发明内容
本申请实施例的目的在于提供一种眩光检测方法、装置、电子设备和计算机可读存储介质,可以准确地确定出彩色图中有眩光存在的区域,便于进行眩光去除操作,从而提升相机在户外强光环境下拍摄出的彩色图的质量。
为解决上述技术问题,本申请的实施例提供了一种眩光检测方法,包括以下步骤:获取待检测图像;其中,所述待检测图像包括相机拍摄的第一RGB空间图像;分别对所述第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像;将所述第一RGB空间图像、所述第一HSV空间图像和所述第一HSL空间图像输入至预训练的随机森林模型,确定所述待检测图像的眩光区域和非眩光区域;其中,所述随机森林模型用于判断待检测图像的各像素点为眩光区域像素点或非眩光区域像素点。
本申请的实施例还提供了一种眩光检测方法装置,包括:获取模块、转换模块和检测模块;所述获取模块用于获取待检测图像;其中,所述待检测图像包括相机拍摄的第一RGB空间图像;所述转换模块用于分别对所述第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像;所述检测模块用于将所述第一RGB空间图像、所述第一HSV空间图像和所述第一HSL空间图像输入至预训练的随机森林模型,确定所述待检测图像的眩光区域和非眩光区域;其中,所述随机森林模型用于判断待检测图像的各像素点为眩光区域像素点或非眩光区域像素点。
本申请的实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的眩光检测方法。
本申请的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的眩光检测方法。
本申请的实施例提供的眩光检测方法、装置、电子设备和计算机可读存储介质,先获取待检测图像,即相机拍摄的第一RGB空间图像,再分别对第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到与第一RGB空间图像对应的第一HSV空间图像和第一HSL空间图像,最后将第一RGB空间图像、第一HSV空间图像和第一HSL空间图像都输入至预训练的随机森林模型中,以确定待检测图像的眩光区域和非眩光区域,预训练的随机森林模型可以判断出待检测图像的各像素点为眩光区域像素点还是非眩光区域像素点,考虑到光是一种很复杂的物理量,仅根据待检测图像各区域的亮度来检测图像中是否有眩光并不准确、可靠,本申请的实施例综合考虑待检测图像在RGB颜色空间、HSV颜色空间和HSV颜色空间三种颜色空间中的光学特性,并且使用随机森林模型来对待检测图像的各像素点是否为眩光区域的像素点进行综合判决,可以准确、科学、可靠地区分出待检测图像中有眩光存在的区域和没有眩光存在的区域,便于进行眩光去除操作,从而提升相机在户外强光环境下拍摄出的彩色图像的质量,提高了后续如人脸识别等图像处理任务的准确率。
另外,所述预训练的随机森林模型通过以下步骤训练:获取样本图像;其中,所述样本图像包括对应的第二RGB空间图像、第二HSV空间图像和第二HSL空间图像;分别确定所述第二RGB空间图像中的眩光区域像素点和非眩光区域像素点、所述第二HSV空间图像中的眩光区域像素点和非眩光区域像素点、以及所述第二HSL空间图像中的眩光区域像素点和非眩光区域像素点;根据所述第二RGB空间图像中的眩光区域像素点、所述第二HSV空间图像中的眩光区域像素点和所述第二HSL空间图像中的眩光区域像素点,确定所述样本图像的眩光区域像素点,并根据所述第二RGB空间图像中的非眩光区域像素点、所述第二HSV空间图像中的非眩光区域像素点和所述第二HSL空间图像中的非眩光区域像素点,确定所述样本图像的非眩光区域像素点;基于所述样本图像的眩光区域像素点和所述样本图像的非眩光区域像素点生成样本集和测试集,对预设的随机森林模型进行训练,以第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中各点的分类情况为种子训练随机森林模型,可以快速、准确、合理地使随机森林模型获得区分眩光区域像素点和非眩光区域像素点的能力,即快速地使随机森林模型获得区分图像中眩光区域和非眩光区域的能力。
另外,所述确定所述第二RGB空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二RGB空间图像中的R分量图像;根据预设的自动阈值分割算法和所述R分量图像中各像素点的像素值,确定第一阈值;遍历所述R分量图像的像素点,判断所述R分量图像的像素点的像素值是否大于所述第一阈值;若所述R分量图像的像素点的像素值大于所述第一阈值,则确定所述R分量图像的像素点为所述第二RGB空间图像中的眩光区域像素点;若所述R分量图像的像素点的像素值小于或等于所述第一阈值,则确定所述R分量图像的像素点为所述第二RGB空间图像中的非眩光区域像素点,由于红颜色的光穿透能力最强,绿光和蓝光穿透能力较弱,因此在RGB颜色空间中,眩光在R通道的表现最为明显,本申请的实施例只抽取第二RGB空间图像中的R分量图像进行第二RGB空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二RGB空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
另外,所述确定所述第二HSV空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二HSV空间图像中的V分量图像;根据预设的自动阈值分割算法和所述V分量图像中各像素点的明度值,确定第二阈值;遍历所述V分量图像的像素点,判断所述V分量图像的像素点的明度值是否大于所述第二阈值;若所述V分量图像的像素点的明度值大于所述第二阈值,则确定所述V分量图像的像素点为所述第二HSV空间图像中的眩光区域像素点;若所述V分量图像的像素点的明度值小于或等于所述第二阈值,则确定所述V分量图像的像素点为所述第二HSV空间图像中的非眩光区域像素点,根据HSV颜色空间转换公式可知,眩光在V通道的表现最为明显,本申请的实施例只抽取第二HSV空间图像中的V分量图像进行第二HSV空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二HSV空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
另外,所述确定所述第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二HSL空间图像中的L分量图像;根据预设的自动阈值分割算法和所述L分量图像中各像素点的亮度值,确定第三阈值;遍历所述L分量图像的像素点,判断所述L分量图像的像素点的亮度值是否大于所述第二阈值;若所述L分量图像的像素点的亮度值大于所述第三阈值,则确定所述L分量图像的像素点为所述第二HSL空间图像中的眩光区域像素点;若所述L分量图像的像素点的亮度值小于或等于所述第三阈值,则确定所述L分量图像的像素点为所述第二HSL空间图像中的非眩光区域像素点,根据HSL颜色空间转换公式可知,眩光在L通道的表现最为明显,本申请的实施例只抽取第二HSL空间图像中的L分量图像进行第二HSL空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
另外,所述根据所述第二RGB空间图像中的眩光区域像素点、所述第二HSV空间图像中的眩光区域像素点和第二HSL空间图像中的眩光区域像素点,确定所述样本图像的眩光区域像素点,并根据所述第二RGB空间图像中的非眩光区域像素点、所述第二HSV空间图像中的非眩光区域像素点和第二HSL空间图像中的非眩光区域像素点,确定所述样本图像的非眩光区域像素点,包括:遍历所述样本图像的像素点,若所述样本图像的像素点在所述第二RGB空间图像、所述第二HSV空间图像和所述第二HSL空间图像中均为眩光区域像素点,则确定所述样本图像的像素点为所述样本图像的眩光区域像素点;若所述样本图像的像素点在所述第二RGB空间图像、所述第二HSV空间图像和所述第二HSL空间图像中均为非眩光区域像素点,则确定所述样本图像的像素点为所述样本图像的非眩光区域像素点,只有像素点在三图中均为眩光区域像素点时,才确定该像素点为样本图像的眩光区域像素点,可以进一步提升训练的随机森林模型的眩光检测能力。
另外,所述待检测图像中包括人脸,在所述分别对所述第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像之前,包括:对所述第一RGB空间图像进行人脸区域检测,确定所述第一RGB空间图像的人脸区域;所述分别对所述第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像,包括:分别对所述第一RGB空间图像的人脸区域进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间的人脸区域和第一HSL空间的人脸区域,在进行与人脸相关的图像处理时,可以先进行人脸区域检测,再进行眩光检测,可以减少不必要的计算。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本申请的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
为了方便理解本发明的实施例,首先在此介绍本申请实施例描述中引入的“随机森林模型”的相关内容。
随机森林算法(Random Forest,简称:RF)由美国人布莱曼于2001年提出,该算法是由许多决策树组成的一个“森林”,将每棵决策树的结果进行投票得到一个客观数据的最佳分类结果。大量理论和实验证明随机森林有很高的预测准确率,对数据的噪声和缺失都有很好的容忍度,能防止过拟合现象。随机森林主要有以下优点:学习速度快;可以处理大量的输入变量;当数据量大的时候,能产生高精确度的分类器;评估变量重要性;在数据集缺失严重的情况下仍能维持很高精度等。
构成“随机森林”的每个决策树都是一个树状分类模型(如:二叉树),由节点和有向边组成,决策树的节点包含根节点、中间节点和叶子节点三类,决策树的根节点只有一个,是全体训练样本的集合,每一个中间节点代表一个特征属性测试,根据特征属性为到达该节点的数据选择输出分支,不同分支表示该特征的不同值域输出,每个叶子节点存放带有分类标签的测试子集或训练子集,决策树分类的过程就是从根节点出发,通过中间节点为待分类数据选择输出分支,直到到达叶子节点,决策树的算法有很多,一般使用自顶向下递归的贪婪算法,每个中间节点选择最佳分类属性来分裂该节点,直到所有训练数据都被准确分类或达到预定义标准。
本申请的一个实施例涉及一种眩光检测方法,应用于电子设备,其中,电子设备可以为终端或服务器,本实施例以及以下个各个实施例中电子设备均以服务器为例进行说明,下面对本实施例的眩光检测方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本实施例中的眩光检测方法的流程图可以如图1所示,包括:
步骤101,获取待检测图像,待检测图像包括相机拍摄的第一RGB空间图像。
在具体实现中,服务器在进行眩光检测时,先获取待检测图像,待检测图像可以是用相机实时拍摄的图像,一般的相机的颜色空间系统为RGB颜色空间系统,服务器获取到的待检测图像即第一RGB空间图像。
在一个例子中,服务器也可以通过网络获取第一RGB空间图像进行检测。
步骤102,分别对第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像。
具体而言,第一RGB空间图像、第一HSV空间图像和第一HSL空间图像的内容相同,只是使用的颜色空间不同。
在一个例子中,服务器可以基于RGB-HSV转换公式,对第一RGB空间图像进行HSV颜色空间转换,得到第一HSV空间图像,RGB-HSV转换公式可以如下所示:
V(i,j)=MAX
MAX=max[R(i,j),G(i,j),B(i,j)]
MIN=min[R(i,j),G(i,j),B(i,j)]
式中,R(i,j)为第一RGB空间图像中点(i,j)的红值,即点(i,j)在第一RGB空间图像的R通道中的归一化的像素值,G(i,j)为第一RGB空间图像中点(i,j)的绿值,即点(i,j)在第一RGB空间图像的G通道中的归一化的像素值,B(i,j)为第一RGB空间图像中点(i,j)的蓝值,即点(i,j)在第一RGB空间图像的B通道中的归一化的像素值,MAX为点(i,j)的红值、绿值和蓝值中的最大值,MIN为点(i,j)的红值、绿值和蓝值中的最小值,H(i,j)为第一HSV空间图像中点(i,j)的色相值,也叫色调值,S(i,j)为第一HSV空间图像中点(i,j)的饱和度值,V(i,j)为第一HSV空间图像中点(i,j)的明度值。
在一个例子中,服务器可以基于RGB-HSL转换公式,对第一RGB空间图像进行HSL颜色空间转换,得到第一HSV空间图像,RGB-HSL转换公式可以如下所示:
MAX=max[R(i,j),G(i,j),B(i,j)]
MIN=min[R(i,j),G(i,j),B(i,j)]
式中,R(i,j)为第一RGB空间图像中点(i,j)的红值,即点(i,j)在第一RGB空间图像的R通道中的归一化的像素值,G(i,j)为第一RGB空间图像中点(i,j)的绿值,即点(i,j)在第一RGB空间图像的G通道中的归一化的像素值,B(i,j)为第一RGB空间图像中点(i,j)的蓝值,即点(i,j)在第一RGB空间图像的B通道中的归一化的像素值,MAX为点(i,j)的红值、绿值和蓝值中的最大值,MIN为点(i,j)的红值、绿值和蓝值中的最小值,H(i,j)为第一HSL空间图像中点(i,j)的色相值,也叫色调值,S(i,j)为第一HSL空间图像中点(i,j)的饱和度值,L(i,j)为第一HSL空间图像中点(i,j)的亮度值。
步骤103,将第一RGB空间图像、第一HSV空间图像和第一HSL空间图像输入至预训练的随机森林模型,确定待检测图像的眩光区域和非眩光区域。
具体而言,服务器得到第一HSV空间图像和第一HSL空间图像后,可以将第一RGB空间图像、第一HSV空间图像和第一HSL空间图像均输入至预训练的随机森林模型中,随机森林模型用于判断待检测图像的中的各像素点为眩光区域像素点还是非眩光区域像素点,服务器获取随机森林模型的输出,即待检测图像的眩光区域和非眩光区域。
本实施例,先获取待检测图像,即相机拍摄的第一RGB空间图像,再分别对第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到与第一RGB空间图像对应的第一HSV空间图像和第一HSL空间图像,最后将第一RGB空间图像、第一HSV空间图像和第一HSL空间图像都输入至预训练的随机森林模型中,以确定待检测图像的眩光区域和非眩光区域,预训练的随机森林模型可以判断出待检测图像的各像素点为眩光区域像素点还是非眩光区域像素点,考虑到光是一种很复杂的物理量,仅根据待检测图像各区域的亮度来检测图像中是否有眩光并不准确、可靠,本申请的实施例综合考虑待检测图像在RGB颜色空间、HSV颜色空间和HSV颜色空间三种颜色空间中的光学特性,并且使用随机森林模型来对待检测图像的各像素点是否为眩光区域的像素点进行综合判决,可以准确、科学、可靠地区分出待检测图像中有眩光存在的区域和没有眩光存在的区域,便于进行眩光去除操作,从而提升相机在户外强光环境下拍摄出的彩色图像的质量,提高了后续如人脸识别等图像处理任务的准确率。
在一个实施例中,预训练的随机森林模型可以通过如图2所示的各步骤进行训练,具体包括:
步骤201,获取样本图像,样本图像包括对应的第二RGB空间图像、第二HSV空间图像和第二HSL空间图像。
在具体实现中,服务器在对随机森林模型进行训练时,可以从互联网中获取若干有眩光的图像和没有眩光的图像,互联网中的图像大多为RGB颜色空间系统的图像,即服务器从互联网中获取若干有眩光的图像和没有眩光的图像为第二RGB空间图像,服务器分别对第二RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第二HSV空间图像和第二HSL空间图像,将每一组对应的第二RGB空间图像、第二HSV空间图像和第二HSL空间图像作为一个训练样本。
步骤202,分别确定第二RGB空间图像中的眩光区域像素点和非眩光区域像素点、第二HSV空间图像中的眩光区域像素点和非眩光区域像素点、以及第二HSL空间图像中的眩光区域像素点和非眩光区域像素点。
具体而言,服务器在获取到样本图像,即第二RGB空间图像、第二HSV空间图像和第二HSL空间图像后,可以将第二RGB空间图像中眩光区域的像素点作为第二RGB空间图像中的眩光区域像素点,将第二RGB空间图像中非眩光区域的像素点作为第二RGB空间图像中的非眩光区域像素点;将第二HSV空间图像中眩光区域的像素点作为第二HSV空间图像中的眩光区域像素点,将第二HSV空间图像中非眩光区域的像素点作为第二HSV空间图像中的非眩光区域像素点;将第二HSL空间图像中眩光区域的像素点作为第二HSL空间图像中的眩光区域像素点,将第二HSL空间图像中非眩光区域的像素点作为第二HSL空间图像中的非眩光区域像素点。
步骤203,根据第二RGB空间图像中的眩光区域像素点、第二HSV空间图像中的眩光区域像素点和第二HSL空间图像中的眩光区域像素点,确定样本图像的眩光区域像素点,并根据第二RGB空间图像中的非眩光区域像素点、第二HSV空间图像中的非眩光区域像素点和第二HSL空间图像中的非眩光区域像素点,确定样本图像的非眩光区域像素点。
在具体实现中,服务器可以根据确定出的第二RGB空间图像中的眩光区域像素点和非眩光区域像素点、第二HSV空间图像中的眩光区域像素点和非眩光区域像素点、以及第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,为样本图像的各像素点标注标签,即根据第二RGB空间图像中的眩光区域像素点、第二HSV空间图像中的眩光区域像素点和第二HSL空间图像中的眩光区域像素点,确定样本图像的眩光区域像素点,并根据第二RGB空间图像中的非眩光区域像素点、第二HSV空间图像中的非眩光区域像素点和第二HSL空间图像中的非眩光区域像素点,确定样本图像的非眩光区域像素点。
在一个例子中,服务器可以遍历所样本图像的各像素点,若样本图像的当前像素点在第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中均为眩光区域像素点,则确定该像素点为样本图像的眩光区域像素点;若样本图像的当前像素点在第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中至少有一个为非眩光区域像素点,则确定该像素点为样本图像的非眩光区域像素点。
在另一个例子中,服务器可以遍历所样本图像的各像素点,若样本图像的当前像素点在第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中均为眩光区域像素点,则确定该像素点为样本图像的眩光区域像素点;若样本图像的当前像素点在第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中均为非眩光区域像素点,则确定该像素点为样本图像的非眩光区域像素点,服务器判定一个像素点在三图中均为眩光区域像素点时,才确定该像素点为样本图像的眩光区域像素点,可以进一步提升训练的随机森林模型的眩光检测能力。
步骤204,基于样本图像的眩光区域像素点和样本图像的非眩光区域像素点生成样本集和测试集,对预设的随机森林模型进行训练。
在具体实现中,服务器在确定样本图像的眩光区域像素点和非眩光区域像素点后,可以基于样本图像的眩光区域像素点和样本图像的非眩光区域像素点随机生成样本集和测试集,根据样本集和训练集对预设的随机森林模型进行训练。
本实施例,所述预训练的随机森林模型通过以下步骤训练:获取样本图像;其中,所述样本图像包括对应的第二RGB空间图像、第二HSV空间图像和第二HSL空间图像;分别确定所述第二RGB空间图像中的眩光区域像素点和非眩光区域像素点、所述第二HSV空间图像中的眩光区域像素点和非眩光区域像素点、以及所述第二HSL空间图像中的眩光区域像素点和非眩光区域像素点;根据所述第二RGB空间图像中的眩光区域像素点、所述第二HSV空间图像中的眩光区域像素点和所述第二HSL空间图像中的眩光区域像素点,确定所述样本图像的眩光区域像素点,并根据所述第二RGB空间图像中的非眩光区域像素点、所述第二HSV空间图像中的非眩光区域像素点和所述第二HSL空间图像中的非眩光区域像素点,确定所述样本图像的非眩光区域像素点;基于所述样本图像的眩光区域像素点和所述样本图像的非眩光区域像素点生成样本集和测试集,对预设的随机森林模型进行训练,以第二RGB空间图像、第二HSV空间图像和第二HSL空间图像中各点的分类情况为种子训练随机森林模型,可以快速、准确、合理地使随机森林模型获得区分眩光区域像素点和非眩光区域像素点的能力,即快速地使随机森林模型获得区分图像中眩光区域和非眩光区域的能力。
在一个实施例中,服务器确定第二RGB空间图像中的眩光区域像素点和非眩光区域像素点,可以通过如图3所示的各步骤实现,具体包括:
步骤301,获取第二RGB空间图像中的R分量图像。
具体而言,考虑到红颜色的光穿透能力最强,绿光和蓝光穿透能力较弱,因此在RGB颜色空间中,眩光在R通道的表现最为明显,服务器在获取到样本图像后,可以将第二RGB空间图像中的R分量图像单独抽取出来。
步骤302,根据预设的自动阈值分割算法和R分量图像中各像素点的像素值,确定第一阈值。
具体而言,自动阈值分割算法即Otsu法,该方法由大津展之提出,自动阈值分割算法假设一副图像由前景色和背景色组成,通过统计学的方法来自动选取一个阈值,使得这个阈值可以将前景色和背景色尽可能的分开。
在具体实现中,服务器将第二RGB空间图像中的R分量图像单独抽取出来之后,可以遍历R分量图像中各点的像素值,根据预设的自动阈值分割算法和R分量图像中各像素点的像素值,自动确定出第一阈值。
步骤303,遍历R分量图像的像素点,判断该R分量图像的像素点的像素值是否大于第一阈值,如果是,执行步骤304,否则,执行步骤305。
步骤304,确定该R分量图像的像素点为第二RGB空间图像中的眩光区域像素点。
步骤305,确定该R分量图像的像素点为第二RGB空间图像中的非眩光区域像素点。
在具体实现中,服务器确定出第一阈值后,可以遍历R分量图像的各像素点,判断当前像素点的像素值是否大于第一阈值,若该像素点的像素值大于第一阈值,说明该像素点过于明亮,很有可能位于眩光区域,服务器将该像素点确定为第二RGB空间图像中的眩光区域像素点;若该像素点的像素值小于或等于第一阈值,说明该像素点没有异常明亮,该像素点不位于眩光区域,服务器该像素点确定为第二RGB空间图像中的非眩光区域像素点。
本实施例,所述确定所述第二RGB空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二RGB空间图像中的R分量图像;根据预设的自动阈值分割算法和所述R分量图像中各像素点的像素值,确定第一阈值;遍历所述R分量图像的像素点,判断所述R分量图像的像素点的像素值是否大于所述第一阈值;若所述R分量图像的像素点的像素值大于所述第一阈值,则确定所述R分量图像的像素点为所述第二RGB空间图像中的眩光区域像素点;若所述R分量图像的像素点的像素值小于或等于所述第一阈值,则确定所述R分量图像的像素点为所述第二RGB空间图像中的非眩光区域像素点,由于红颜色的光穿透能力最强,绿光和蓝光穿透能力较弱,因此在RGB颜色空间中,眩光在R通道的表现最为明显,本申请的实施例只抽取第二RGB空间图像中的R分量图像进行第二RGB空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二RGB空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
在一个实施例中,服务器确定第二HSV空间图像中的眩光区域像素点和非眩光区域像素点,可以通过如图4所示的各步骤实现,具体包括:
步骤401,获取第二HSV空间图像中的V分量图像。
具体而言,基于上述RGB-HSV转换公式可知,由于RGB-HSV转换公式的原因,眩光在V通道的表现最为明显,服务器在获取到样本图像后,可以将第二HSV空间图像中的V分量图像单独抽取出来。
步骤402,根据预设的自动阈值分割算法和V分量图像中各像素点的明度值,确定第二阈值。
在具体实现中,服务器将第二HSV空间图像中的V分量图像单独抽取出来之后,可以遍历V分量图像中各点的明度值,根据预设的自动阈值分割算法和V分量图像中各像素点的明度值,自动确定出第二阈值。
步骤403,遍历V分量图像的像素点,判断该V分量图像的像素点的像素值是否大于第二阈值,如果是,执行步骤404,否则,执行步骤405。
步骤404,确定该V分量图像的像素点为第二HSV空间图像中的眩光区域像素点。
步骤405,确定该V分量图像的像素点为第二HSV空间图像中的非眩光区域像素点。
在具体实现中,服务器确定出第二阈值后,可以遍历V分量图像的各像素点,判断当前像素点的明度值是否大于第二阈值,若该像素点的明度值大于第二阈值,说明该像素点过于明亮,很有可能位于眩光区域,服务器将该像素点确定为第二HSV空间图像中的眩光区域像素点;若该像素点的明度值小于或等于第二阈值,说明该像素点没有异常明亮,该像素点不位于眩光区域,服务器该像素点确定为第二HSV空间图像中的非眩光区域像素点。
本实施例,所述确定所述第二HSV空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二HSV空间图像中的V分量图像;根据预设的自动阈值分割算法和所述V分量图像中各像素点的明度值,确定第二阈值;遍历所述V分量图像的像素点,判断所述V分量图像的像素点的明度值是否大于所述第二阈值;若所述V分量图像的像素点的明度值大于所述第二阈值,则确定所述V分量图像的像素点为所述第二HSV空间图像中的眩光区域像素点;若所述V分量图像的像素点的明度值小于或等于所述第二阈值,则确定所述V分量图像的像素点为所述第二HSV空间图像中的非眩光区域像素点,根据HSV颜色空间转换公式可知,眩光在V通道的表现最为明显,本申请的实施例只抽取第二HSV空间图像中的V分量图像进行第二HSV空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二HSV空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
在一个实施例中,服务器确定第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,可以通过如图5所示的各步骤实现,具体包括:
步骤501,获取第二HSL空间图像中的L分量图像。
具体而言,基于上述RGB-HSL转换公式可知,由于RGB-HSL转换公式的原因,眩光在L通道的表现最为明显,服务器在获取到样本图像后,可以将第二HSL空间图像中的L分量图像单独抽取出来。
步骤502,根据预设的自动阈值分割算法和L分量图像中各像素点的亮度值,确定第三阈值。
在具体实现中,服务器将第二HSL空间图像中的L分量图像单独抽取出来之后,可以遍历L分量图像中各点的亮度值,根据预设的自动阈值分割算法和L分量图像中各像素点的亮度值,自动确定出第三阈值。
步骤503,遍历L分量图像的像素点,判断该L分量图像的像素点的亮度值是否大于第三阈值,如果是,执行步骤504,否则,执行步骤505。
步骤504,确定该L分量图像的像素点为第二HSL空间图像中的眩光区域像素点。
步骤505,确定该L分量图像的像素点为第二HSL空间图像中的非眩光区域像素点。
在具体实现中,服务器确定出第三阈值后,可以遍历L分量图像的各像素点,判断当前像素点的亮度值是否大于第三阈值,若该像素点的亮度值大于第三阈值,说明该像素点过于明亮,很有可能位于眩光区域,服务器将该像素点确定为第二HSL空间图像中的眩光区域像素点;若该像素点的亮度值小于或等于第三阈值,说明该像素点没有异常明亮,该像素点不位于眩光区域,服务器该像素点确定为第二HSL空间图像中的非眩光区域像素点。
本实施例,所述确定所述第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,包括:获取所述第二HSL空间图像中的L分量图像;根据预设的自动阈值分割算法和所述L分量图像中各像素点的亮度值,确定第三阈值;遍历所述L分量图像的像素点,判断所述L分量图像的像素点的亮度值是否大于所述第二阈值;若所述L分量图像的像素点的亮度值大于所述第三阈值,则确定所述L分量图像的像素点为所述第二HSL空间图像中的眩光区域像素点;若所述L分量图像的像素点的亮度值小于或等于所述第三阈值,则确定所述L分量图像的像素点为所述第二HSL空间图像中的非眩光区域像素点,根据HSL颜色空间转换公式可知,眩光在L通道的表现最为明显,本申请的实施例只抽取第二HSL空间图像中的L分量图像进行第二HSL空间图像中的眩光区域像素点和非眩光区域像素点的确定,可以准确地确定出第二HSL空间图像中的眩光区域像素点和非眩光区域像素点,并且可以减少计算量。
本申请的另一个实施例涉及一种眩光检测方法,下面对本实施例的眩光检测方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施例中的眩光检测方法的流程图可以如图6所示,包括:
步骤601,获取待检测图像,待检测图像包括相机拍摄的第一RGB空间图像。
其中,步骤601与步骤101大致相同,此处不再赘述。
步骤602,对第一RGB空间图像进行人脸区域检测,确定第一RGB空间图像的人脸区域。
步骤603,分别对第一RGB空间图像的人脸区域进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间的人脸区域和第一HSL空间的人脸区域。
步骤604,将第一RGB空间图像的人脸区域、第一HSV空间图像的人脸区域和第一HSL空间图像的人脸区域输入至预训练的随机森林模型,确定待检测图像的眩光区域和非眩光区域。
在具体实现中,当待检测图像中包括人脸时,服务器在进行眩光检测时,可以先对第一RGB空间图像进行人脸区域检测,得到第一RGB空间图像的人脸区域,再分别对第一RGB空间图像的人脸区域进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间的人脸区域和第一HSL空间的人脸区域,再进行眩光检测,可以减少不必要的计算。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的另一个实施例涉及一种眩光检测装置,下面对本实施例的眩光检测装置的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施例的眩光检测装置的示意图可以如图7所示,包括:
获取模块701,用于获取待检测图像;其中,待检测图像包括相机拍摄的第一RGB空间图像。
转换模块702,用于分别对第一RGB空间图像进行HSV颜色空间转换和HSL颜色空间转换,得到第一HSV空间图像和第一HSL空间图像。
检测模块703,用于将第一RGB空间图像、第一HSV空间图像和第一HSL空间图像输入至预训练的随机森林模型,确定待检测图像的眩光区域和非眩光区域;其中,随机森林模型用于判断待检测图像的各像素点为眩光区域像素点或非眩光区域像素点。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施例中不存在其它的单元。
本申请另一个实施例涉及一种电子设备,如图8所示,包括:至少一个处理器801;以及,与所述至少一个处理器801通信连接的存储器802;其中,所述存储器802存储有可被所述至少一个处理器801执行的指令,所述指令被所述至少一个处理器801执行,以使所述至少一个处理器801能够执行上述各实施例中的眩光检测方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请另一个实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本申请的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。