CN113205600A - 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法 - Google Patents

基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法 Download PDF

Info

Publication number
CN113205600A
CN113205600A CN202110563189.5A CN202110563189A CN113205600A CN 113205600 A CN113205600 A CN 113205600A CN 202110563189 A CN202110563189 A CN 202110563189A CN 113205600 A CN113205600 A CN 113205600A
Authority
CN
China
Prior art keywords
munsell
building
value
hue
algorithm
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
CN202110563189.5A
Other languages
English (en)
Inventor
邵金鑫
张鼎
刘浏
姜男
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.)
Suzhou Chengshi Technology Co ltd
Original Assignee
Suzhou Chengshi 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 Suzhou Chengshi Technology Co ltd filed Critical Suzhou Chengshi Technology Co ltd
Priority to CN202110563189.5A priority Critical patent/CN113205600A/zh
Publication of CN113205600A publication Critical patent/CN113205600A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明为一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，包括获取目标研究范围的城市街道景观影像数据作为原始图像；采用优化的动态阈值白平衡算法对原始图像进行白平衡处理；利用语义分割算法提取图像中的建筑物区域作为研究内容；利用色阶细节劣化方法提取图像色相、饱和度、灰度特征作为原始色彩数据；利用孟塞尔色彩空间体系进行降维处理，形成孟塞尔色彩数据；将原始图像划分为若干格网，利用空间分析算法分析各格网的孟塞尔色相、彩度、明度特征；利用空间分析算法分析孟塞尔色彩数据在目标研究范围内的分布特征。本发明大幅降低数据收集整理的工作量，极大的提升了工作效率，为城市风貌的规划、建设和管理提供重要的参考依据。

Description

基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法
【技术领域】
本发明属于城市建成风貌环境评价技术交叉领域，特别是涉及一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法。
【背景技术】
随着我国城市规划过程中对建筑色彩风貌的重视程度不断提升，城市色彩规划管理调研范围大、研究周期长、对审美要求高、无法客观量化等问题不断呈现出来，为城市色彩规划的进一步深化带来了巨大的挑战。同时，互联网技术不断进步，带来了城市数据量的迅速增长，人工智能与图像处理技术的发展也为图像的量化研究提供了新的可能性。
【发明内容】
本发明的主要目的在于提供一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，利用深度学习技术、孟塞尔颜色系统全面、准确、高效的采集分析城市建筑物色彩信息、并利用地理空间分析技术对孟塞尔色彩信息进行加工并搭建相关地理信息数据库，对后续城市风貌的规划、建设和管理有重要的参考作用。
本发明通过如下技术方案实现上述目的：一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其包括以下步骤：
步骤S1：从互联网或线下数据库中获得覆盖目标研究范围的城市街道景观影像数据作为原始图像；
步骤S2：采用优化的动态阈值白平衡算法对所述原始图像进行白平衡处理；
步骤S3：利用语义分割算法提取白平衡处理后图像中的建筑物区域作为研究内容；
步骤S4：利用色阶细节劣化方法提取所述研究内容对应图像的色相、饱和度、灰度特征，作为建筑原始色彩数据；
步骤S5：利用孟塞尔色彩空间体系对所述建筑原始色彩数据进行降维处理，形成包含色相、彩度、明度特征的建筑孟塞尔色彩数据；
步骤S6：将步骤S1中所述目标研究范围划分为50m*50m格网，利用空间分析算法分析每个格网的孟塞尔色相、彩度、明度特征；
步骤S7：利用空间分析算法分析所述建筑孟塞尔色彩数据在所述目标研究范围内的分布特征。
进一步的，所述步骤S2采用优化的动态阈值白平衡算法对步骤S1是中所述的原始图像进行白平衡处理，其包括以下步骤：
S21)将宽度、长度分别w、h的图像为从RGB空间转换到YCrCb空间；
S22)将图像切分为宽高比为4∶3的板块，并计算每个板块的Cr、Cb的平均值为Mr、Mb，同时利用公式(1)计算每个板块的Cr、Cb的方差为Dr、Db：
Figure BDA0003079859790000021
其中，Cb是指蓝色色度分量，Cr是指红色色度分量；N为板块的数量；
S23)设定一个大小为w*h的参考白色点亮度矩阵RL，并利用判别式(2)进行判断，若符合判别式(2)，则作为参考白色点，并将该点(i，j)的亮度复制给RL(i，j)；若不符合，则RL(i，j)的值为0：
Figure BDA0003079859790000022
其中，RL(i，j)为考白色点亮度矩阵RL第i行第j列元素；
S24)选取RL中最大的10％亮度值中的最小值为Lu_min，若RL(i，j)＜Lu_min，则RL(i，j)＝0，否则RL(i，j)＝1；
S25)将原图R、G、B值分别与RL相乘，得到R1、G1、B1，并计算R1、G1、B1的平均值为Rav、Gav、Bav，并得到调整增益的公式为：
Ymax＝double(max(max(Y)))/5
Rgain＝Ymax/Rav
Ggain＝Ymax/Gav
Bgain＝Ymax/Bav
其中，Ymax、Rgain、Ggain、Bgain为中间计算量，Y是指亮度分量；
S26)调整原图像为：
R0＝R*Rgain
G0＝G*Ggain
B0＝B*Bgain。
进一步的，所述步骤S3中的所述语义分割算法为基于深度学习的语义分割算法，采用deeplabv3+模型。
进一步的，所述步骤S4中所述色阶细节劣化方法，包括将所述步骤S3所得图片分割为100*100的图片板块，使用其中一个随机获得的像素值代替其他像素值并提取该像素值HSV色彩空间中的色相、饱和度、明度特征值，其中色相的取值范围为0-360之间的自然数，饱和度、明度的值域为0-1之间的任意数值。
进一步的，所述步骤S5利用孟塞尔色彩空间体系对步骤S4中的原始色彩数据进行降维处理，其降维算法包括将步骤S4中提取的色相、饱和度、明度特征值进行处理，将色相按照红R、红黄YR、黄Y、黄绿GY、绿G、绿蓝BG、蓝B、蓝紫PB、紫P、紫红RP分为10个色相带；将明度按深浅从全黑N0至全灰N5到全白N10划分为10个等级；对于表示色调纯度的彩度，其数值从中间0向外随着色调的纯度增加。
进一步的，所述步骤S6包括将步骤S5中所获得的建筑孟塞尔色彩数据根据其空间位置落入50m*50m的格网中，并分别计算提取每个格网中出现频率最高的色相带、明度饱和度的平均等级作为该格网的建筑色彩数据特征。
进一步的，所述步骤S7中所述空间分析算法为优化的热点工具算法，其包括对数据集中的每一个要素计算Getis-Ord Gi*统计得到的Gi *值，分析数据高值或低值要素在空间上发生聚类的位置，从而实现对区域中饱和度、明度的高值中心和低值中心的计算。
进一步的，所述Gi *值的计算公式为：
Figure BDA0003079859790000041
其中xx是要素j的属性值，wi,j是要素i和j之间的空间权重，n为要素总数，
Figure BDA0003079859790000042
Figure BDA0003079859790000043
与现有技术相比，本发明一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法的有益效果在于：利用深度学习技术、孟塞尔颜色系统全面、系统、准确、高效的采集城市建筑物色彩信息，并利用地理空间分析技术对建筑色彩信息进行微观、中观、宏观等不同尺度的空间分析，形成城市建筑色彩地理信息数据库，对后续城市风貌的规划、建设和管理有重要的参考作用。具体的，
1)本发明利用城市街道影像大数据实现了对建筑色彩的提取，能够更加全面、高效、量化的提取城市建筑物的配色信息，大幅降低数据收集、整理的工作量，极大的提升了工作效率；
2)本发明采用了基于严格的人类视觉感知的孟塞尔颜色系统对原始数据进行统计分析，使建筑色彩的提取更加精准、更符合实际的色彩视觉体验；
3)本发明加入了基于格网单元及行政区划单元的色彩特征分析，实现了再微观、中观、宏观等不同空间尺度下的建筑色彩分析，并将其按照空间层级录入GIS系统，实现了城市建筑色彩特征数据库的搭建；
4)本发明针对不同区域的色彩构成特征提出包括主要不足及主要提升潜力点等的规划管理提升策略，为决策者提供城市建筑色彩的动态管理及可持续发展所需的信息和系统框架。
【附图说明】
图1为本发明实施例的方法流程图；
图2是本发明实施例中对部分街道景观影像提取建筑物部分的结果图；
图3是本发明实施例中对部分街道景观影像提取原始色彩特征数据；
图4、5为本发明实施例中对部分街道景观影响提取孟塞尔色彩特征数据；
图6为本发明实施例中嘉定区50m*50m格网色相分布图；
图7、8是本发明实施例中嘉定区明度、饱和度冷热点区域分布图。
【具体实施方式】
实施例一：
本实施例为一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其包括以下步骤：
步骤S1：从互联网或线下数据库中获得覆盖目标研究范围的城市街道景观影像数据作为原始图像；
步骤S2：采用优化的动态阈值白平衡算法对所述原始图像进行白平衡处理；
步骤S3：利用语义分割算法提取白平衡处理后图像中的建筑物区域作为研究内容；本实施例对上海嘉定区进行了应用分析，提取的街道景观影像提取建筑物部分图像如图2所示；
步骤S4：利用色阶细节劣化方法提取所述研究内容对应图像的色相、饱和度、灰度特征，作为建筑原始色彩数据；对部分街道景观影像提取的建筑原始色彩特征数据如图3所示；
步骤S5：利用孟塞尔色彩空间体系对所述建筑原始色彩数据进行降维处理，形成包含色相、彩度、明度特征的建筑孟塞尔色彩数据；对部分街道景观影响提取孟塞尔色彩特征数据如图4、图5所示；
步骤S6：将步骤S1中所述目标研究范围划分为50m*50m格网，利用空间分析算法分析每个格网的孟塞尔色相、彩度、明度特征；嘉定区50m*50m格网色相分布图如图6所示；
步骤S7：利用空间分析算法分析所述建筑孟塞尔色彩数据在所述目标研究范围内的分布特征。
嘉定区明度、饱和度冷热点区域分布图如图7、图8所示。饱和度表示色彩的鲜艳程度；明度表示色彩的明暗程度(黑色的明度最低，白色的明度最高)。
图8中显示出嘉定区建筑色彩饱和度主要以中低饱和度为主，少量高饱和度色彩建筑物融入其中。低饱和度的建筑色彩会给人平衡、舒适的感觉。饱和度空间布局呈现以下的特征：
A、中低饱和度建筑主要分布在嘉定区中部，高饱和度建筑物在嘉定区四周的边缘分布；这些高饱和度的建筑物主要构成了嘉定区的饱和度热点建筑。在建筑群中有突出、强调的作用；
B、与城市功能结构耦合程度高，饱和度较低的城市用地主要功能为居住、商业和工业园区。
图7中显示出嘉定区建筑色彩明度主要以中高明度为主，明度最低的建筑物出现在嘉定区的西部和西北地区。高明度的建筑色彩会给人明亮、轻快的感觉，往往会成为该区域的明度热点。一般来说，城市色彩中保持较高的明度比较容易达到高品质的色彩特征。
所述步骤S2采用优化的动态阈值白平衡算法对步骤S1是中所述的原始图像进行白平衡处理，其包括以下步骤：
S21)将宽度、长度分别w、h的图像为从RGB空间转换到YCrCb空间；
S22)将图像切分为宽高比为4∶3的板块，并计算每个板块的Cr、Cb的平均值为Mr、Mb，同时利用公式(1)计算每个板块的Cr、Cb的方差为Dr、Db：
Figure BDA0003079859790000071
其中，Cb是指蓝色色度分量，Cr是指红色色度分量；N为板块的数量；
S23)设定一个大小为w*h的参考白色点亮度矩阵RL，并利用判别式(2)进行判断，若符合判别式(2)，则作为参考白色点，并将该点(i，j)的亮度复制给RL(i，j)；若不符合，则RL(i，j)的值为0：
Figure BDA0003079859790000072
其中，RL(i，j)为考白色点亮度矩阵RL第i行第j列元素；
S24)选取RL中最大的10％亮度值中的最小值为Lu_min，若RL(i，j)＜Lu_min，则RL(i，j)＝0，否则RL(i，j)＝1；
S25)将原图R、G、B值分别与RL相乘，得到R1、G1、B1，并计算R1、G1、B1的平均值为Rav、Gav、Bav，并得到调整增益的公式为：
Ymax＝double(max(max(Y)))/5
Rgain＝Ymax/Rav
Ggain＝Ymax/Gav
Bgain＝Ymax/Bav
其中，Ymax、Rgain、Ggain、Bgain为中间计算量，Y是指亮度分量；
S26)调整原图像为：
R0＝R*Rgain
G0＝G*Ggain
B0＝B*Bgain。
所述步骤S3中的所述语义分割算法为基于深度学习的语义分割算法，采用deeplabv3+模型。建筑物识别像素级别准确度可达85.32％，平均IoU值为0.2518。
所述步骤S4中所述色阶细节劣化方法，包括：将所述步骤S3所得图片分割为100*100的图片板块，使用其中一个随机获得的像素值代替其他像素值并提取该像素值HSV色彩空间中的色相、饱和度、明度特征值，其中色相的取值范围为0-360之间的自然数，饱和度、明度的值域为0-1之间的任意数值。
所述步骤S5利用孟塞尔色彩空间体系对步骤S4中的原始色彩数据进行降维处理，其降维算法包括将步骤S4中提取的色相、饱和度、明度特征值进行处理，将色相按照红R、红黄YR、黄Y、黄绿GY、绿G、绿蓝BG、蓝B、蓝紫PB、紫P、紫红RP分为10个色相带；将明度按深浅从全黑N0至全灰N5到全白N10划分为10个等级；对于表示色调纯度的彩度，其数值从中间0向外随着色调的纯度增加，没有理论上的上限(普通的颜色实际上限为10左右，反光、荧光等材料可高达30)。由于人眼对各种颜色的的敏感度不同，彩度不一定与每个色调和明度组合相匹配。
所述步骤S6包括将步骤S5中所获得的建筑孟塞尔色彩数据根据其空间位置落入50m*50m的格网中，并分别计算提取每个格网中出现频率最高的色相带、明度饱和度的平均等级作为该格网的建筑色彩数据特征。
所述步骤S7中所述空间分析算法为优化的热点工具算法，其包括对数据集中的每一个要素计算Getis-Ord Gi*统计得到的Gi *值(即z值)，分析数据高值或低值要素在空间上发生聚类的位置，从而实现对区域中饱和度、明度的高值中心和低值中心的计算。
所述Gi *值的计算公式为：
Figure BDA0003079859790000081
其中xj是要素j的属性值，wi，j是要素i和j之间的空间权重，n为要素总数，
Figure BDA0003079859790000091
Figure BDA0003079859790000092
对于具有显著统计学意义的正的z得分，z得分越高，高值(热点)的聚类就越紧密。对于统计学上的显著性负z得分，z得分越低，低值(冷点)的聚类就越紧密。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.一种基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：其包括以下步骤：
步骤S1：从互联网或线下数据库中获得覆盖目标研究范围的城市街道景观影像数据作为原始图像；
步骤S2：采用优化的动态阈值白平衡算法对所述原始图像进行白平衡处理；
步骤S3：利用语义分割算法提取白平衡处理后图像中的建筑物区域作为研究内容；
步骤S4：利用色阶细节劣化方法提取所述研究内容对应图像的色相、饱和度、灰度特征，作为建筑原始色彩数据；
步骤S5：利用孟塞尔色彩空间体系对所述建筑原始色彩数据进行降维处理，形成包含色相、彩度、明度特征的建筑孟塞尔色彩数据；
步骤S6：将步骤S1中所述目标研究范围划分为50m*50m格网，利用空间分析算法分析每个格网的孟塞尔色相、彩度、明度特征；
步骤S7：利用空间分析算法分析所述建筑孟塞尔色彩数据在所述目标研究范围内的分布特征。
2.如权利要求1所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S2采用优化的动态阈值白平衡算法对步骤S1是中所述的原始图像进行白平衡处理，其包括以下步骤：
S21)将宽度、长度分别w、h的图像为从RGB空间转换到YCrCb空间；
S22)将图像切分为宽高比为4∶3的板块，并计算每个板块的Cr、Cb的平均值为Mr、Mb，同时利用公式(1)计算每个板块的Cr、Cb的方差为Dr、Db：
Figure FDA0003079859780000011
其中，Cb是指蓝色色度分量，Cr是指红色色度分量；N为板块的数量；
S23)设定一个大小为w*h的参考白色点亮度矩阵RL，并利用判别式(2)进行判断，若符合判别式(2)，则作为参考白色点，并将该点(i，j)的亮度复制给RL(i，j)；若不符合，则RL(i，j)的值为0：
Figure FDA0003079859780000021
其中，RL(i，j)为考白色点亮度矩阵RL第i行第j列元素；
S24)选取RL中最大的10％亮度值中的最小值为Lu_min，若RL(i，j)＜Lu_min，则RL(i，j)＝0，否则RL(i，j)＝1；
S25)将原图R、G、B值分别与RL相乘，得到R1、G1、B1，并计算R1、G1、B1的平均值为Rav、Gav、Bav，并得到调整增益的公式为：
Ymax＝double(max(max(Y)))/5
Rgain＝Ymax/Rav
Ggain＝Ymax/Gav
Bgain＝Ymax/Bav
其中，Ymax、Rgain、Ggain、Bgain为中间计算量，Y是指亮度分量；
S26)调整原图像为：
R0＝R*Rgain
G0＝G*Ggain
B0＝B*Bgain。
3.如权利要求2所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S3中的所述语义分割算法为基于深度学习的语义分割算法，采用deeplabv3+模型。
4.如权利要求3所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S4中所述色阶细节劣化方法，包括：将所述步骤S3所得图片分割为100*100的图片板块，使用其中一个随机获得的像素值代替其他像素值并提取该像素值HSV色彩空间中的色相、饱和度、明度特征值，其中色相的取值范围为0-360之间的自然数，饱和度、明度的值域为0-1之间的任意数值。
5.如权利要求4所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S5利用孟塞尔色彩空间体系对步骤S4中的原始色彩数据进行降维处理，其降维算法包括将步骤S4中提取的色相、饱和度、明度特征值进行处理，将色相按照红R、红黄YR、黄Y、黄绿GY、绿G、绿蓝BG、蓝B、蓝紫PB、紫P、紫红RP分为10个色相带；将明度按深浅从全黑N0至全灰N5到全白N10划分为10个等级；对于表示色调纯度的彩度，其数值从中间0向外随着色调的纯度增加。
6.如权利要求5所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S6包括将步骤S5中所获得的建筑孟塞尔色彩数据根据其空间位置落入50m*50m的格网中，并分别计算提取每个格网中出现频率最高的色相带、明度饱和度的平均等级作为该格网的建筑色彩数据特征。
7.如权利要求6所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述步骤S7中所述空间分析算法为优化的热点工具算法，其包括对数据集中的每一个要素计算Getis-Ord Gi*统计得到的Gi *值，分析数据高值或低值要素在空间上发生聚类的位置，从而实现对区域中饱和度、明度的高值中心和低值中心的计算。
8.如权利要求7所述的基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法，其特征在于：所述Gi *值的计算公式为：
Figure FDA0003079859780000031
其中xj是要素j的属性值，wi，j是要素i和j之间的空间权重，n为要素总数，
Figure FDA0003079859780000041
Figure FDA0003079859780000042
CN202110563189.5A 2021-05-24 2021-05-24 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法 Pending CN113205600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563189.5A CN113205600A (zh) 2021-05-24 2021-05-24 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563189.5A CN113205600A (zh) 2021-05-24 2021-05-24 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法

Publications (1)

Publication Number Publication Date
CN113205600A true CN113205600A (zh) 2021-08-03

Family

ID=77022972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563189.5A Pending CN113205600A (zh) 2021-05-24 2021-05-24 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法

Country Status (1)

Country Link
CN (1) CN113205600A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677393A (zh) * 2022-05-27 2022-06-28 珠海视熙科技有限公司 深度图像处理方法、装置、摄像设备、会议系统及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677393A (zh) * 2022-05-27 2022-06-28 珠海视熙科技有限公司 深度图像处理方法、装置、摄像设备、会议系统及介质
CN114677393B (zh) * 2022-05-27 2022-09-30 珠海视熙科技有限公司 深度图像处理方法、装置、摄像设备、会议系统及介质

Similar Documents

Publication Publication Date Title
CN109191460B (zh) 一种对于色调映射图像的质量评价方法
CN103854261B (zh) 色偏图像的校正方法
CN106504212A (zh) 一种改进的hsi空间信息低照度彩色图像增强算法
CN109218716B (zh) 基于色彩统计和信息熵无参考色调映射图像质量评价方法
CN103914124B (zh) 面向三维场景的节能颜色映射方法
CN103402117A (zh) 基于Lab色度空间的视频图像偏色检测方法
CN110084782B (zh) 基于图像显著性检测的全参考图像质量评价方法
CN106530361A (zh) 彩色人脸图像的颜色校正方法
CN113222054B (zh) 基于特征比值指数的遥感影像融合方法、系统、设备及介质
CN111242878A (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN103034872A (zh) 基于颜色和模糊聚类算法的农田害虫识别方法
CN113205600A (zh) 基于深度学习与孟塞尔色彩的区域建筑空间特征分析方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
Li et al. An adaptive enhancement method for low illumination color images
CN103559712B (zh) 黑瓜子色选方法
CN111612797B (zh) 一种水稻图像信息处理系统
JP5615344B2 (ja) 色特徴を抽出するための方法および装置
Hu et al. No reference quality assessment for Thangka color image based on superpixel
CN103679658A (zh) 一种根据主色调智能脱色的图像处理方法
CN111105383A (zh) 一种面向三色视觉的图像融合颜色增强方法
CN111127333A (zh) 一种改进的面向二色视觉的彩色图像颜色增强方法
CN113947539A (zh) 图像的校正方法、装置及存储介质
CN116269217B (zh) 一种基于深度学习的白癜风治疗效果量化评估方法
CN117913425B (zh) 一种基于热力图的储电柜电池制冷方法
CN117475965B (zh) 一种低功耗反射屏色彩增强方法

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