CN113610936A - 色温确定方法、装置、设备及介质 - Google Patents
色温确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113610936A CN113610936A CN202111086927.8A CN202111086927A CN113610936A CN 113610936 A CN113610936 A CN 113610936A CN 202111086927 A CN202111086927 A CN 202111086927A CN 113610936 A CN113610936 A CN 113610936A
- Authority
- CN
- China
- Prior art keywords
- color
- color temperature
- features
- sub
- target image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000006399 behavior Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种色温确定方法、装置、设备及介质,其中该方法包括:获取在目标光线环境下拍摄所得的目标图像;提取目标图像中的颜色特征;基于颜色特征,获取目标图像中多个子区域的局部特征;根据多个子区域的局部特征,确定目标光线环境对应的色温值。本公开无需色温计,仅通过图像处理即可快速便捷地获知光线环境的色温,有效改善了相关技术中需要色温计确定光线环境的色温,成本较高且使用不便的问题。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及色温确定方法、装置、设备及介质。
背景技术
色温是表示光线中包含颜色成分的一个计量单位,不同的光线色温会给人带来不同的视觉感受,人们在不同环境下所需要的光线色温也不同,在诸如学习工作环境、休憩环境等环境下可以给人带来舒适感的光线色温就不相同。为了或者当前环境下的光线色温,现有技术中通常采用色温计测量,但是色温计成本较高,而且使用不便。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种色温确定方法、装置、设备及介质。
根据本公开的一方面,提供了一种色温确定方法,包括:获取在目标光线环境下拍摄所得的目标图像;提取所述目标图像中的颜色特征;基于所述颜色特征,获取所述目标图像中多个子区域的局部特征;根据所述多个子区域的局部特征,确定所述目标光线环境对应的色温值。
根据本公开的另一方面,提供了一种色温确定装置,包括:图像获取模块,用于获取在目标光线环境下拍摄所得的目标图像;颜色特征提取模块,用于提取所述目标图像中的颜色特征;局部特征获取模块,用于基于所述颜色特征,获取所述目标图像中多个子区域的局部特征;色温确定模块,用于根据所述多个子区域的局部特征,确定所述目标光线环境对应的色温值。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述色温确定方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其中,所述存储介质存储有计算机程序,所述计算机程序用于执行上述色温确定方法。
本公开实施例中提供的上述技术方案,能够获取在目标光线环境下拍摄所得的目标图像,并提取目标图像中的颜色特征,以及基于颜色特征获取目标图像中多个子区域的局部特征,最后根据多个子区域的局部特征,确定目标光线环境对应的色温值。上述方式可直接对目标光线环境下拍摄得到的目标图像进行处理,通过图像特征确定目标光线环境的色温,本公开实施例无需色温计,仅通过图像处理即可快速便捷地获知光线环境的色温,有效改善了相关技术中需要色温计确定光线环境的色温,成本较高且使用不便的问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种色温确定方法的流程示意图;
图2为本公开实施例提供的一种区域划分示意图;
图3为本公开实施例提供的一种区域划分示意图;
图4为本公开实施例提供的一种色温计算流程示意图;
图5为本公开实施例提供的一种色温确定方法的流程示意图;
图6为本公开实施例提供的一种色温确定方法的应用流程图;
图7为本公开实施例提供的一种色温确定装置的结构示意图;
图8为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本公开使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
考虑到相关技术中需要采用色温计测量光线环境的色温,成本较高且使用不便,为改善此问题,本公开实施例提供了一种色温确定方法、装置、设备及介质,仅通过图像处理即可快速便捷地获知光线环境的色温,为便于理解,以下对本公开实施例详细说明。
图1为本公开实施例提供的一种色温确定方法的流程示意图,该方法可以由色温确定装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中,该电子设备诸如可以为手机、计算机、服务器等任何具有图像处理能力的设备,如图1所示,该方法主要包括如下步骤S102~步骤S108:
步骤S102,获取在目标光线环境下拍摄所得的目标图像。该目标光线环境即为用户所需获知色温值的光线环境,诸如用户当前所处的光线环境,用户只需在目标光线环境下拍摄照片即可。通常情况下,目标光线环境是由环境中自然光以及人造光的综合作用而形成。
一些实施方式中,电子设备配置有摄像头(诸如手机),用户可直接通过电子设备在目标光线环境下拍摄照片(目标图像),并由电子设备进一步对拍摄所得的目标图像进行色温分析;在另一些实施方式中,用户可通过相机等其它设备在目标光线环境下拍摄目标图像,并将目标图像上传至电子设备,以使电子设备对目标图像进行色温分析。
步骤S104,提取目标图像中的颜色特征。
考虑到拍摄所得的图像受诸如自然光等光照影响较大,而自然光照条件下对图像颜色的影响主要基于:光照强度变化影响、光照偏移变化影响以及前两种情况的组合影响,为了减少上述影响,在一些实施方式中,颜色特征为多种不同类型的颜色直方图特征的组合;多种不同类型的颜色直方图包括具有光照不变性的颜色直方图以及可呈现颜色信息的颜色直方图。其中,具有光照不变性的颜色直方图主要包括用于解决光照偏移变化影响的颜色直方图、以及用于解决光照强度变化影响的颜色直方图。
示例性地,多种不同类型的颜色直方图特征包括:RG颜色直方图、Opponent 颜色直方图、Transformed 颜色直方图、颜色矩以及Lab颜色直方图。其中,RG颜色直方图用于解决光照强度变化的影响,Opponent 颜色直方图用于解决光照偏移变化的影响,Transformed颜色直方图用于解决混合光照强度变化及偏移变化的影响。RG颜色直方图、Opponent 颜色直方图和Transformed颜色直方图均为具有光照不变性的颜色直方图,发明人发现,其由于忽略了图像颜色亮度等信息,容易混淆黑色、灰色、白色三种颜色的图像,因此进一步结合其它能够表达图像颜色信息的直方图(诸如颜色矩以及Lab颜色直方图)加以区分,辅助进行颜色特征提取。
通过提取目标图像中的多种不同类型的颜色直方图特征,可有效减少光照对于图像颜色的影响,诸如减少因不同天气以及不同时间段内自然光照对于拍摄图像的颜色影响,从而客观地对目标图像所呈现的颜色特征进行分析,做得到的颜色特征也更为可靠,有助于进一步提升后续色温识别的准确性。
步骤S106,基于颜色特征,获取目标图像中多个子区域的局部特征。在实际应用中,可以按照预先的区域划分方式将目标图像划分为多个子区域,然后根据颜色特征来获取每个子区域的局部特征,便于后续基于多个子区域的局部特征来进行进一步色温分类。
在一些实施方式中,可以采用诸如FC(Feature Context,特征上下文)算法获取目标图像中多个子区域的局部特征,该局部特征可较为全面综合地体现出诸如颜色、光线强度、光照偏移等对色温有影响的特征信息。其中,FC算法也可称为提取特征上下文算法,提取出的局部特征也可称之为FC特征。
步骤S108,根据多个子区域的局部特征,确定目标光线环境对应的色温值。
在一些实施方式中,可以采用机器学习模型实现上述步骤,诸如,采用预先训练得到的分类模型对多个子区域的局部特征进行分类识别,得到色温值;然后将色温值作为目标光线环境对应的色温值。
本公开实施例中提供的上述色温确定方法,可直接对目标光线环境下拍摄得到的目标图像进行处理,通过图像特征确定目标光线环境的色温,本公开实施例无需色温计,仅通过图像处理即可快速便捷地获知光线环境的色温,有效改善了相关技术中需要色温计确定光线环境的色温,成本较高且使用不便的问题。
在一些实施方式中,上述步骤S104,也即,提取目标图像中的颜色特征的步骤,可以参照如下方式实现:将目标图像按照指定方式切分为多个图像块;提取每个图像块中多种不同类型的颜色直方图特征;将每个图像块对应的多种不同类型的颜色直方图特征依次横向排列,得到每个图像块对应的颜色特征。诸如,将每个图像块中的RG颜色直方图特征、Opponent 颜色直方图特征、Transformed 颜色直方图特征、颜色矩特征以及Lab颜色直方图特征依次横向排列,即为提取出的颜色特征。
一些具体的实施方式中,该指定方式包括重叠分块方式。示例性地,假设图像大小为M*M=300*300像素,则划分的每个小块都大小均为24*24像素,且重叠分块采用步长为8像素,换言之,也可理解为采用24*24的像素块按照每次滑动8像素的方式在图像中滑动,将目标图像划分为多个图像块。通过重叠分块的方式对目标图像进行切分,有助于更为细致全面地提取目标图像中的颜色特征。
在一些实施方式中,上述步骤S106,也即,基于颜色特征,获取目标图像中多个子区域的局部特征的步骤,可以参照如下步骤A和步骤B执行:
步骤A,对颜色特征进行RBC编码(Radial Basis Coding,进行径向基编码),得到特征编码。该特征编码也可称之为特征向量。可以理解的是,在诸如天气等影响下,在光线环境下拍摄得到的图像颜色会有些许变化(可称之为图像出现偏色),本公开实施例通过对颜色特征进行RBC编码,可以将颜色特征映射到更高维度的子空间,在高维空间内,颜色种类更多更具体,不会因为同种色调但饱和度的不同而将某种颜色识别为不同的颜色,因此更有助于后续进行色温识别,诸如有助于后续采用分类模型进行特征分类,从而得到准确的色温值。因此,本公开实施例通过对颜色特征进行RBC编码,可以更好地提高色温识别准确度。
如前所述,在颜色特征包括多个图像块对应的颜色特征,多个图像块是目标图像经指定方式切分得到的基础上,在一些实施方式中,上述步骤A可以参照如下步骤A1和步骤A2实现:
步骤A1,对多个图像块对应的颜色特征进行K-Means聚类,得到聚类结果。K-Means聚类可将多个图像块对应的颜色特征(可简称为块特征)聚合为K类,K为自然数。聚类结果包括每个图像块所属类别的标签L以及码书U;其中,类别标签L的取值范围是1到K,码书U是由K维的类中心向量ui组成,其中,i的取值范围为1到K,码书的列数目与块特征的列数目相同。
步骤A2,基于聚类结果对每个图像块对应的颜色特征进行RBC编码,得到每个图像块对应的特征编码。具体的,可以计算所有类别中属于某一类的块特征与此类类中心距离的标准差σi,其中,i的取值范围为1到K,然后利用聚类得到的码书,对每个块特征f进行编码,通过计算每个块特征f到类中心向量ui的距离,并将距离升序排列,选择距离最小的前n类,并找到前n类对应的标准差,计算每个图像块在编码后的特征向量(也即,前述特征编码)U(f)=(w 1 ,w 2 ……w k )。因为编码后的特征向量U(f)选择前n个距离最小的类,因此对应的n类中w值大于0,而其余的均设为0。具体的,n值和K值可以根据需求而灵活设置,示例性地,n=5,K=512,应当注意的是,该数值仅为示例,不应当被视为限制。
步骤B,根据特征编码获取目标图像中多个子区域的局部特征。
在一些实施方式中,可以根据特征编码,利用FC算法获取目标图像中多个子区域的局部特征。FC算法即为提取局部特征的算法,如前所述,在颜色特征包括多个图像块对应的颜色特征,多个图像块是目标图像经指定方式切分得到的基础上,在一些实施方式中,利用FC算法获取目标图像中多个子区域的局部特征的步骤,包括如下步骤B1和步骤B2:
步骤B1,按照预设的区域划分方式对目标图像进行区域划分,得到目标图像中的多个子区域;每个子区域包含至少一个图像块。
在一些实施方式中,可以在目标图像上设置指定数量个参考点,并以每个参考点为圆心绘制相应的圆形区域。圆形区域的半径可相同也可不同,在一些具体的实施示例中,为了便于处理,可以设置圆形区域的半径均相同,且两个相邻参考点之间的距离大于圆形区域的半径,因此每个圆形区域内只有一个参考点,两个圆形区域可以相交也可以不相交,具体可根据实际情况设置圆形区域的半径以及参考点的位置。然后将每个圆形区域划分为多个扇形子区域;扇形子区域的大小可相同也可不同,在一些具体的实施示例中,为了便于处理,可以设置扇形子区域的大小均相同。最后将圆形区域的边界线以及扇形子区域的边界线所形成的封闭区域,作为目标图像中的多个子区域。可以理解的是,多个圆形区域的边界线和/或多个扇形子区域的边界线一旦相交,相交线也会组成不规则的封闭区域。
为便于理解,首先以一个参考点为例,参见图2所示的一种区域划分示意图,然后以两个参考点为例,参见图3所示的一种区域划分示意图,图3中的两个圆形区域相交,圆形区域的边界线以及扇形子区域的边界线也构成多个不规则的封闭区域。在实际应用中,可以根据需求而设置参考点的数量、圆形区域所划分的扇形子区域的数量、圆形区域的半径等,诸如,设置参考点的个数为4,圆形区域内划分的扇形子区域的个数为6,圆形区域的半径则根据图像大小确定。在实际应用中,还可以预先通过多次实验来确定不同图像大小所对应的最佳参考点数量、扇形子区域的数量以及圆形区域的半径,后续根据获取到的图像大小而直接调用相应的最佳区域划分方式即可。
应当注意的是,以上仅为示例性说明,不应当被视为限制,在实际应用中还可以采用其它方式划分子区域。
步骤B2,根据每个图像块对应的特征编码,获取目标图像中多个子区域的局部特征。
如前所述,在特征编码是通过对目标图像中的多个图像块对应的颜色特征进行K-Means聚类,并基于聚类结果对每个图像块对应的颜色特征进行编码得到的情况下,上述步骤B2可以参照如下方式实现:对于每个子区域,获取该子区域中的所有图像块对应的特征编码在第i个聚类簇中的最大值;其中,i的取值范围为[1,K],K值为K-Means聚类中所选取的聚类簇数量;将每个聚类簇对应的最大值组合形成该子区域的局部特征。特征编码也即将图像块对应的颜色特征(块特征)进行编码后的特征向量,通过取每个区域内所有编码后的特征向量在第i类中的最大值,即得到该区域的局部特征,该局部特征也即该区域最为典型显著的特征,具有该区域的代表性。通过获取多个子区域的局部特征,也可有效识别出目标图像的感兴趣区域,也可称之为色温主颜色所在的区域,从而有助于进行色温识别。
在一些实施方式中,上述步骤S108,也即,根据多个子区域的局部特征,确定目标光线环境对应的色温值的步骤,可以采用预先训练得到的分类模型对多个子区域的局部特征进行分类识别,得到色温值;将色温值作为目标光线环境对应的色温值。示例性地,该分类模型可以为SVM(support vector machines,支持向量机)模型,具体实施示例中,可选取线性SVM模型实现。
进一步,本公开实施例提供了分类模型的训练方法,该分类模型按照如下步骤训练得到:
1)获取样本图像。示例性地,可以将训练数据库中的指定数量个图像均作为样本图像。
2)对样本图像进行特征提取。具体的,首先提取样本图像的颜色特征,然后对样本图像的颜色特征进行RBC编码,并基于RBC编码结果提取FC特征。示例性地,颜色特征包括RG颜色直方图特征、Opponent 颜色直方图特征、Transformed 颜色直方图特征、颜色矩特征以及Lab颜色直方图特征。特征提取的具体过程可参照本公开实施例的前述内容,在此不再赘述。
3)为样本图像携带标签。该标签包括样本图像的颜色值。在另一些实施方式中,该标签可以直接为色温值,其中,颜色值(RGB值)与色温值具有对应关系。
4)通过标注有标签且经特征提取操作后的样本图像对初始模型进行训练,直至符合预设结束条件时结束训练,得到训练好的分类模型。训练好的分类模型可以输出符合预期的色温计算结果。示例性地,分类模型可以为线性SVM分类器,基于ax+by+cz+d=0的方程原理实现色温的分类识别,其中,(x,y,z)为RBG特征的三通道输入向量,abc为训练所得的模型参数。如果标签为颜色值,则分类模型输出的也为颜色值,然后基于颜色值和色温值的对应关系,计算得到色温值。如果标签为色温值,则分类模型可直接输出色温值。
在实际应用中,还可以进一步对训练好的分类模型进行测试,测试过程与训练过程基本相同,只是样本图像不再携带标签。可以理解的是,训练好的分类模型在实际应用中的使用步骤与测试过程中的步骤基本相同,在此不再赘述。
在前述基础上,参见图4所示的一种色温计算流程示意图,示意出来特征提取过程、模型训练过程以及应用过程,在图4中,以分类模型是SVM分类器为例进行示例性说明,且模型训练过程中的样本图像的特征提取流程以及应用过程中的目标图像的特征提取流程,都可按照颜色特征提取、RBC编码以及FC特征提取的流程实现,图4中的相关步骤具体可参照前述内容实现,在此不再赘述。
在一些实施例中,参见图5所示的一种色温确定方法的流程示意图,该方法可以由色温确定装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图5所示,该方法主要包括如下步骤S502~步骤S512:
步骤S502,获取在目标光线环境下拍摄所得的目标图像。诸如,用户可以直接用手机拍摄当前光线环境下的图像,并将该图像上传至色温识别应用程序中,该色温识别应用程序可执行本公开实施例的色温确定方法。
步骤S504,将目标图像按照指定方式切分为多个图像块,并提取每个图像块对应的颜色特征;其中,颜色特征包括:RG颜色直方图、Opponent 颜色直方图、Transformed 颜色直方图、颜色矩以及Lab颜色直方图。
可以理解的是,颜色直方图的选择对色温计算结果有较为明显的影响,在实际情况的光照条件下,若为了解决光照强度的变化以及偏移对颜色的影响,而仅是添加对光照强度变化及光照偏移变化具有不变性的颜色直方图,可能会将不属于此类光照下的颜色识别错误,因此本公开实施例还额外添加了诸如颜色矩以及Lab颜色直方图等可呈现颜色亮度信息的直方图,采用不同类型的颜色直方图综合加以判别,所得到的颜色特征更为客观准确,有助于进一步提升色温识别结果的准确性。
步骤S506,对多个图像块对应的颜色特征进行K-Means聚类,得到聚类结果;
步骤S508,基于聚类结果对每个图像块对应的颜色特征进行RBC编码,得到每个图像块对应的特征编码。
步骤S510,根据图像块对应的特征编码,利用FC算法获取目标图像中多个子区域的局部特征,从而有助于对最能体现图像色温的主区域进行色温识别。
步骤S512,采用预先训练得到的SVM模型对多个子区域的局部特征进行分类识别,得到色温值,并将色温值作为目标光线环境对应的色温值。
用户只需在所需获知色温的光线环境下拍照,电子设备即可通过上述色温确定方法对图像进行识别处理,得到较为准确可靠的色温值,可有效提升用户体验。
在通过上述方法确定目标光线环境对应的色温值之后,本公开实施例还可以进一步判别该色温值是否适宜,在一些实施方式中,可以首先获取在目标光线环境下待从事的行为;待从事的行为诸如可以是休憩、学习、阅读、观影等;然后获取行为对应的适宜色温阈值;在实际应用中,可以预先设置不同行为所对应的适宜色温阈值,对于某行为而言,呈现适宜色温阈值内的光线环境会给人从事该行为带来舒适感;之后根据目标光线环境对应的色温值以及适宜色温阈值,生成在目标光线环境下从事行为是否适宜的判别结果。可以理解的是,如果色温值位于适宜色温阈值范围内,则判别结果是在目标光线环境下从事该行为较为适宜,如果色温值位于适宜色温阈值范围内,则判别结果是在目标光线环境下从事该行为并不适宜。
示例性地,以上述行为是学习为例,本公开实施例还给出了一种色温确定方法的应用流程图,可以参照如图6所示,主要包括如下步骤S602~步骤S610:
步骤S602,获取用户在当前光线环境下拍摄的图像;
步骤S604,通过色温确定方法得到当前光线环境的色温值。该色温确定方法即为本公开实施例在前述所提供的任一项方法,在实际应用中,可以预先构建色温计算模型,该色温计算模型用于执行本公开实施例所提供的色温确定方法,该色温计算模型预先置入电子设备,电子设备直接调用该色温计算模型即可获知图像拍摄环境的色温值。
步骤S606,判断当前光线环境的色温值是否位于适宜学习的色温区间;如果是,执行步骤S608,如果否,执行步骤S610;
步骤S608,提示当前光线环境适宜学习。示例性地,假设色温值为3900K,则提示适宜学习。
步骤S610,提示当前光线环境不适宜学习。示例性地,假设色温值为2000K,则提示光线太暗,不适宜学习。
在实际应用中,电子设备可以采用语音提示、提示窗、在图像上直接标注提示建议等一种或多种方式实现步骤S608和步骤S610,在此不进行限制。
通过上述方式,可以使用户清楚获知当前光线环境是否适合从事某行为(诸如是否适合学习),从而采用相应措施,诸如在不适合学习时,用户可以更换学习环境,或者调节当前环境下的人造光源,直至当前光线环境适合学习。
对应于前述色温确定方法,本公开实施例还提供了一种色温确定装置,图7为本公开实施例提供的一种色温确定装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图7所示,色温确定装置700包括:
图像获取模块702,用于获取在目标光线环境下拍摄所得的目标图像;
颜色特征提取模块704,用于提取目标图像中的颜色特征;
局部特征获取模块706,用于基于颜色特征,获取目标图像中多个子区域的局部特征;
色温确定模块708,用于根据多个子区域的局部特征,确定目标光线环境对应的色温值。
本公开实施例中提供的上述色温确定装置,可直接对目标光线环境下拍摄得到的目标图像进行处理,通过图像特征确定目标光线环境的色温,本公开实施例无需色温计,仅通过图像处理即可快速便捷地获知光线环境的色温,有效改善了相关技术中需要色温计确定光线环境的色温,成本较高且使用不便的问题。
在一些实施方式中,所述颜色特征为多种不同类型的颜色直方图特征的组合;多种不同类型的颜色直方图包括具有光照不变性的颜色直方图以及可呈现颜色信息的颜色直方图。其中,具有光照不变性的颜色直方图主要包括用于解决光照偏移变化影响的颜色直方图、以及用于解决光照强度变化影响的颜色直方图。
在一些实施方式中,颜色特征提取模块704具体用于:将所述目标图像按照指定方式切分为多个图像块;提取每个所述图像块中多种不同类型的颜色直方图特征;将每个所述图像块对应的多种不同类型的颜色直方图特征依次横向排列,得到每个所述图像块对应的颜色特征。
在一些实施方式中,所述多种不同类型的颜色直方图特征包括:RG颜色直方图、Opponent 颜色直方图、Transformed 颜色直方图、颜色矩以及Lab颜色直方图。
在一些实施方式中,局部特征获取模块706具体用于:对所述颜色特征进行RBC编码,得到特征编码;根据所述特征编码获取所述目标图像中多个子区域的局部特征。
在一些实施方式中,所述颜色特征包括多个图像块对应的颜色特征,所述多个图像块是所述目标图像经指定方式切分得到的;局部特征获取模块706具体用于:对所述多个图像块对应的颜色特征进行K-Means聚类,得到聚类结果;基于所述聚类结果对每个所述图像块对应的颜色特征进行RBC编码,得到每个所述图像块对应的特征编码。
在一些实施方式中,局部特征获取模块706具体用于:根据所述特征编码,利用FC算法获取所述目标图像中多个子区域的局部特征。
在一些实施方式中,所述颜色特征包括多个图像块对应的颜色特征,所述多个图像块是所述目标图像经指定方式切分得到的;局部特征获取模块706具体用于:按照预设的区域划分方式对所述目标图像进行区域划分,得到所述目标图像中的多个子区域;每个所述子区域包含至少一个所述图像块;根据每个所述图像块对应的特征编码,获取所述目标图像中多个子区域的局部特征。
在一些实施方式中,局部特征获取模块706具体用于:在所述目标图像上设置指定数量个参考点,并以每个所述参考点为圆心绘制相应的圆形区域;将每个所述圆形区域划分为多个扇形子区域;将所述圆形区域的边界线以及所述扇形子区域的边界线所形成的封闭区域,作为所述目标图像中的多个子区域。
在一些实施方式中,所述特征编码是通过对所述目标图像中的多个图像块对应的颜色特征进行K-Means聚类,并基于聚类结果对每个所述图像块对应的颜色特征进行编码得到的;局部特征获取模块706具体用于:对于每个所述子区域,获取该子区域中的所有图像块对应的特征编码在第i个聚类簇中的最大值;其中,i的取值范围为[1,K],K值为所述K-Means聚类中所选取的聚类簇数量;将每个所述聚类簇对应的最大值组合形成该子区域的局部特征。
在一些实施方式中,色温确定模块708具体用于:采用预先训练得到的分类模型对所述多个子区域的局部特征进行分类识别,得到色温值;将所述色温值作为所述目标光线环境对应的色温值。
在一些实施方式中,上述装置还包括判别模块,用于: 获取在所述目标光线环境下待从事的行为;获取所述行为对应的适宜色温阈值;根据所述目标光线环境对应的色温值以及所述适宜色温阈值,生成在所述目标光线环境下从事所述行为是否适宜的判别结果。
本公开实施例所提供的色温确定装置可执行本公开任意实施例所提供的色温确定方法,具备执行方法相应的功能模块和有益效果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置实施例的具体工作过程,可以参考方法实施例中的对应过程,在此不再赘述。
本公开示例性实施例还提供一种电子设备,包括:处理器;以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述任一色温确定方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的色温确定方法。所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
参考图8,现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备,输入单元806可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元807可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如,在一些实施例中,色温确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到电子设备800上。在一些实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行色温确定方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种色温确定方法,包括:
获取在目标光线环境下拍摄所得的目标图像;
提取所述目标图像中的颜色特征;
基于所述颜色特征,获取所述目标图像中多个子区域的局部特征;
根据所述多个子区域的局部特征,确定所述目标光线环境对应的色温值。
2.如权利要求1所述的色温确定方法,其中,所述颜色特征为多种不同类型的颜色直方图特征的组合。
3.如权利要求2所述的色温确定方法,其中,所述提取所述目标图像中的颜色特征的步骤,包括:
将所述目标图像按照指定方式切分为多个图像块;
提取每个所述图像块中多种不同类型的颜色直方图特征;
将每个所述图像块对应的多种不同类型的颜色直方图特征依次横向排列,得到每个所述图像块对应的颜色特征。
4.如权利要求2或3所述的色温确定方法,其中,所述多种不同类型的颜色直方图特征包括:RG颜色直方图、Opponent 颜色直方图、Transformed 颜色直方图、颜色矩以及Lab颜色直方图。
5.如权利要求1所述的色温确定方法,其中,所述基于所述颜色特征,获取所述目标图像中多个子区域的局部特征的步骤,包括:
对所述颜色特征进行RBC编码,得到特征编码;
根据所述特征编码获取所述目标图像中多个子区域的局部特征。
6.如权利要求5所述的色温确定方法,其中,所述颜色特征包括多个图像块对应的颜色特征,所述多个图像块是所述目标图像经指定方式切分得到的;
所述对所述颜色特征进行RBC编码,得到特征编码的步骤,包括:
对所述多个图像块对应的颜色特征进行K-Means聚类,得到聚类结果;
基于所述聚类结果对每个所述图像块对应的颜色特征进行RBC编码,得到每个所述图像块对应的特征编码。
7.如权利要求5所述的色温确定方法,其中,所述根据所述特征编码获取所述目标图像中多个子区域的局部特征的步骤,包括:
根据所述特征编码,利用FC算法获取所述目标图像中多个子区域的局部特征。
8.如权利要求7所述的色温确定方法,其中,所述颜色特征包括多个图像块对应的颜色特征,所述多个图像块是所述目标图像经指定方式切分得到的;
所述利用FC算法获取所述目标图像中多个子区域的局部特征的步骤,包括:
按照预设的区域划分方式对所述目标图像进行区域划分,得到所述目标图像中的多个子区域;每个所述子区域包含至少一个所述图像块;
根据每个所述图像块对应的特征编码,获取所述目标图像中多个子区域的局部特征。
9.如权利要求8所述的色温确定方法,其中,所述按照预设的区域划分方式对所述目标图像进行区域划分,得到所述目标图像中的多个子区域的步骤,包括:
在所述目标图像上设置指定数量个参考点,并以每个所述参考点为圆心绘制相应的圆形区域;
将每个所述圆形区域划分为多个扇形子区域;
将所述圆形区域的边界线以及所述扇形子区域的边界线所形成的封闭区域,作为所述目标图像中的多个子区域。
10.如权利要求8所述的色温确定方法,其中,所述特征编码是通过对所述目标图像中的多个图像块对应的颜色特征进行K-Means聚类,并基于聚类结果对每个所述图像块对应的颜色特征进行编码得到的;
所述根据每个所述图像块对应的特征编码,获取所述目标图像中多个子区域的局部特征的步骤,包括:
对于每个所述子区域,获取该子区域中的所有图像块对应的特征编码在第i个聚类簇中的最大值;其中,i的取值范围为[1,K],K值为所述K-Means聚类中所选取的聚类簇数量;
将每个所述聚类簇对应的最大值组合形成该子区域的局部特征。
11.如权利要求1所述的色温确定方法,其中,所述根据所述多个子区域的局部特征,确定所述目标光线环境对应的色温值的步骤,包括:
采用预先训练得到的分类模型对所述多个子区域的局部特征进行分类识别,得到色温值;
将所述色温值作为所述目标光线环境对应的色温值。
12.如权利要求1所述的色温确定方法,其中,所述方法还包括:
获取在所述目标光线环境下待从事的行为;
获取所述行为对应的适宜色温阈值;
根据所述目标光线环境对应的色温值以及所述适宜色温阈值,生成在所述目标光线环境下从事所述行为是否适宜的判别结果。
13.一种色温确定装置,包括:
图像获取模块,用于获取在目标光线环境下拍摄所得的目标图像;
颜色特征提取模块,用于提取所述目标图像中的颜色特征;
局部特征获取模块,用于基于所述颜色特征,获取所述目标图像中多个子区域的局部特征;
色温确定模块,用于根据所述多个子区域的局部特征,确定所述目标光线环境对应的色温值。
14.一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-12中任一项所述的色温确定方法。
15.一种计算机可读存储介质,其中,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-12中任一项所述的色温确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086927.8A CN113610936A (zh) | 2021-09-16 | 2021-09-16 | 色温确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086927.8A CN113610936A (zh) | 2021-09-16 | 2021-09-16 | 色温确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610936A true CN113610936A (zh) | 2021-11-05 |
Family
ID=78343114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111086927.8A Pending CN113610936A (zh) | 2021-09-16 | 2021-09-16 | 色温确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610936A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529506A (zh) * | 2021-12-31 | 2022-05-24 | 厦门阳光恩耐照明有限公司 | 一种基于机器学习的灯光监测方法和监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196039A1 (en) * | 2004-03-02 | 2005-09-08 | Wolfgang Bengel | Method for color determination using a digital camera |
CN105184299A (zh) * | 2015-08-29 | 2015-12-23 | 电子科技大学 | 基于局部约束线性编码的车身颜色识别方法 |
CN107959851A (zh) * | 2017-12-25 | 2018-04-24 | 广东欧珀移动通信有限公司 | 色温检测方法及装置、计算机可读存储介质和计算机设备 |
CN109087311A (zh) * | 2018-07-24 | 2018-12-25 | 中国航发沈阳发动机研究所 | 示温漆温度判读方法 |
CN111551266A (zh) * | 2020-05-25 | 2020-08-18 | 吉林求是光谱数据科技有限公司 | 一种基于多光谱图像探测技术的环境色温测试方法及系统 |
CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
CN112840636A (zh) * | 2019-02-28 | 2021-05-25 | 华为技术有限公司 | 一种图像处理方法和装置 |
-
2021
- 2021-09-16 CN CN202111086927.8A patent/CN113610936A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196039A1 (en) * | 2004-03-02 | 2005-09-08 | Wolfgang Bengel | Method for color determination using a digital camera |
CN105184299A (zh) * | 2015-08-29 | 2015-12-23 | 电子科技大学 | 基于局部约束线性编码的车身颜色识别方法 |
CN107959851A (zh) * | 2017-12-25 | 2018-04-24 | 广东欧珀移动通信有限公司 | 色温检测方法及装置、计算机可读存储介质和计算机设备 |
CN109087311A (zh) * | 2018-07-24 | 2018-12-25 | 中国航发沈阳发动机研究所 | 示温漆温度判读方法 |
CN112840636A (zh) * | 2019-02-28 | 2021-05-25 | 华为技术有限公司 | 一种图像处理方法和装置 |
CN111551266A (zh) * | 2020-05-25 | 2020-08-18 | 吉林求是光谱数据科技有限公司 | 一种基于多光谱图像探测技术的环境色温测试方法及系统 |
CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
Non-Patent Citations (1)
Title |
---|
孙诚: "示温漆自动判读算法研究及其软件实现", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 03, pages 031 - 134 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529506A (zh) * | 2021-12-31 | 2022-05-24 | 厦门阳光恩耐照明有限公司 | 一种基于机器学习的灯光监测方法和监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633204B (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN108446697B (zh) | 图片处理方法、电子装置及存储介质 | |
WO2020207423A1 (zh) | 肤质检测方法、肤质等级分类方法及肤质检测装置 | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN110136198B (zh) | 图像处理方法及其装置、设备和存储介质 | |
CN110059596B (zh) | 一种图像识别方法、装置、介质和电子设备 | |
CN105956059A (zh) | 基于情绪识别的信息推荐方法和装置 | |
CN110163096B (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
EP3006551B1 (en) | Image processing device, image processing method, program, and storage medium | |
CN111027450A (zh) | 银行卡信息识别方法、装置、计算机设备及存储介质 | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN110059722A (zh) | 印章图像的审核方法、装置、设备及可读存储介质 | |
CN113793336A (zh) | 一种检测血细胞的方法、装置、设备及可读存储介质 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
Lahiani et al. | Hand pose estimation system based on Viola-Jones algorithm for android devices | |
CN113610936A (zh) | 色温确定方法、装置、设备及介质 | |
CN109711287B (zh) | 人脸采集方法及相关产品 | |
CN111241961A (zh) | 人脸检测方法、装置及电子设备 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
US11620728B2 (en) | Information processing device, information processing system, information processing method, and program | |
US11087121B2 (en) | High accuracy and volume facial recognition on mobile platforms | |
KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 |
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 |