CN112907457A - 图像处理方法、图像处理装置及计算机设备 - Google Patents

图像处理方法、图像处理装置及计算机设备 Download PDF

Info

Publication number
CN112907457A
CN112907457A CN202110066060.3A CN202110066060A CN112907457A CN 112907457 A CN112907457 A CN 112907457A CN 202110066060 A CN202110066060 A CN 202110066060A CN 112907457 A CN112907457 A CN 112907457A
Authority
CN
China
Prior art keywords
preset
picture
processed
color
scene
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
CN202110066060.3A
Other languages
English (en)
Inventor
符采灵
陈云娜
何振伟
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.)
TCL China Star Optoelectronics Technology Co Ltd
Original Assignee
TCL China Star Optoelectronics Technology Co Ltd
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 TCL China Star Optoelectronics Technology Co Ltd filed Critical TCL China Star Optoelectronics Technology Co Ltd
Priority to CN202110066060.3A priority Critical patent/CN112907457A/zh
Publication of CN112907457A publication Critical patent/CN112907457A/zh
Priority to PCT/CN2021/100153 priority patent/WO2022156129A1/zh
Priority to US17/600,328 priority patent/US12063335B2/en
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6077—Colour balance, e.g. colour cast correction
    • H04N1/608—Colour balance, e.g. colour cast correction within the L, C1, C2 colour signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
    • G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0242—Compensation of deficiencies in the appearance of colours
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/028—Improving the quality of display appearance by changing the viewing angle properties, e.g. widening the viewing angle, adapting the viewing angle to the view direction
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2340/00—Aspects of display data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像处理方法、图像处理装置及计算机设备，该图像处理方法包括：获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的所述预设色彩的高斯概率；识别所述待处理图片中含有所述预设场景的所述预设色彩的图片区域；根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。本发明的方法能够有效改善色偏现象，图片显示质量更佳。

Description

图像处理方法、图像处理装置及计算机设备
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像处理方法、图像处理装置及计算机设备。
背景技术
液晶显示技术应用广泛，涉及智能家居、商业显示、电竞娱乐等方面。随着液晶显示技术的发展，对画面显示质量的要求也越来越高，因此，提升液晶显示技术尤其重要。在图像显示方面，某些颜色的色相、饱和度等与真实的图像之间有明显的区别，会影响图像显示的质量，甚至会造成图片的失真。
在改善色偏现象的图像处理技术中，其中常用的一种，是用于液晶显示的视角补偿(View Angle Compensation，VAC)技术，该技术能修正侧视角下的gamma曲线，解决大视角色偏问题。
VAC算法可有多种驱动模式，目前常见的两种驱动模式下，其中一种驱动模式下，图片质量显示效果较好，格感小，但是，改善色偏现象的效果低；另一种驱动模式下，色偏现象改善效果良好，但是，格感大，图片显示质量有待进一步提升。
发明内容
本发明实施例提供一种图像处理方法、图像处理装置及计算机设备，以解决现有技术中图像处理时格感与色偏现象无法同时更大程度优化的技术问题。
一方面，本发明提供一种图像处理方法，所述图像处理方法包括：
获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的所述预设色彩的高斯概率；
识别所述待处理图片中含有所述预设场景的所述预设色彩的图片区域；
根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
进一步地，所述图像处理方法还包括：
获取所述待处理图片中关于所述预设色彩的亮度数据；
判断所述亮度数据所在的亮度区间；
调取所述亮度区间的线性调节模型；
根据所述线性调节模型和所述亮度数据，获取所述待处理图片中关于亮度的亮度调整概率；
根据所述亮度调整概率和所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
进一步地，在所述根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的预设色彩的高斯概率之前，所述方法还包括：
获取预处理图片的预设场景中预设色彩的第一初始色度数据集和第二初始色度数据集；
根据所述第一初始色度数据集和所述第二初始色度数据集，建立关于所述预设色彩的高斯模型；
所述根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的预设色彩的高斯概率，包括：
根据所述第一待处理色度数据集和所述第二待处理色度数据集，由所述高斯模型获取所述预设场景的所述预设色彩的高斯概率。
进一步地，获取预处理图片的预设场景中预设色彩的第一初始色度数据集和第二初始色度数据集，包括：
获取多个含有所述预设场景的预处理图片；
提取任一所述预处理图片中关于所述预设场景的所述预设色彩的色彩数据，获取所述第一初始色度数据集和所述第二初始色度数据集。
进一步地，根据所述第一初始色度数据集和所述第二初始色度数据集，建立关于所述预设色彩的高斯模型，包括：
分别获取所述第一初始色度数据集和所述第二初始色度数据集的均值；
获取关于所述第一初始色度数据集和所述第二初始色度数据集的协方差矩阵、协方差矩阵的逆以及协方差矩阵的秩；
根据所述协方差矩阵、所述协方差矩阵的逆以及所述协方差矩阵的秩，建立所述高斯模型。
进一步地，获取所述预设场景的所述预设色彩的高斯概率，包括：
判断所述待处理图片中是否含有所述预设场景；
根据所述待处理图片中含有所述预设场景的判断结果，对所述待处理图片中关于所述预设场景的相关性系数赋值；
对于所述待处理图片中的任一所述预设色彩，根据所述高斯模型获取所述预设色彩的初始概率；
根据所述初始概率以及所述相关性系数，获取所述待处理图片中所述预设场景的高斯概率。
进一步地，所述预设场景的数量有多个，所述预设色彩有多个；
对于任一所述预设场景，所述预设场景的初始概率经相关性系数修正后，
求取所述待处理图片中多个所述预设场景的经所述相关性系数修正后的所述初始概率之和，获取所述待处理图片中关于多个所述预设场景的高斯概率。
进一步地，识别所述待处理图片中含有所述预设场景的所述预设色彩的图片区域，包括：
将所述待处理图片划分为多个所述图片区域；
获取任一所述图片区域的像素梯度；
统计任一所述图片区域中像素梯度高于第一预设阈值的像素数量；
判断所述像素数量是否大于第二预设阈值；
若所述像素数量大于第二预设阈值，所述图片区域为含有所述预设场景所述预设色彩的图片区域。
进一步地，根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，包括：
若所述像素数量大于第二预设阈值，获取所述图片区域的第一纹理概率；
若所述像素数量小于第二预设阈值，获取所述图片区域的第二纹理概率；
对于任一所述图片区域，获取所述图片区域关于所述预设场景的所述预设色彩的高斯概率与所述第一纹理概率或第二纹理概率之积，得到所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值。
第二方面，本发明实施例还提供一种图像处理装置，包括：
数据采集单元，用于获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
第一数据处理单元，用于根据所述第一待处理色度数据集和所述第二待处理色度数据集，由所构建的高斯模型获取预设场景的所述预设色彩的高斯概率；
纹理识别单元，用于识别所述待处理图片中含有所述预设场景的图片区域；
第二数据处理单元，用于根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
第三方面，本发明实施例还提供一种计算机设备，包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现上述图像处理方法。
本发明图像处理方法、图像处理装置及计算机设备，根据待处理图片中是否含有预设场景，由对应的预设场景的相关性系数进行修正，调整根据高斯模型所获得的预设场景预设色彩的高斯概率，再由相应的补偿处理技术，例如采用视角补偿处理后，使得图片显示时，预设色彩的显示过渡自然，符合人眼视觉特性，能够有效改善色偏现象，还能够提高对待处理图片的处理效率，提高色彩侦测的准确性，以避免对其他场景中与预设场景预设色彩相近的色彩的误侦。同时，由于仅对待处理图片中的预设场景预设色彩进行处理，因此，在图片输出时，还能够有效降低格感，提高图片质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中提供的图像处理方法的示意图；
图2是本发明实施例中提供的图像处理方法的高斯模型模拟效果图；
图3是本发明实施例中提供的图像处理方法的对人像场景的肤色色彩处理的概率效果图；
图4是本发明实施例中提供的图像处理方法的对人像场景的肤色色彩、蓝天场景的蓝色色彩和草地场景的绿色色彩处理的概率效果图；
图5本发明实施例中一种计算机设备的结构示意图。
图中，1-电源，2-处理器，3-存储器，4-输入单元。
具体实施方式
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，所描述的实施例仅仅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，本领域技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，“示例性”一词用来表示“用作例子、例证或说明”。本发明中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本发明所公开的原理和特征的最广范围相一致。如无特殊说明，本发明中所涉及的方位上的平行或垂直等，并不是严格意义上的平行或垂直，只要相应的结构能够实现相应的目的即可。
请参阅图1，本发明实施例提供一种图像处理方法，所述图像处理方法包括：
步骤S1、获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
步骤S2、根据第一待处理色度数据集和第二待处理色度数据集，获取预设场景的预设色彩的高斯概率；
步骤S3、识别待处理图片中含有预设场景的预设色彩的图片区域；
根据高斯概率，获取图片区域中预设场景的预设色彩的色彩输出修正值，以对待处理图片的预设场景中的预设色彩进行补偿处理。
具体地，本发明实施例中，由所构建的高斯模型对待处理图片中的相关数据进行处理，以获取待处理图片中关于预设场景预设色彩的高斯概率。在构建高斯模型时，可在相关的数据库选取多张预处理图片，这些预处理图片中分别包含相应的预设场景。预设场景的类型和数量可根据实际需求具体设定，本发明实施例中的图片处理方法，在构建高斯模型时，预设场景可以人像、蓝天、草地、食物、动物、其他自然景色、建筑物等多种场景，相应的预设色彩是各场景中相应的色彩。例如，人像场景时，预设色彩可为肤色；蓝天场景时，预设色彩可为蓝色；草地场景时，预设色彩可为绿色。
本发明实施例中在构建高斯模型时，选取人眼敏感色以及对应的场景为例进行说明。本发明实施例中，选取人像、蓝天和草地三种预设场景，相应的预设色彩分别为肤色、蓝色和绿色。以下皆以上述三种预设场景以及相应的预设色彩为例进行说明。
在数据库中分别选取多张含有人像预设场景的第一预处理图片、多张含有蓝天预设场景的第二预处理图片和多张含有草地预设场景的第三预处理图片。含有各预设场景的预处理图片的数量根据实际情况具体设定。
对于任意一张第一预处理图片，提取该第一预处理图片的肤色数据，具体提取的方法采用目前常规的提取方法即可。在得到第一预处理图片的肤色数据后，可在Ycbcr空间将该肤色数据进行分解处理，分别得到关于该肤色数据的亮度数据以及第一初始色度数据和第二初始色度数据。
则对于多张第一预处图片的肤色数据，能够得到关于肤色数据的亮度数据集、第一初始色度数据集和第二初始色度数据集。其中，对肤色数据的分解处理，可以是在Ycbcr空间内处理，也可以是在HSB色彩空间等进行处理；同样地，以下对其他预设场景的预设色彩进行分解处理的方式可在Ycbcr空间内处理，也可才其他色彩空间进行处理，以下均以在Ycbcr空间内处理为例进行说明。
具体地，第一预处理图片的肤色数据可具体采用如下公式进行处理：
yskin(i)＝(R*0.2567+G*0.5041+B*0.0979)+16 (1)
cbskin(i)＝(R*0.1482+G*0.2909+B*0.4391)+128 (2)
crskin(i)＝(R*0.4392+G*0.3678+B*0.0714)+128 (3)
其中，上述公式中的R、G、B分别为肤色数据的红色分量值、绿色分量值和蓝色分量值，yskin(i)为肤色数据的亮度数据，cbskin(i)为肤色数据的第一初始色度数据，crskin(i)为肤色数据的第二初始色度数据。
分别对多张第一预处理图片进行上述同样的处理，得到多个亮度数据yskin，以形成亮度数据集；得到多个第一初始色度数据cbskin，得到第一初始色度数据集cbskin(1)、cbskin(2)......cbskin(i).......；得到多个第二初始色度数据crskin，以形成第二初始色度数据集crskin(1)、crskin(2).......crskin(i).......。
求取第一初始色度数据集的均值，得到关于肤色数据的第一色度均值μskin1；并求取第一初始色度数据集中的各第一初始色度数据与上述第一色度均值μskin1之间的方差askin。求取第二初始色度数据集的均值，得到关于肤色数据的第二色度均值μskin2；并求取第二初始色度数据集中的各第二初始色度数据与上述第二色度均值μskin2之间的方差dskin。
由方差askin、dskin、第一初始色度数据集cbskin(1)、cbskin(2)......cbskin(i).......，第二初始色度数据集crskin(1)、crskin(2).......crskin(i).......，获取关于人像场景下肤色色彩的第一初始色度数据和第二初始色度数据的协方差矩阵cov(cbskin,crskin)，具体表述如下：
Figure BDA0002904120390000081
其中，cbskin(i)为任一第一预处理图片的第一初始色度数据，crskin(i)为任一第一预处理图片的第二初始色度数据，μskin1为多张第一预处理图片的肤色数据的第一色度均值，μskin2为多张第一预处理图片的肤色数据的第二色度均值，askin为第一预处理图片的肤色数据的第一初始色度数据与上述第一色度均值μskin1之间的方差矩阵，dskin为第一预处理图片的肤色数据的第二初始色度数据与上述第二色度均值μskin2之间的方差矩阵，bskin、cskin为关于第一预设图片的肤色色彩的第一初始色度数据集与第二初始色度数据集之间的相关度。
由上述公式(4)可获取关于cov(cbskin,crskin)的逆矩阵cov-1(cbskin,crskin)或Σskin -1，以及cov(cbskin,crskin)的秩|Σskin|。由上述各参数即可构建关于人像场景下肤色色彩的高斯模型，其具体可表述如下：
Figure BDA0002904120390000082
其中，A为高斯模型的幅值，取值范围为[0，1]，gaussskin(cbi,cri)为人像场景下高斯模型所得的关于肤色色彩的初始概率，askin为第一预处理图片的肤色数据的第一初始色度数据与上述第一色度均值μskin1之间的方差矩阵，dskin为第一预处理图片的肤色数据的第二初始色度数据与上述第二色度均值μskin2之间的方差矩阵，cbi为关于肤色色彩的第一色度变量，cri为关于肤色色彩的第二色度变量，Σskin -1为cov(cbskin,crskin)的逆矩阵，|Σskin|为cov(cbskin,crskin)的秩，
Figure BDA0002904120390000083
为关于第一预设图片的肤色色彩的第一初始色度数据集与第二初始色度数据集的均值。
同样地，对于任意一张第二预处理图片，提取该第二预处理图片的蓝色数据。在得到第二预处理图片的蓝色数据后，可在Ycbcr空间将该蓝色数据进行分解处理，分别得到关于该蓝色数据的亮度数据、第一初始色度数据和第二初始色度数据。则对于多张第二预处理图片的蓝色数据，能够得到关于蓝色数据的亮度数据集、第一初始色度数据集和第二初始色度数据集。
具体地，第二预处理图片的蓝色数据可具体采用如下公式进行处理：
ysky(i)＝(R*0.2567+G*0.5041+B*0.0979)+16 (6)
cbsky(i)＝(R*0.1482+G*0.2909+B*0.4391)+128 (7)
crsky(i)＝(R*0.4392+G*0.3678+B*0.0714)+128 (8)
其中，上述公式中的R、G、B分别为蓝色数据的红色分量值、绿色分量值和蓝色分量值，ysky(i)为蓝色数据的亮度数据，cbsky(i)为蓝色数据的第一初始色度数据，crsky(i)为蓝色数据的第二初始色度数据。
由第二预处理图片的上述数据可获取关于蓝天场景下蓝色色彩的第一初始色度数据和第二初始色度数据的协方差矩阵cov(cbsky,crsky)，具体表述如下：
Figure BDA0002904120390000091
Figure BDA0002904120390000092
上述公式(9)和(10)中，cbsky(i)为任一第二预处理图片的第一初始色度数据，crsky(i)为任一第二预处理图片的第二初始色度数据，μsky1为多张第二预处理图片的蓝色数据的第一色度均值，μsky2为多张第二预处理图片的蓝色数据的第二色度均值，asky为第二预处理图片的蓝色数据的第一初始色度数据与上述第一色度均值μsky1之间的方差矩阵，dsky为第二预处理图片的蓝色数据的第二初始色度数据与上述第二色度均值μsky2之间的方差矩阵，bsky、csky为第一初始色度数据集与第二初始色度数据集之间的相关度；A为高斯模型的幅值，取值范围为[0，1]，gausssky(cbi,cri)为蓝天场景下高斯模型所得的关于蓝色色彩的初始概率，asky为第二预处理图片的蓝色数据的第一初始色度数据与上述第一色度均值μsky1之间的方差矩阵，dsky为第二预处理图片的蓝色数据的第二初始色度数据与上述第二色度均值μsky2之间的方差矩阵，cbi为关于蓝色色彩的第一色度变量，cri为关于蓝色色彩的第二色度变量，Σsky-1为cov(cbsky,crsky)的逆矩阵，|Σsky|为cov(cbsky,crsky)的秩，μsky为关于第二预设图片的蓝色色彩的第一初始色度数据集与第二初始色度数据集的均值。
对于任意一张第三预处理图片，提取该第三预处理图片的绿色数据。在得到第三预处理图片的绿色数据后，可在Ycbcr空间将该绿色数据进行分解处理，分别得到关于该绿色数据的亮度数据、第一初始色度数据和第二初始色度数据。则对于多张第三预处理图片的绿色数据，能够得到关于绿色数据的亮度数据集、第一初始色度数据集和第二初始色度数据集。
具体地，第三预处理图片的绿色数据可具体采用如下公式进行处理：
ygrass(i)＝(R*0.2567+G*0.5041+B*0.0979)+16 (11)
cbgrass(i)＝(R*0.1482+G*0.2909+B*0.4391)+128 (12)
crgrass(i)＝(R*0.4392+G*0.3678+B*0.0714)+128 (13)
其中，上述公式中的R、G、B分别为绿色数据的红色分量值、绿色分量值和蓝色分量值，ygrass(i)为绿色数据的亮度数据，cbgrass(i)为绿色数据的第一初始色度数据，crgrass(i)为绿色数据的第二初始色度数据。
由第二预处理图片的上述数据可获取关于蓝天场景下蓝色色彩的第一初始色度数据和第二初始色度数据的协方差矩阵cov(cbsky,crsky)，具体表述如下：
Figure BDA0002904120390000101
Figure BDA0002904120390000102
上述公式(14)和(15)中，cbgrass(i)为任一第三预处理图片的第一初始色度数据，crgrass(i)为任一第三预处理图片的第二初始色度数据，μgrass1为多张第三预处理图片的绿色数据的第一色度均值，μgrass2为多张第三预处理图片的绿色数据的第二色度均值，agrass为第三预处理图片的绿色数据的第一初始色度数据与上述第一色度均值μgrass1之间的方差矩阵，dgrass为第三预处理图片的绿色数据的第二初始色度数据与上述第二色度均值μgrass2之间的方差矩阵，bgrass、cgrass为第一初始色度数据集与第二初始色度数据集之间的相关度；A为高斯模型的幅值，取值范围为[0，1]，gaussgrass(cbi,cri)为草地场景下高斯模型所得的关于绿色色彩的初始概率，agrass为第三预处理图片的绿色数据的第一初始色度数据与上述第一色度均值μgrass1之间的方差矩阵，dgrass为第三预处理图片的绿色数据的第二初始色度数据与上述第二色度均值μgrass2之间的方差矩阵，cbi为关于绿色色彩的第一色度变量，cri为关于绿色色彩的第二色度变量，Σgrass-1为cov(cbgrass,crgrass)的逆矩阵，|Σgrass|为cov(cbgrass,crgrass)的秩，
Figure BDA0002904120390000111
为关于第三预设图片的绿色色彩的第一初始色度数据集与第二初始色度数据集的均值。
采用上述方法构建高斯模型，能够根据需求设定预设场景的类型及数量，相应的设定预设色彩的类型及数量，分别建立各预设场景下各预设色彩的高斯模型，以根据不同应用场景、客户不同需求或图片质量要求等，灵活调整高斯模型的具体构成。并且，可根据需求调整高斯模型中的幅值、预处理图片中预设色彩的均值、相关协方差矩阵等参数还可以根据精度或其他考量而进行调整，其实用性和通用性强。
具体地，在对待处理图片进行处理时，先提取待处理图片的预设色彩的数据。例如，当对待处理图片中的人像、蓝天和草地场景进行处理时，分别提取待处理图片中的肤色、蓝色和草地的色彩数据，并分别在Ycbcr空间进行分解处理，以得到关于肤色色彩的第一待处理色度数据集和第二待处理色度数据集、关于蓝色色彩的第一待处理色度数据集和第二待处理色度数据集，以及关于绿色色彩的第一待处理色度数据集和第二待处理色度数据集。
获取各预设色彩的第一待处理色度数据集和第二待处理色度数据集后，即可将各预设色彩的第一待处理色度数据集以及第二待处理色度数据集中的各色度数据代入到相应的预设色彩的高斯模型中，以得到关于该预设色彩的初始概率图。
例如，将肤色色彩的第一待处理色度数据集和第二待处理色度数据集中的各色度数据对应代入到上述公式(5)中，即可获得待处理图片中关于肤色色彩的初始概率图。同样地，将蓝色色彩的第一待处理色度数据集和第二待处理色度数据集中的各色度数据对应代入到上述公式(10)中，即可获得待处理图片中关于蓝色色彩的初始概率图。将绿色色彩的第一待处理色度数据集和第二待处理色度数据集中的各色度数据对应代入到上述公式(15)中，即可获得待处理图片中关于绿色色彩的初始概率图。
具体地，在对待处理图片进行处理时，可对待处理图片中是否含有预设场景进行判断，并根据判断结果对预设场景的相关性系数进行赋值。根据待处理图片中是否含有预设场景，由对应的预设场景的相关性系数进行修正，调整根据高斯模型所获得的预设场景预设色彩的高斯概率，不仅能够提高对待处理图片的处理效率，还能够提高色彩侦测的准确性，以避免对其他场景中与预设场景预设色彩相近的色彩的误侦。同时，由于仅对待处理图片中的预设场景预设色彩进行处理，因此，在图片输出时，还能够有效降低格感，提高图片质量。其中，对待处理图片中是否含有预设场景进行判断的方法可采用目前常规的方式处理即可。
具体地，当设置有多个预设场景以及对应的预设色彩时，关于多个预设场景预设色彩的综合高斯概率值，其可由经各预设场景的相关性系数修正后的初始概率之和得到，具体可由如下公式获取：
gauss(cb,cr)＝α*gaussskin(cbi,cri)+β*gausssky(cbi,cri)+γ*gaussgrass(cbi,cri) (16)
式中，gauss(cb，cr)为关于待处理图片中预设场景预设色彩的高斯概率，α为待处理图片中人像场景的相关性系数，gaussskin(cbi,cri)为高斯模型所得的关于肤色色彩的初始概率，β为待处理图片中蓝天场景的相关性系数，gausssky(cbi,cri)为由高斯模型所得的关于蓝色色彩的初始概率，γ为待处理图片中草地场景的相关性系数，gaussgrass(cbi,cri)为由高斯模型所得的关于绿色色彩的初始概率。
当待处理图片中没有相应的预设场景时，可对应地将相应的相关性系数赋值为0，则其与由高斯模型拟合得到的关于该预设场景预设色彩的初始概率之积为0，以避免对待处理图片中的类似色彩的误侦。
例如，当待处理图片中含有人像场景时，对关于人像场景的相关性系数α赋值为1；当待处理图片中没有人像场景时，对关于人像场景的相关性系数α赋值为0。同样地，当待处理图片中含有蓝天场景时，对关于蓝天场景的相关性系数β赋值为1；当待处理图片中没有蓝天场景时，对关于蓝天场景的相关性系数β赋值为0。当待处理图片中含有草地场景时，对关于草地场景的相关性系数γ赋值为1；当待处理图片中没有草地场景时，对关于草地场景的相关性系数γ赋值为0。
例如，当待处理图片中含有人像场景，没有蓝天场景和草地场景时，待处理图片的色彩数据经高斯模型拟合，并经相应的预设场景相关性系数修正后，所得的高斯概率为gauss(cb,cr)＝gaussskin(cbi,cri)，对于蓝天场景和草地场景的高斯拟合概率为0。当待处理图片中含有人像场景、蓝天场景，没有草地场景时，待处理图片的色彩数据经高斯模型拟合后，并经相应的预设场景相关性系数修正后，所得的高斯概率为gauss(cb,cr)＝gaussskin(cbi,cri)+gausssky(cbi,cri)。当待处理图片中同时含有人像场景、蓝天场景和草地场景时，待处理图片的色彩数据经高斯模型拟合后，并经相应的预设场景相关性系数修正后，所得的高斯概率为gauss(cb,cr)＝gaussskin(cbi,cri)+gausssky(cbi,cri)+gaussgrass(cbi,cri)，参见图2中(a)和(b)图，分别为高斯拟合模型数据模拟图的正视效果图和俯视效果图。
通常情况下，待处理图片中除了含有人像场景、蓝天场景和/或草地场景时，通常还会存在其他场景，例如图3中(a)图中人像背后的物品柜等。在对待处理图片进行处理时，还可通过识别待处理图片中含有预设场景的预设色彩的图片区域，以更准确地对待处理图片中预设场景预设颜色进行模拟处理。识别到该部分图片区域后，应用由高斯模型所获取的高斯概率，即能够获取到待处理图片中关于预设场景预设色彩的色彩输出修正值。该色彩输出修正值应用到视角补偿技术中，能够有效改善输出的图片中关于预设场景预设色彩的色偏现象。并且，由高斯模型拟合处理后的色彩数据，其色彩过渡自然，格感小，图片质量更高，符合人眼视觉特性，观感体验更佳。
具体地，在识别待处理图片中预设场景的图片区域时，可先将待处理图片划分为多个图片区域，图片区域的大小可根据实际情况或需求具体调整，例如，可将待处理图片划分为10*10大小的区域。
对于任一图片区域，提取该图片区域内的像素值，获取该图片区域中的像素梯度；例如，可采用sobel算子等目前常规算法以计算该图片区域的像素梯度T。设定第一预设阈值Tthresh，对各像素处的像素梯度值与该第一预设阈值Tthresh进行比较。对于高于第一预设阈值Tthresh的像素梯度值，对与该像素梯度值对应的像素进行计数。
统计该图片区域内像素梯度高于第一预设阈值Tthresh的像素数量l，该图片区域内像素梯度值高于第一预设阈值Tthresh的像素数量l与第二预设阈值Lthresh进行比较。若该图片区域内像素梯度值高于第一预设阈值Tthresh的像素数量l大于第二预设阈值Lthresh，则判定该图片区域为细纹理区，该图片区域内含有预设场景的预设色彩。其中，第一预设阈值Tthresh和第二预设阈值Lthresh均可根据实际情况或需求具体设定。
具体地，对预设场景预设色彩进行更准确识别时，对含有预设场景预设色彩的图片区域和没有含有预设场景预设色彩的图片区域分别赋值，得到含有预设场景预设色彩的图片区域的第一纹理概率P1，并赋值为1；得到没有含有预设场景预设色彩的图片区域的第二纹理概率P2，并赋值为0。按照上述方式，对待处理图片的各图片区域进行识别，并根据识别的情况分别赋值。
在识别待处理图片中含有预设场景的预设色彩的图片区域后，作为其中一种获取色彩输出修正值的实现方式，对于任一图片区域，该图片区域相应的高斯概率与纹理概率之积，获得该图片区域关于预设场景预设色彩的色彩输出修正值。则当该图片区域含有预设场景预设色彩时，该图片区域对应色色彩输出修正值不为0，该色彩输出修正值用于视角补偿技术，以改善色偏现象；当该图片区域不含有预设场景预设色彩时，该图片区域对应的色彩输出修正值为0，则对该图片区域的色彩不作处理。
由于人像场景、蓝天场景和草地场景均为细纹理区，通过上述处理方法，能够在对人像场景等预设场景进行初步判断的基础上，能够进一步识别人像场景等预设场景所在的具体区域，避免对与预设场景中预设色彩相似的色彩等情形出现误侦，有效提升对预设场景预设颜色等数据提取的准确性，降低过检率和误检率。
在识别待处理图片中含有预设场景的预设色彩的图片区域后，作为另一种获取色彩输出修正值的实现方式，则该图片区域对应的纹理概率P，赋值为1。并且，仅针对含有预设场景的预设色彩的图片区域，提取相应的色彩数据，并采用高斯模型拟合处理，得到该图片区域对应的高斯概率，该高斯概率即为该图片区域对应的色彩输出修正值。
具体地，色彩输出修正值可具体用如下算法实现：
gaussout＝gauss(cb,cr)*P (17)
上式中，gaussout为关于待处理图片中预设场景预设色彩的色彩输出修正值，gauss(cb，cr)为关于待处理图片中预设场景预设色彩的高斯概率，P为待处理图片中各图片区域关于预设场景预设色彩的纹理概率，或者，为待处理图片中含有预设场景预设色彩的图片区域的纹理概率。
采用该方式进行处理时，无需对没有含有预设场景预设色彩的图片区域采集数据，也无需针对该一部分区域进行高斯模型拟合处理，能够简化数据处理过程，降低数据处理复杂程度。
进一步地，在对待处理图片进行处理时，还可根据待处理图片的预设场景的预设色彩的亮度数据进一步提高对待处理图片预设场景预设色彩侦测的准确性。
具体地，可根据亮度数据将预设场景的预设色彩的亮度划分为多个亮度区间，不同的亮度区间内，采用不同的线性调节模型分别对对应的预设色彩的色彩数据的亮度数据进行修正或抑制调节，能够降低对于低灰阶图片数据采集中可能出现的闪烁问题，能够进一步提高对预设场景预设色彩的色彩数据处理的准确性，参见图3的(a)是原图，图3的(b)图对图(a)采用本发明实施例的图像处理方法对人像场景的肤色色彩侦测处理的概率效果图，图3的(c)是(b)图的细节图，其中，图3的(a)、(b)和(c)图中的d框、e框和f框所指代的位置分别一一对应。图4的(a)图是原图，图4的(b)图是对(a)图采用本发明实施例的图像处理方法对人像场景的肤色色彩、蓝天场景的蓝色色彩和草地场景的绿色色彩侦测处理的概率效果图。
其中，线性调节模型可具体表述如下：
Figure BDA0002904120390000161
上述公式(18)中，K(y)为关于预设场景预设色彩的亮度数据经线性调节模型修正后的亮度调整概率，y为预设场景预设色彩的亮度数据，k1、k2、k3、k4、l1、l2、l3、l4分别为设定参数。
其中，关于k1、k2、k3、k4、l1、l2、l3、l4，可分别根据设置不同亮度区间的概率设定；在实际应用中，还可根据所应用的面板的实际亮度等情况进行调整。例如，k1、k2、k3、k4、l1、l2、l3、l4可分别按照如下赋值进行初始设定，则线性调节模型可表述为：
Figure BDA0002904120390000162
待处理图片经线性调节模型进行亮度抑制调节后，所获得的亮度调整概率与待处理图片中的预设场景预设色彩的高斯概率，以及待处理图片中关于预设场景预设色彩的图片区域的纹理概率P，综合对待处理图片进行处理，能够有效提高数据处理的准确性，降低过检和误检率，其具体可采用如下算法实现：
gaussout＝gauss(cb,cr)*P*K(y) (20)
其中，gaussout为关于待处理图片中预设场景预设色彩的色彩输出修正值，gauss(cb，cr)为关于待处理图片中预设场景预设色彩的高斯概率，P为待处理图片中各图片区域关于预设场景预设色彩的纹理概率，或者，为待处理图片中含有预设场景预设色彩的图片区域的纹理概率，K(y)为关于预设场景预设色彩的亮度数据经线性调节模型修正后的亮度调整概率。
获取待处理图片中预设场景预设色彩的色彩输出修正值后，可将该色彩输出修正值应用于视角补偿技术中，具体实现过程，本发明实施例不做具体限定，例如，其处理过程可简述如下：
将待处理图片的RGB像素值展开，由m*n的待处理图片长宽比变成m*(n*3)的图片IRGB长宽比；
将展开图按s＝6个子像素作为一个分区，一共有ss＝(n*3)/s个分区；
若m为奇数行，且mod(s/3)＝1时，索引R像素的table值，Vtable＝HR；
若m为偶数行，且mod(s/3)＝1时，索引R像素的table值，Vtable＝LR；
若m为奇数行，且mod(s/3)＝2时，索引G像素的table值，Vtable＝HG；
若m为偶数行，且mod(s/3)＝2时，索引G像素的table值，Vtable＝LG；
若m为奇数行，且mod(s/3)＝0时，索引B像素的table值，Vtable＝HB；
若m为偶数行，且mod(s/3)＝0时，索引B像素的table值，Vtable＝LR；
计算视角补偿(View Angle Compensation，VAC)算法的输出结果：
out＝IRGB+gaussout*(Vtable-IRGB) (21)
其中，Vtable为通过索引视角补偿技术中驱动模式的内置表格而设定的驱动电压，IRGB为待处理图片的RGB值，LR、HR、LG、LB、HB分别为视角补偿技术中驱动模式的内置表格中RGB通道的设定值。
本发明实施例还提供一种图像处理装置，包括：
数据采集单元，用于获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
第一数据处理单元，用于根据第一待处理色度数据集和第二待处理色度数据集，由所构建的高斯模型获取预设场景的预设色彩的高斯概率；
纹理识别单元，用于识别待处理图片中含有预设场景的图片区域；
第二数据处理单元，用于根据高斯概率，获取图片区域中预设场景的预设色彩的色彩输出修正值，以对待处理图片的预设场景中的预设色彩进行补偿处理。
其中，根据预处理图片的预设场景中预设色彩的第一初始色度数据集和第二初始色度数据集，建立关于预设色彩的高斯模型。
具体地，该图像处理装置还包括亮度调节单元，用于获取待处理图片中关于预设色彩的亮度数据；判断亮度数据所在的亮度区间；调取亮度区间的线性调节模型；根据线性调节模型和亮度数据，获取待处理图片中关于亮度的亮度调整概率。此时，数据处理单元，用于根据亮度调整概率和高斯概率，获取图片区域中预设场景的预设色彩的色彩输出修正值，以对待处理图片的预设场景中的预设色彩进行补偿处理。
该图像处理装置，由所构建的高斯模型对预设场景预设色彩进行拟合处理，并根据待处理图片中是否含有预设场景，由对应的预设场景的相关性系数进行修正，调整根据高斯模型所获得的预设场景预设色彩的高斯概率，在对图片进行视角补偿处理后，使得图片显示时，预设色彩的显示过渡自然，符合人眼视觉特性，能够有效改善色偏现象，还能够提高对待处理图片的处理效率，提高色彩侦测准确性，以避免对其他场景中与预设场景预设色彩相近的色彩的误侦。并且，由高斯模型拟合处理后的色彩数据，其色彩过渡自然，格感小，图片质量更高，符合人眼视觉特性，观感体验更佳。
本发明实施例还提供一种计算机设备，包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述图像处理方法。
该计算机设备可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的计算机设备，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本发明实施例中所使用的计算机设备可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备具体可以是台式终端或移动终端，计算机设备具体还可以是手机、平板电脑、笔记本电脑等中的一种。
该计算机设备可以包括一个或者一个以上处理核心的处理器2、一个或一个以上的存储器3、电源1和输入单元4等部件。本领域技术人员可以理解，图5中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器2是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器3内的目标文件和/或模块，以及调用存储在存储器3内的目标文件，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器2可包括一个或多个处理核心；优选的，处理器2可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器2中。
存储器3可用于存储软件程序等目标文件以及模块，处理器2通过运行存储在存储器3的目标文件以及模块，从而执行各种功能应用以及数据处理。存储器3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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器3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、或其他易失性固态存储器件。相应地，存储器3还可以包括存储器控制器，以提供处理器2对存储器3的访问。
计算机设备还包括给各个部件供电的电源1，优选的，电源1可以通过电源管理系统与处理器2逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元4，该输入单元4可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器2会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器3中，并由处理器2来运行存储在存储器3中的目标文件。
本发明的图像处理方法、图像处理装置及计算机设备，该图片处理方法由所构建的高斯模型对预设场景预设色彩进行拟合处理，并根据待处理图片中是否含有预设场景，由对应的预设场景的相关性系数进行修正，调整根据高斯模型所获得的预设场景预设色彩的高斯概率，在对图片进行视角补偿处理后，使得图片显示时，预设色彩的显示过渡自然，符合人眼视觉特性，能够有效改善色偏现象，还能够提高对待处理图片的处理效率，提高色彩侦测的准确性，以避免对其他场景中与预设场景预设色彩相近的色彩的误侦。同时，由于仅对待处理图片中的预设场景预设色彩进行处理，因此，在图片输出时，还能够有效降低格感，提高图片质量。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种图像处理方法，其特征在于，所述图像处理方法包括：
获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的所述预设色彩的高斯概率；
识别所述待处理图片中含有所述预设场景的所述预设色彩的图片区域；
根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
2.根据权利要求1所述的图像处理方法，其特征在于，所述图像处理方法还包括：
获取所述待处理图片中关于所述预设色彩的亮度数据；
判断所述亮度数据所在的亮度区间；
调取所述亮度区间的线性调节模型；
根据所述线性调节模型和所述亮度数据，获取所述待处理图片中关于亮度的亮度调整概率；
根据所述亮度调整概率和所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
3.根据权利要求1所述的图像处理方法，其特征在于，在所述根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的预设色彩的高斯概率之前，所述方法还包括：
获取预处理图片的预设场景中预设色彩的第一初始色度数据集和第二初始色度数据集；
根据所述第一初始色度数据集和所述第二初始色度数据集，建立关于所述预设色彩的高斯模型；
所述根据所述第一待处理色度数据集和所述第二待处理色度数据集，获取所述预设场景的预设色彩的高斯概率，包括：
根据所述第一待处理色度数据集和所述第二待处理色度数据集，由所述高斯模型获取所述预设场景的所述预设色彩的高斯概率。
4.根据权利要求3所述的图像处理方法，其特征在于，获取预处理图片的预设场景中预设色彩的第一初始色度数据集和第二初始色度数据集，包括：
获取多个含有所述预设场景的预处理图片；
提取任一所述预处理图片中关于所述预设场景的所述预设色彩的色彩数据，获取所述第一初始色度数据集和所述第二初始色度数据集。
5.根据权利要求3所述的图像处理方法，其特征在于，根据所述第一初始色度数据集和所述第二初始色度数据集，建立关于所述预设色彩的高斯模型，包括：
分别获取所述第一初始色度数据集和所述第二初始色度数据集的均值；
获取关于所述第一初始色度数据集和所述第二初始色度数据集的协方差矩阵、协方差矩阵的逆以及协方差矩阵的秩；
根据所述协方差矩阵、所述协方差矩阵的逆以及所述协方差矩阵的秩，建立所述高斯模型。
6.根据权利要求1-5任一项所述的图像处理方法，其特征在于，获取所述预设场景的所述预设色彩的高斯概率，包括：
判断所述待处理图片中是否含有所述预设场景；
根据所述待处理图片中含有所述预设场景的判断结果，对所述待处理图片中关于所述预设场景的相关性系数赋值；
对于所述待处理图片中的任一所述预设色彩，根据所述高斯模型获取所述预设色彩的初始概率；
根据所述初始概率以及所述相关性系数，获取所述待处理图片中所述预设场景的高斯概率。
7.根据权利要求6所述的图像处理方法，其特征在于，所述预设场景的数量有多个，所述预设色彩有多个；
对于任一所述预设场景，所述预设场景的初始概率经相关性系数修正后，
求取所述待处理图片中多个所述预设场景的经所述相关性系数修正后的所述初始概率之和，获取所述待处理图片中关于多个所述预设场景的高斯概率。
8.根据权利要求1所述的图像处理方法，其特征在于，识别所述待处理图片中含有所述预设场景的所述预设色彩的图片区域，包括：
将所述待处理图片划分为多个所述图片区域；
获取任一所述图片区域的像素梯度；
统计任一所述图片区域中像素梯度高于第一预设阈值的像素数量；
判断所述像素数量是否大于第二预设阈值；
若所述像素数量大于第二预设阈值，所述图片区域为含有所述预设场景所述预设色彩的图片区域。
9.根据权利要求8所述的图像处理方法，其特征在于，根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，包括：
若所述像素数量大于第二预设阈值，获取所述图片区域的第一纹理概率；
若所述像素数量小于第二预设阈值，获取所述图片区域的第二纹理概率；
对于任一所述图片区域，获取所述图片区域关于所述预设场景的所述预设色彩的高斯概率与所述第一纹理概率或第二纹理概率之积，得到所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值。
10.根据权利要求8所述的图像处理方法，其特征在于，根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，包括：
获取含有所述预设场景的所述预设色彩的图片区域的第一纹理概率；
获取所述第一纹理概率与含有所述预设场景的图片区域的所述高斯概率之积，得到所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值。
11.一种图像处理装置，其特征在于，包括：
数据采集单元，用于获取待处理图片中关于预设色彩的第一待处理色度数据集和第二待处理色度数据集；
第一数据处理单元，用于根据所述第一待处理色度数据集和所述第二待处理色度数据集，由所构建的高斯模型获取预设场景的所述预设色彩的高斯概率；
纹理识别单元，用于识别所述待处理图片中含有所述预设场景的图片区域；
第二数据处理单元，用于根据所述高斯概率，获取所述图片区域中所述预设场景的所述预设色彩的色彩输出修正值，以对所述待处理图片的所述预设场景中的所述预设色彩进行补偿处理。
12.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1-8中任一项所述的图像处理方法。
CN202110066060.3A 2021-01-19 2021-01-19 图像处理方法、图像处理装置及计算机设备 Pending CN112907457A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110066060.3A CN112907457A (zh) 2021-01-19 2021-01-19 图像处理方法、图像处理装置及计算机设备
PCT/CN2021/100153 WO2022156129A1 (zh) 2021-01-19 2021-06-15 图像处理方法、图像处理装置及计算机设备
US17/600,328 US12063335B2 (en) 2021-01-19 2021-06-15 Image processing method, image processing device, and computer device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110066060.3A CN112907457A (zh) 2021-01-19 2021-01-19 图像处理方法、图像处理装置及计算机设备

Publications (1)

Publication Number Publication Date
CN112907457A true CN112907457A (zh) 2021-06-04

Family

ID=76114975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110066060.3A Pending CN112907457A (zh) 2021-01-19 2021-01-19 图像处理方法、图像处理装置及计算机设备

Country Status (3)

Country Link
US (1) US12063335B2 (zh)
CN (1) CN112907457A (zh)
WO (1) WO2022156129A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022156129A1 (zh) * 2021-01-19 2022-07-28 Tcl华星光电技术有限公司 图像处理方法、图像处理装置及计算机设备
CN114913971A (zh) * 2022-06-10 2022-08-16 奇医天下大数据科技(珠海横琴)有限公司 一种基于人工智能的电子处方服务管理系统
WO2023240701A1 (zh) * 2022-06-15 2023-12-21 深圳市华星光电半导体显示技术有限公司 显示装置的显示驱动方法及装置、显示装置
US11961446B2 (en) 2022-06-15 2024-04-16 Shenzhen China Star Optoelectronics Semiconductor Display Technology Co., Ltd. Display driving method and device, and display device

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120033875A1 (en) * 2008-07-31 2012-02-09 Ruth Bergman Preceptual segmentation of images
CN105678813A (zh) * 2015-11-26 2016-06-15 乐视致新电子科技（天津）有限公司 一种肤色检测方法及装置
US20160293138A1 (en) * 2014-10-11 2016-10-06 Boe Technology Group Co., Ltd. Image processing method, image processing apparatus and display device
WO2020125631A1 (zh) * 2018-12-17 2020-06-25 深圳Tcl新技术有限公司 视频压缩方法、装置和计算机可读存储介质
CN112106102A (zh) * 2019-07-30 2020-12-18 深圳市大疆创新科技有限公司 图像处理方法、系统、设备、可移动平台和存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2012005108A1 (ja) * 2010-07-09 2013-09-02 オリンパスメディカルシステムズ株式会社 画像記録再生システム
KR20120118383A (ko) * 2011-04-18 2012-10-26 삼성전자주식회사 이미지 보정 장치 및 이를 이용하는 이미지 처리 장치와 그 방법들
JP2014078808A (ja) * 2012-10-09 2014-05-01 Toshiba Corp 画像処理装置、画像処理方法
JP2015011585A (ja) * 2013-06-28 2015-01-19 株式会社リコー 画像処理装置、画像形成装置、画像形成システム、画像処理方法およびプログラム
EP3001668A1 (en) 2014-09-24 2016-03-30 Thomson Licensing Method for compensating for color differences between different images of a same scene
CN103854261B (zh) 2014-02-25 2017-01-04 上海理工大学 色偏图像的校正方法
CN107424179A (zh) 2017-04-18 2017-12-01 微鲸科技有限公司 一种图像均衡方法及装置
US10735754B2 (en) 2017-04-26 2020-08-04 Google Llc Chromatic aberration modeling in image compression and enhancement
CN109448653B (zh) 2018-12-21 2021-02-09 惠科股份有限公司 显示装置补偿计算的方法、补偿结构及显示装置
CN112907457A (zh) 2021-01-19 2021-06-04 Tcl华星光电技术有限公司 图像处理方法、图像处理装置及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120033875A1 (en) * 2008-07-31 2012-02-09 Ruth Bergman Preceptual segmentation of images
US20160293138A1 (en) * 2014-10-11 2016-10-06 Boe Technology Group Co., Ltd. Image processing method, image processing apparatus and display device
CN105678813A (zh) * 2015-11-26 2016-06-15 乐视致新电子科技（天津）有限公司 一种肤色检测方法及装置
WO2020125631A1 (zh) * 2018-12-17 2020-06-25 深圳Tcl新技术有限公司 视频压缩方法、装置和计算机可读存储介质
CN112106102A (zh) * 2019-07-30 2020-12-18 深圳市大疆创新科技有限公司 图像处理方法、系统、设备、可移动平台和存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022156129A1 (zh) * 2021-01-19 2022-07-28 Tcl华星光电技术有限公司 图像处理方法、图像处理装置及计算机设备
US12063335B2 (en) 2021-01-19 2024-08-13 Tcl China Star Optoelectronics Technology Co., Ltd. Image processing method, image processing device, and computer device
CN114913971A (zh) * 2022-06-10 2022-08-16 奇医天下大数据科技(珠海横琴)有限公司 一种基于人工智能的电子处方服务管理系统
CN114913971B (zh) * 2022-06-10 2023-05-09 奇医天下大数据科技(珠海横琴)有限公司 一种基于人工智能的电子处方服务管理系统
WO2023240701A1 (zh) * 2022-06-15 2023-12-21 深圳市华星光电半导体显示技术有限公司 显示装置的显示驱动方法及装置、显示装置
US11961446B2 (en) 2022-06-15 2024-04-16 Shenzhen China Star Optoelectronics Semiconductor Display Technology Co., Ltd. Display driving method and device, and display device

Also Published As

Publication number Publication date
WO2022156129A1 (zh) 2022-07-28
US12063335B2 (en) 2024-08-13
US20230105393A1 (en) 2023-04-06

Similar Documents

Publication Publication Date Title
CN112907457A (zh) 图像处理方法、图像处理装置及计算机设备
US20200396434A1 (en) Image White Balance Processing System and Method
US8290252B2 (en) Image-based backgrounds for images
CN105915909B (zh) 一种高动态范围图像分层压缩方法
CN109686342B (zh) 一种图像处理方法及装置
CN112669758B (zh) 显示屏校正方法、装置、系统和计算机可读存储介质
CN105681775A (zh) 一种白平衡方法和装置
CN108391111A (zh) 图像清晰度调节方法、显示装置及计算机可读存储介质
CN108337496A (zh) 白平衡处理方法、处理装置、处理设备及存储介质
CN111097169B (zh) 一种游戏图像的处理方法、装置、设备及存储介质
CN112788322B (zh) 自适应白平衡处理方法、装置、介质及电子设备
DE102018130083A1 (de) Schätzung der Beleuchtungsfarbigkeit beim automatischen Weißabgleich
CN116168652A (zh) 图像显示方法、装置、电子设备及计算机可读存储介质
CN113781334A (zh) 基于颜色的图像间差异对比方法、装置、终端及存储介质
CN104715735B (zh) 一种背光调整的方法和装置
CN113284063A (zh) 图像处理方法、图像处理装置、电子设备和可读存储介质
CN116453470B (zh) 图像显示方法、装置、电子设备及计算机可读存储介质
WO2010128683A1 (en) Blue sky color detection technique
WO2023103813A1 (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN114092359B (zh) 花屏处理方法、装置和电子设备
CN111338627A (zh) 前端网页主题颜色调节方法及装置
CN112435173A (zh) 一种图像处理和直播方法、装置、设备和存储介质
CN110505512A (zh) 全屏播放方法、终端设备及计算机可读存储介质
CN103986922B (zh) 图像处理方法
CN113674163A (zh) 图像饱和度调整方法、设备及计算机可读存储介质

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