数为0导致的异常情况。
在得到总共三阶图层的二维色度空间的基础上,可以对各阶图层进行特征提取,其中,具体的提取方式可以采用如下两种方式,即提取完整特征向量或者提取精简特征向量,作为目标图像的目标特征向量。
其中,具体的,对样本图像或者目标图像进行特征提取,得到图像特征向量,包括:对所述二维色度空间划分成预设子区间,针对0阶图层、1阶图层和2阶图层,分别计算在各子区间中的分布情况,得到0阶图层、1阶图层和2阶图层的三个图层特征向量;将三个所述图层特征向量组合,得到完整特征向量。
分别统计0、1、2阶图层在二维色度空间的直方图分布及特征向量。以第i阶图层为例进行说明:将第i阶图像的二维色度空间均匀划分为M*N个子区间,其中M为沿ri轴的子区间划分数目,N为沿bi轴的子区间划分数目;统计该图层中,像素值落在所有这M*N个子区间内的像素数量,最终得到一个M*N的矩阵,即为该图层在r-b二维色度空间的直方图分布Hi;进一步将二维矩阵Hi重组成一个长度为M*N的一维向量,得到该图层的特征向量Fi。至此,分别获得了0阶、1阶和2阶图层的特征向量F0、F1、F2,每个特征向量的长度均为M*N。此处,M、N的取值一般依据经验而定,例如本实施例设置M=N=32。
将三个图层的特征向量F0、F1、F2进一步组合成一个长度为3*M*N的特征向量,称为图像的完整特征向量F。
上述的完整特征向量F,覆盖了从0阶、1阶到2阶的图层信息,且每个图层的特征向量由其二维色度直方图构成,形成了完整的图像特征覆盖。以M=N=32为例,实际每张图像的特征向量长度为3*M*N=3072,虽然已经远远小于原始图像数据量(一般为百万量级的像素值),但是依然是一个较为庞大的数据量。
为了进一步压缩特征向量的数据量,降低模型复杂度与计算量,以满足一些硬件算力并不充裕的应用场景,下面提供第二种实施例,描述了一种精简特征向量的提取方法。
其中,具体的,根据样本图像或者目标图像,得到图像特征向量,在本实施例中,包括:计算二维空间的平均色度值,分布标准差,以及二维色度空间的最大色度值,作为精简特征向量的第一特征向量;对所述二维色度空间划分成预设子区间,针对0阶图层、1阶图层和2阶图层,分别计算在各子区间中的分布情况,以对每个图层的像素点进行聚类;根据聚类结果,确定目标子类;计算所述目标子类的平均色度值,分布标准差,以及所述目标子类的像素数量在图像总像素数的占比,作为精简特征向量的第二特征向量;将所述第一特征向量和所述第二特征向量组合,得到样本图像精简特征向量。
其中,具体的,所述目标子类包括至少一个目标子类的像素数量在图像总像素数的占比高于设定占比的子类。
基于各阶图层在二维色度空间r-b的分布值,计算第一特征向量。计算公式如下:
其中,下标i=0、1、2代表了图层的阶数;N为图像的像素数总和;(ri mean,bi mean)代表了图像的平均色度值;di为分布标准差,体现像素值的离散程度,也可以用上述公式中的第二个di求解公式;(ri max,bi max)代表了图像的最大色度值。上述的5个统计值基本代表了图像整体的统计特征。对图层i,将上述5个统计值组合成一个特征向量,得到第一特征向量Fi 1=[ri mean,bi mean,di,ri max,bi max];需说明,本发明对该特征向量中各统计值的排序不做任何限定,可以是任意排序。根据该方法,依次得到0阶、1阶、2阶图层的第一特征向量F0 1、F1 1、F2 1。
统计各图层在二维色度空间r-b的直方图分布,基于直方图分布进行聚类,计算各图层的第二特征向量。其中,二维色度空间的直方图分布计算方法与实施例1一致。得到各图层在r-b二维色度空间的直方图分布Hi(i=0、1、2)后,基于直方图分布进行聚类运算;此处,聚类运算可以采用K-Means、Mean-Shift、DBSCAN、高斯混合模型(GMM)等经典算法来实现;例如在本实施例采用的是DBSCAN算法对各图层的二维直方图分布进行聚类处理。对图层i的二维直方图分布Hi,完成聚类后假设共得到M个类,按下述公式计算每个类的统计信息,以第l类为例(1≤l≤M):
其中,下标i代表图层的阶数;上标l代表了类序号;Ci l代表了类l的像素集合,Ni l代表了类l的像素数量;N代表图像像素数总和;(ri mean,l,bi mean,l)代表了类l的平均色度值,也就是类l的中心;di l为类l像素值的分布标准差,代表了类l的离散程度。
同时,也可以采用如下公式计算类l的离散程度:
pi l为类l像素数量在图像总像素数的占比,代表了类的大小。
上述的4个统计值基本代表了类l的统计特征,包括了类的中心、大小以及分布离散程度等信息。将上述4个统计值组合起来,得到长度为4的特征向量,定义为类l的特征向量Fi l=[ri mean,l,bi mean,l,di l,pi l]。这样,对于图层i,如果有M个类,就有M个特征向量。为了兼顾图像特征的有效性与数据量,一种可选的方式是,对所有类按照类的大小进行筛选;此处,类筛选的方法包括但不限于:(1)基于类的像素数占比pi l,对图层i的各个类进行排序,保留前L个最大类的特征向量,其中L的取值满足1≤L≤M;(2)预设一定阈值Tp,仅保留像素数占比pi l>T1的类的特征向量。其中L或T1的取值依据经验而定,例如本实施例中建议取L=1或T1=0.1。最后,将经过筛选的类的特征向量进行组合,得到各个图层的第二特征向量F0 2、F1 2、F2 2。本发明对第二特征向量中各统计值的排序不做任何限定,可以是任意排序。
基于各图层的第一特征向量F0 1、F1 1、F2 1与第二特征向量F0 2、F1 2、F2 2,组合得到新的特征向量,称为图像的精简特征向量F’。
与完整特征向量相比,精简特征向量的数据量大幅度降低:以每个图层平均保留3个主要类为例,精简特征向量的总长度仅为51,远小于长度一般在数千量级的完整特征向量;同时,精简特征向量的设计较为充分的保留了一些关键的图像色度分布的特征信息,完整包括了图像0阶、1阶、2阶图层的整体分布特征以及几个主要类的分布特征等。其中的主要类的分布特征,对于描述图像色度分布的单一性程度,进而对一些特殊场景(如大面积纯色场景等)的识别,具有重要作用。
S120、将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度。
其中,分类器可以是预先通过训练得到的机器学习模型。分类器的每个输出结果可以对应有一个算法参数向量,其中,算法参数向量所对应的参数值,可以是计算光源颜色的算法中的参数,如果存在两个参数,则算法参数向量就是一个二维向量,如(1,2),相应的,其对应的光源颜色的算法的参数分别为1和2,如果存在三个参数,则算法参数向量就可以是一个三维的向量,如(1,2,2),相应的,其对应的光源颜色的算法的参数分别为1、2和2。更高维度也可以采用这样的逻辑来确定光源颜色的算法的参数。
在本实施例中,可选的,所述光源颜色算法采用广义灰度边缘算法。广义灰度边缘算法(Generalized Gray Edge,GGE),公式如下:
其中,n为图像在空间域的求导阶数,p为范数参数,k为常数,σ为用于图像预处理的高斯滤波参数。当n取1或更大值时,上式就是一阶或高阶的GE算法。GGE算法的性能由n、p、σ这三个参数共同决定,因此将n、p、σ三个参数的可取值范围形成的三维参数空间,定义为GGE算法的参数空间;其中每一组参数(n,p,σ)对应了该参数空间中的一个点。
GGE作为一种通用的光源颜色估计算法,覆盖了当前已知的大部分统计算法,其效果依赖于参数n、p、σ的选择。在GGE的处理框架内,对每一类场景,理论上存在一个最佳的参数组合(n、p、σ)与其对应;即场景与算法的参数空间存在映射关系。在实际应用中,只要实现对场景特征的精确量化,并建立场景特征与算法参数空间的有效映射关系,就可以在GGE算法框架下实现理论上最优的自适应光源颜色估计算法。
将所述目标特征向量输入分类器,得到所述特征向量与分类器输出结果的算法参数向量之间的匹配度。其中,可以以匹配度较高的分类器输出结果来确定与目标特征向量匹配的算法参数向量,从而确定实际光源颜色算法所采用的参数值,进而得到目标图像的光源颜色。
在本实施例中,可选的,将所述目标特征向量输入分类器之前,还包括:确定样本集合,以及确定样本集合中每个样本图像的样本特征向量;其中,所述样本图像为已知光源颜色的彩色图像;计算所述样本图像在各个算法参数向量上的光源预测值,根据所述光源预测值与样本图像的光源颜色之间的相似度确定适配算法参数向量,根据样本集合中各样本图像的适配算法参数向量对样本图像进行分类,得到样本类;其中所述参数空间是所有算法参数向量的集合;根据样本类的个数,确定分类器的输出结果个数;其中,每个输出结果对应一个算法参数向量;基于完成分类的样本图像的特征向量、算法参数向量对分类器进行训练。
其中,可选的,每个分类器包括至少两个多参数高斯模型。
以下继续以GGE算法为例对上述方案进行详细的说明。
GGE算法作为一种通用的算法,其效果由n、p、σ这三个参数共同决定,因此将n、p、σ三个参数的可取值范围形成的三维参数空间,定义为GGE算法的参数空间;其中每一组参数(n,p,σ)对应了该参数空间中的一个参数点。
在建立图像特征与GGE算法参数空间的映射之前,需要先对训练集样本进行分类,并设定GGE的有效参数空间。其中,有效参数空间中参数点的个数,就确定了分类器所得到的输出结果的个数,其中,算法参数向量对应于有效参数空间中的各参数点。
下面提供两个具体实施例,分别描述了两种训练样本分类及GGE参数空间设定方法。相对而言,第一个示例所述方法覆盖的GGE参数空间更完整,但数据量更大、模型复杂度更高;第二个示例所述方法,在保证GGE参数空间有效性的同时,显著降低数据量与模型的复杂度。
示例一:
设定GGE算法的初始参数空间S1,主要是根据经验来设定GGE算法的三个参数n、p、σ可取值范围。为了保证参数空间的有限性,一般限定三个参数都为非负整数,且存在最大值。用数学公式表述如下:
n∈{x∈Z:0≤x≤N};
p∈{x∈Z:0≤x≤P};
σ∈{x∈Z:0≤x≤S};
其中,N、P、S分别为参数n、p、σ可取的最大整数值。将所有满足上式的参数点(n,p,σ)组成的空间,定义为GGE的初始参数空间S1。N、P、S的取值是依据经验而来的,例如本实施例分别取N=2、P=15、S=10。
确定初始参数空间之后,可以遍历训练集中所有样本,计算每个样本在初始参数空间S1中的最佳参数点。
其中,参数点(nj,pj,σj)为初始参数空间S1中第j个参数点;为训练样本fi的真实光源颜色值;/>为GGE在参数点(nj,pj,σj)下对训练样本fi的光源颜色估计值;Ci,j为两个光源颜色向量/>与/>之间的相关性,定义为参数点j与训练样本i的匹配度;Pi为S1中与样本i匹配度最高的参数点,定义为训练样本i在S1中的最佳参数点。
对训练集的所有样本进行分类,对应相同的最佳参数点的所有样本分为同一类。得到若干个样本类,以及每个样本类对应的最佳参数点。
取各个样本类的最佳参数点的集合,作为GGE算法的有效参数空间S2。
可以了解的,基于示例一的GGE有效参数空间S2的参数点个数等于样本类的个数,而样本类的个数的上限则是GGE初始参数空间S1的参数点个数;因此,在最坏的情况下,有效参数空间S2的参数点个数可能达到其上限值,也就是S1的参数点个数,而这个数据量是非常庞大的,以N=2、P=15、S=10为例,S1的参数点个数达到528个,导致分类模型的复杂度很高。
在此基础上,本方案还提供了示例二,用以保证GGE参数空间有效性的同时,可有效降低数据量与模型的复杂度。
示例二:
设定GGE算法的初始参数空间S1。与示例一相同。
遍历训练集中所有样本,计算每个样本在初始参数空间S1中的最佳参数点。
统计参数空间S1中各参数点被选为最佳参数点的次数,基于该统计结果对S1中参数点进行筛选,得到筛选后的参数点集合,定义为精选参数点集合S2。此处,参数点筛选的方法包括但不限于:(1)基于被训练集样本选为最佳参数点的次数按从多到少进行排序,选择前K个次数最多的参数点作为精选参数点;(2)设定次数阈值T2,选择最佳参数点次数大于T2的参数点作为精选参数点。其中K或T2的取值依据经验而定,例如本实施例中建议取K=10或T2为训练集样本总数的1/10。
遍历训练集中所有样本,计算每个样本在精选参数点集合S2中的最佳参数点;并对训练集的所有样本进行分类,对应相同的最佳参数点的所有样本分为同一类。得到若干个样本类,以及每个样本类对应的最佳参数点。
取各个样本类的最佳参数点的集合,作为GGE算法的有效参数空间S3。
与示例一相比,示例二为本方案的优选方式,其区别在于:首先对GGE的初始参数空间进行了筛选和压缩,在压缩后的参数空间基础上再进行样本分类与GGE有效参数空间的设定。通过对初始参数空间的筛选和压缩,实现了在保证GGE参数空间有效性的同时,大幅度降低了参数空间的数据量,从而有利于分类模型复杂度的控制。
完成训练样本分类、样本图像特征提取、GGE参数空间设定之后,下一步就是分类器的设计、训练与应用。
如上述实施例所示,分类器实现了从图像特征到GGE算法参数空间的映射,通过大量样本的训练,分类器模型可以学习到图像特征与GGE算法参数之间的内在规律,并将这种学习到的规律应用到对未知图像的光源颜色的预测中。
此处可用的分类器算法的模型包括但不限于:线性判别分析(LDA)、决策树、支持向量机(SVM)、高斯混合模型(GMM)、神经网络等。本发明不对具体的分类器算法进行限定。
一、分类器的设计。
图2是本申请实施例一提供的分类器模型示意图,如图2所示,分类器本身是由多个分类模型组成,其中每个分类模型对应一个样本类和一个GGE最佳参数点。假设共有K个样本类,则有K个分类模型。分类器的输入是图像特征向量,输出是图像特征向量与K个模型匹配度,也就是图像特征向量与K个GGE最佳参数点之间的匹配度。
分类器可以采用支持向量机(SVM)、文档主题生成模型(LDA)、多参数高斯(MVG)等,在本实施例中,分类器可以采用多参数高斯(MVG)模型设计,则图2中的每一个分类模型对应一个MVG模型。
二、分类器的训练。
在开始分类器的训练之前,要求已获得了完成分类的训练样本、每类样本的最佳参数点组成的GGE有效参数空间、以及每个样本的图像特征向量。
如上文所述,分类器主要是由K个MVG模型构成(K为样本类的个数),因此分类器的训练,就是对K个MVG模型的训练。具体计算公式如下:
其中,k代表MVG模型或样本类的序号(k=1,2,...,K);μk为第k个MVG模型的均值向量,为第k个MVG模型协方差矩阵中第i行、j列的元素;Tk为第k个样本类;Fk i为Tk中第i个样本的特征向量;Nk为Tk的样本数量;cov()代表协方差运算。通过式(11)计算得到某个MVG模型的均值向量与协方差矩阵后,该MVG模型也就随之确定。
完成分类器训练后,得到K个MVG模型的均值向量与协方差矩阵,以及每个MVG模型对应的GGE最佳参数点Bk(k=1,2,...,K)。
三、分类器的应用。
接下来就可以将训练完成的分类器,应用于对输入图像的光源颜色预测。
设输入的待预测图像的图像特征向量为F,将该特征向量输入到分类器中,计算该特征向量与各MVG模型之间的匹配度;由于每个MVG模型均对应GGE有效参数空间中的一个最佳参数点,因此也可以称之为特征向量与GGE最佳参数点之间的匹配度。具体计算公式如下:
其中,P(Bk|F)代表图像特征向量F已知的条件下,GGE最佳参数点Bk的概率,体现特征向量F与GGE最佳参数点Bk的匹配度;μk和∑k分别代表第k个MVG模型的均值向量与协方差矩阵;m为特征向量F的长度。
对于输入图像的特征向量F,按上式计算得到与K个GGE最佳参数点的匹配度值P(Bk|F),k=1,2,...,K。
S130、根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量。
其中,可以根据匹配度之间的大小关系,从至少两个算法参数向量中确定目标算法参数向量。示例性的,例如存在10个算法参数向量,可以根据匹配度之间的大小关系,选择其中前3个算法参数向量,还可以选择匹配度超过阈值的算法参数向量,如,匹配度超过50%的4个算法参数向量,最简单直接的方式可以选择匹配度最大的算法参数向量,作为目标算法参数向量。
S140、根据所述目标算法参数向量,确定所述目标图像的光源颜色。
其中,可以根据所确定的目标算法参数向量,代入光源颜色的算法来计算得到目标图像的光源颜色。结合上述内容,可以在目标算法参数向量的个数为多个时,设置多个目标算法参数向量之间的权重关系,进而进行计算求得光源颜色值。
在本实施例中,可选的,根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;将目标参数值输入至光源颜色算法中,确定光源颜色,包括:若所述目标算法参数向量为一个,则将所述目标算法参数向量对应的目标参数值输入至光源颜色算法中,计算光源颜色;若所述目标算法参数向量为至少两个,则,根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定每个目标算法参数向量的权重值,并根据每个目标算法参数向量的权重值及其对应的目标参数值,计算光源颜色;或者,根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定所有目标算法参数向量中的至少两个用于计算的算法参数向量的权重值及其对应的目标参数值,并根据至少两个用于计算的目标参数值及其权重值,计算光源颜色。
设输入图像特征向量为F,分类器计算结果为特征向量F与GGE最佳参数点之间的匹配度P(Bk|F),k=1,2,...,K。然后,结合这K个最佳参数点以及匹配度值,计算输入图像的光源颜色估计值,具体有下述几种实现方法:
方法一,最终的光源颜色估计值为所有这K个GGE最佳参数点对应估计值的加权平均,其中权重为匹配度P(Bk|F)。计算公式如下:
其中,为GGE最佳参数点k对输入图像f的光源颜色估计值,/>为输入图像的光源颜色估计结果。
方法二,对GGE最佳参数点按其匹配度的大小进行筛选,筛选得到匹配度较大的若干最佳参数点,然后采用上式计算这些筛选后的最佳参数点对输入图像的光源颜色估计结果。
此处,筛选最佳参数点的方法包括但不限于:(1)基于最佳参数点与输入图像特征的匹配度按从大到小进行排序,选择前X个匹配度最大的最佳参数点作为筛选结果;(2)设定匹配度阈值T3,选择与输入图像特征的匹配度大于T3的最佳参数点作为筛选结果。本方法的一种特例是,直接选择匹配度最大的最佳参数点,计算GGE在该最佳参数点下对输入图像的光源颜色的估计值,作为该图像的光源颜色估计结果。
本实施例所提供的技术方案,确定目标图像的目标特征向量;将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;根据所述目标算法参数向量,确定所述目标图像的光源颜色。通过采用本申请所提供的技术方案,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
实施例二
图3是本申请实施例二提供的光源颜色的确定装置的结构示意图。如图3所示,所述光源颜色的确定装置,包括:
目标特征向量确定模块310,用于确定目标图像的目标特征向量;
匹配度计算模块320,用于将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
目标算法参数向量确定模块330,用于根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
光源颜色确定模块340,用于根据所述目标算法参数向量,确定所述目标图像的光源颜色。
本实施例所提供的技术方案,确定目标图像的目标特征向量;将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;根据所述目标算法参数向量,确定所述目标图像的光源颜色。通过采用本申请所提供的技术方案,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
上述产品可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种光源颜色的确定方法,该方法包括:
确定目标图像的目标特征向量;
将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
根据所述目标算法参数向量,确定所述目标图像的光源颜色。
存储介质一一任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的光源颜色的确定操作,还可以执行本申请任意实施例所提供的光源颜色的确定方法中的相关操作。
实施例四
本申请实施例提供了一种电子设备,该电子设备中可集成本申请实施例提供的光源颜色的确定装置。图4是本申请实施例四提供的一种电子设备的结构示意图。如图4所示,本实施例提供了一种电子设备400,其包括:一个或多个处理器420;存储装置410,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器420执行,使得所述一个或多个处理器420实现本申请实施例所提供的光源颜色的确定方法,该方法包括:
确定目标图像的目标特征向量;
将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
根据所述目标算法参数向量,确定所述目标图像的光源颜色。
当然,本领域技术人员可以理解,处理器420还可以实现本申请任意实施例所提供的光源颜色的确定方法的技术方案。
图4显示的电子设备400仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440;电子设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块单元,如本申请实施例中的光源颜色的确定方法对应的程序指令。
存储装置410可主要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的使用所创建的数据等。此外,存储装置410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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等设备。
本申请实施例提供的电子设备,可以实现提高光源颜色的准确性,以及扩大光源颜色确定方法的适用范围的效果。
上述实施例中提供的光源颜色的确定装置、存储介质及电子设备可执行本申请任意实施例所提供的光源颜色的确定方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的光源颜色的确定方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (9)
1.一种光源颜色的确定方法,其特征在于,包括:
确定目标图像的目标特征向量;
将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
根据所述目标算法参数向量,确定所述目标图像的光源颜色;
所述确定目标图像的目标特征向量,包括:
将所述目标图像作为零阶图层;
对所述目标图像在空间域求导,得到高阶图层;
根据所述零阶图层和所述高阶图层,确定目标图像的目标特征向量;
所述根据所述目标算法参数向量,确定所述目标图像的光源颜色,包括:
根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;
将目标参数值输入至光源颜色算法中,确定光源颜色。
2.根据权利要求1所述的方法,其特征在于,所述目标图像的目标特征向量包括目标图像的至少两阶图层特征向量。
3.根据权利要求2所述的方法,其特征在于,根据所述零阶图层和所述高阶图层,确定目标图像的目标特征向量,包括:
将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;
在二维色度空间中按照预设规则划分子区域,将所述零阶图层在各个子区域中的像素点个数作为零阶图层特征向量;并将所述高阶图层在各个子区域中的像素点个数作为高阶图层特征向量;
将所述零阶图层特征向量与所述高阶图层特征向量组合形成完整特征向量;
或者,
将所述零阶图层和所述高阶图层由三维色度空间转换到二维色度空间;
确定所述零阶图层的第一特征向量,以及确定所述高阶图层的第一特征向量;其中,所述第一特征向量包括二维色度空间的平均色度值、最大色度值以及在二维色度空间中的分布标准差;
确定所述零阶图层的第二特征向量,以及确定所述高阶图层的第二特征向量;其中,所述第二特征向量是基于二维色度空间的直方图分布进行聚类运算得到的目标类的信息,所述目标类的信息包括目标类的平均色度值、目标类的最大色度值以及目标类在二维色度空间中的分布标准差;
将所述第一特征向量和第二特征向量组合得到精简特征向量。
4.根据权利要求1所述的方法,其特征在于,将所述目标特征向量输入分类器之前,还包括:
确定样本集合,以及确定样本集合中每个样本图像的样本特征向量;其中,所述样本图像为已知光源颜色的彩色图像;
计算所述样本图像在各个算法参数向量上的光源预测值,根据所述光源预测值与样本图像的光源颜色之间的相似度确定适配算法参数向量,根据样本集合中各样本图像的适配算法参数向量对样本图像进行分类,得到样本类;
根据样本类的个数,确定分类器的输出结果个数;其中,每个输出结果对应一个算法参数向量;
基于完成分类的样本图像的特征向量、算法参数向量对分类器进行训练。
5.根据权利要求1所述的方法,其特征在于,根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;将目标参数值输入至光源颜色算法中,确定光源颜色,包括:
若所述目标算法参数向量为一个,则将所述目标算法参数向量对应的目标参数值输入至光源颜色算法中,计算光源颜色;
若所述目标算法参数向量为至少两个,则,
根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定每个目标算法参数向量的权重值,并根据每个目标算法参数向量的权重值及其对应的目标参数值,计算光源颜色;
或者,
根据所述特征向量与至少两个目标算法参数向量之间的匹配度,确定所有目标算法参数向量中的至少两个用于计算的算法参数向量的权重值及其对应的目标参数值,并根据至少两个用于计算的目标参数值及其权重值,计算光源颜色。
6.根据权利要求5所述的方法,其特征在于,所述光源颜色算法采用广义灰度边缘算法。
7.一种光源颜色的确定装置,其特征在于,包括:
目标特征向量确定模块,用于确定目标图像的目标特征向量;
所述目标特征向量确定模块,具体用于:
将所述目标图像作为零阶图层;
对所述目标图像在空间域求导,得到高阶图层;
根据所述零阶图层和所述高阶图层,确定目标图像的目标特征向量;
匹配度计算模块,用于将所述目标特征向量输入分类器,得到所述特征向量与至少两个算法参数向量之间的匹配度;
目标算法参数向量确定模块,用于根据所述匹配度,从至少两个算法参数向量中确定目标算法参数向量;
光源颜色确定模块,用于根据所述目标算法参数向量,确定所述目标图像的光源颜色;
所述光源颜色确定模块,具体用于:
根据所述目标算法参数向量确定输入光源颜色算法的目标参数值;
将目标参数值输入至光源颜色算法中,确定光源颜色。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的光源颜色的确定方法。
9.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的光源颜色的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910608972.1A CN112200207B (zh) | 2019-07-08 | 2019-07-08 | 光源颜色的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910608972.1A CN112200207B (zh) | 2019-07-08 | 2019-07-08 | 光源颜色的确定方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200207A CN112200207A (zh) | 2021-01-08 |
CN112200207B true CN112200207B (zh) | 2024-02-20 |
Family
ID=74004389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910608972.1A Active CN112200207B (zh) | 2019-07-08 | 2019-07-08 | 光源颜色的确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200207B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706964A (zh) * | 2009-08-27 | 2010-05-12 | 北京交通大学 | 一种基于图像导数结构的颜色恒常性计算方法及系统 |
CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
CN106651795A (zh) * | 2016-12-03 | 2017-05-10 | 北京联合大学 | 一种利用光照估计来校正图像颜色的方法 |
CN106815826A (zh) * | 2016-12-27 | 2017-06-09 | 上海交通大学 | 基于场景识别的夜视图像彩色融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143198A (zh) * | 2013-05-08 | 2014-11-12 | 北大方正集团有限公司 | 一种图像描述方法和装置 |
-
2019
- 2019-07-08 CN CN201910608972.1A patent/CN112200207B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706964A (zh) * | 2009-08-27 | 2010-05-12 | 北京交通大学 | 一种基于图像导数结构的颜色恒常性计算方法及系统 |
CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
CN106651795A (zh) * | 2016-12-03 | 2017-05-10 | 北京联合大学 | 一种利用光照估计来校正图像颜色的方法 |
CN106815826A (zh) * | 2016-12-27 | 2017-06-09 | 上海交通大学 | 基于场景识别的夜视图像彩色融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112200207A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phung et al. | A universal and robust human skin color model using neural networks | |
Bianco et al. | Color constancy using CNNs | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
Ganesan et al. | Assessment of satellite image segmentation in RGB and HSV color space using image quality measures | |
KR102138950B1 (ko) | 조합된 깊이 큐들에 기초하여 모노스코픽 이미지로부터 깊이 맵 생성 | |
WO2020228525A1 (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
EP4109392A1 (en) | Image processing method and image processing device | |
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
WO2017080196A1 (zh) | 基于人脸图像的视频分类方法和装置 | |
CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN109859236B (zh) | 运动物体检测方法、系统、计算设备及存储介质 | |
Ganesan et al. | YIQ color space based satellite image segmentation using modified FCM clustering and histogram equalization | |
US20120224789A1 (en) | Noise suppression in low light images | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
Ganesan et al. | Value based semi automatic segmentation of satellite images using HSV color space, histogram equalization and modified FCM clustering algorithm | |
CN104346630A (zh) | 一种异构特征融合的云花卉识别方法 | |
Niu et al. | Machine learning-based framework for saliency detection in distorted images | |
GB2375908A (en) | Method for describing texture or a texture-like region | |
US9940543B2 (en) | Control of computer vision pre-processing based on image matching using structural similarity | |
CN111310516B (zh) | 一种行为识别方法和装置 | |
López-Rubio et al. | Selecting the color space for self-organizing map based foreground detection in video | |
CN112200207B (zh) | 光源颜色的确定方法、装置、存储介质及电子设备 | |
Losson et al. | CFA local binary patterns for fast illuminant-invariant color texture classification | |
Vezhnevets et al. | A comparative assessment of pixel-based skin detection methods | |
Zini et al. | COCOA: combining color constancy algorithms for images and videos |
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 |