CN114358131A - 数码相框智能照片优化处理系统 - Google Patents
数码相框智能照片优化处理系统 Download PDFInfo
- Publication number
- CN114358131A CN114358131A CN202111490148.4A CN202111490148A CN114358131A CN 114358131 A CN114358131 A CN 114358131A CN 202111490148 A CN202111490148 A CN 202111490148A CN 114358131 A CN114358131 A CN 114358131A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- module
- scene
- sum
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种数码相框智能照片优化处理系统,包括:获取模块,用于获取预览图像;场景数据输出模块,用于将所述预览图像输入预先训练好的场景分类模型中,输出场景数据;确定模块,用于根据所述场景数据,确定与所述场景数据相对应的拍摄参数,根据所述拍摄参数进行拍摄,确定第一目标图像。提高了获取的拍摄图像的图像质量。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种数码相框智能照片优化处理系统。
背景技术
目前,随着数码技术的不断发展,为了人们在进行拍照时,能够得到满意的照片,拍摄设备中设有优化功能,能够对照片进行优化。现有技术中仅仅在拍摄后对照片进行优化,在拍摄前无法准确确定场景数据,进而无法根据场景数据确定对应的拍摄参数,导致拍摄获取的照片质量较差,同时在进行后续照片的优化时,需要使用者进行手动选择以及调节,操作比较繁琐,用户体验差。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种数码相框智能照片优化处理系统,在拍摄前准确确定场景数据,根据场景数据确定对应的拍摄参数,提高拍摄获取的图像质量,实现对图像进行优化,操作简单,提高用户体验。
为达到上述目的,本发明实施例提出了一种数码相框智能照片优化处理系统,包括:
获取模块,用于获取预览图像;
场景数据输出模块,用于将所述预览图像输入预先训练好的场景分类模型中,输出场景数据;
确定模块,用于根据所述场景数据,确定与所述场景数据相对应的拍摄参数,根据所述拍摄参数进行拍摄,确定第一目标图像。
根据本发明的一些实施例,还包括:标记模块,用于在将所述预览图像输入预先训练好的场景分类模型前,基于预先训练好的识别模型对所述预览图像进行识别,确定所述预览图像中包括的目标对象;获取所述目标对象的属性信息,作为特征向量并在所述预览图像上进行标记。
根据本发明的一些实施例,所述场景数据包括温度信息、时间信息、色温信息。
根据本发明的一些实施例,还包括:非锐化掩膜处理模块,用于对所述第一目标图像进行非锐化掩膜处理,得到第二目标图像。
根据本发明的一些实施例,场景分类模型的训练方法,包括:
获取若干个样本图像及对应的样本场景信息;
将所述样本图像输入场景分类模型中,输出判定场景信息;将所述判定场景信息与样本场景信息进行比较,根据比较结果对场景分类模型的模型参数进行调整。
根据本发明的一些实施例,还包括:直方图均衡化处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,将预览图像由RGB颜色空间转换至HSV颜色空间,并生成对应的直方图进行均衡化处理。
根据本发明的一些实施例,还包括:滤波处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,对所述预览图像进行滤波处理。
根据本发明的一些实施例,还包括:
图像质量检测模块,用于对所述第一目标图像进行图像质量检测,根据检测结果调整拍摄参数。
在一实施例中,所述确定模块,还用于获取所述第一目标图像中像素点的R通道值、G通道值及B通道值,计算所述对R通道、G通道值及B通道的优化系数,根据所述优化系数对所述第一目标图像中像素点中相应的通道值进行优化。
在一实施例中,所述图像质量检测模块,包括:
灰度化处理模块,用于将所述第一目标图像转换为N*M的像素点矩阵,并进行灰度化处理;
计算模块,用于:
获取每个像素点的灰度值,对于N行的像素点基于从左至右的顺序,计算相邻像素点之间的第一灰度差值;将所述第一灰度差值进行求和,得到第一和值;
计算每一行的最大灰度值与最小灰度值的第二灰度差值,将N个第二灰度差值进行求和处理,得到第二和值;
对于M列的像素点基于从上至下的顺序,计算相邻像素点之间的第三灰度差值;将所述第三灰度差值进行求和,得到第三和值;
计算每一列的最大灰度值与最小灰度值的第四灰度差值,将M个第四灰度差值进行求和处理,得到第四和值;
根据所述第一和值、第二和值、第三和值及第四和值,计算出第一目标图像的清晰度;
比较模块,用于将第一目标图像的清晰度与预设清晰度进行比较,在确定第一目标图像的清晰度小于预设清晰度时,表示第一目标图像的清晰度不合格。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明第一个实施例的一种数码相框智能照片优化处理系统的框图;
图2是根据本发明第二个实施例的一种数码相框智能照片优化处理系统的框图;
图3是根据本发明第三个实施例的一种数码相框智能照片优化处理系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种数码相框智能照片优化处理系统,包括:
获取模块,用于获取预览图像;
场景数据输出模块,用于将所述预览图像输入预先训练好的场景分类模型中,输出场景数据;
确定模块,用于根据所述场景数据,确定与所述场景数据相对应的拍摄参数,根据所述拍摄参数进行拍摄,确定第一目标图像。
上述技术方案的工作原理:获取模块,用于获取预览图像;场景数据输出模块,用于将所述预览图像输入预先训练好的场景分类模型中,输出场景数据;确定模块,用于根据所述场景数据,确定与所述场景数据相对应的拍摄参数,根据所述拍摄参数进行拍摄,确定第一目标图像。
上述技术方案的有益效果:在拍摄前准确确定场景数据,根据场景数据确定对应的拍摄参数,提高拍摄获取的图像质量,实现对图像进行优化,操作简单,提高用户体验。
根据本发明的一些实施例,还包括:标记模块,用于在将所述预览图像输入预先训练好的场景分类模型前,基于预先训练好的识别模型对所述预览图像进行识别,确定所述预览图像中包括的目标对象;获取所述目标对象的属性信息,作为特征向量并在所述预览图像上进行标记。
上述技术方案的工作原理:标记模块,用于在将所述预览图像输入预先训练好的场景分类模型前,基于预先训练好的识别模型对所述预览图像进行识别,确定所述预览图像中包括的目标对象;获取所述目标对象的属性信息,作为特征向量并在所述预览图像上进行标记。属性信息包括名称、类别,所在的环境亮度特征等。
上述技术方案的有益效果:基于标记的特征向量,提高了场景分类模型输出对预览图像的场景数据的准确性,同时提高了识别效率。
根据本发明的一些实施例,所述场景数据包括温度信息、时间信息、色温信息。
如图2所示,根据本发明的一些实施例,还包括:非锐化掩膜处理模块,用于对所述第一目标图像进行非锐化掩膜处理,得到第二目标图像。
上述技术方案的工作原理:非锐化掩膜处理模块,用于对所述第一目标图像进行非锐化掩膜处理,得到第二目标图像。
上述技术方案的有益效果:对第一目标图像再次进行优化,得到第二目标图像,达到了提高图像中的高频分量,同时增强了图像轮廓,图像特征更加明显。
根据本发明的一些实施例,场景分类模型的训练方法,包括:
获取若干个样本图像及对应的样本场景信息;
将所述样本图像输入场景分类模型中,输出判定场景信息;将所述判定场景信息与样本场景信息进行比较,根据比较结果对场景分类模型的模型参数进行调整。
上述技术方案的工作原理:获取若干个样本图像及对应的样本场景信息;将所述样本图像输入场景分类模型中,输出判定场景信息;将所述判定场景信息与样本场景信息进行比较,根据比较结果对场景分类模型的模型参数进行调整。
上述技术方案的有益效果:训练得到准确的场景分类模型,提高识别精度及准确性。
根据本发明的一些实施例,还包括:直方图均衡化处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,将预览图像由RGB颜色空间转换至HSV颜色空间,并生成对应的直方图进行均衡化处理。
上述技术方案的工作原理:直方图均衡化处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,将预览图像由RGB颜色空间转换至HSV颜色空间,并生成对应的直方图进行均衡化处理。
上述技术方案的有益效果:实现预览图像中的色彩校正,同时提高了图像对比度,便于识别模型对所述预览图像的识别准确性。
根据本发明的一些实施例,还包括:滤波处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,对所述预览图像进行滤波处理。
上述技术方案的工作原理:滤波处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,对所述预览图像进行滤波处理。
上述技术方案的有益效果:减少预览图像的图像噪声,便于提高识别模型对所述预览图像的识别准确性。
如图3所示,根据本发明的一些实施例,还包括:
图像质量检测模块,用于对所述第一目标图像进行图像质量检测,根据检测结果调整拍摄参数。
上述技术方案的工作原理:图像质量检测模块,用于对所述第一目标图像进行图像质量检测,根据检测结果调整拍摄参数。
上述技术方案的有益效果:保证最终获取的图像的图像质量。
在一实施例中,所述确定模块还用于获取所述第一目标图像中像素点的R通道值、G通道值及B通道值,计算所述对R通道、G通道值及B通道的优化系数,根据所述优化系数对所述第一目标图像中像素点中相应的通道值进行优化。
上述技术方案的工作原理:获取所述第一目标图像中像素点的R通道值、G通道值及B通道值,计算所述对R通道、G通道值及B通道的优化系数,根据所述优化系数对所述第一目标图像中像素点中相应的通道值进行优化。
上述技术方案的有益效果:实现对第一目标图像中颜色特征的优化,凸显第一目标图像中的图像特征。
在一实施例中,计算所述对R通道、G通道值及B通道的优化系数,包括:
其中,γi为第一目标图像中第i个通道的优化系数,sum()为求和,min()为求最小值,max()为求最大值,i可取R、G、B三个通道;P(G,B)为第一目标图像中像素点在G通道和B通道取值的差值、P(R,B)为第一目标图像中像素点在R通道和B通道取值的差值、P(G,R)为第一目标图像中像素点在G通道和R通道取值的差值,Pi为第一目标图像中像素点在i通道的取值;
上述技术方案的工作原理及有益效果:基于上述公式准确计算出对R通道、G通道值及B通道的优化系数,进而提高了根据所述优化系数对所述第一目标图像中像素点中相应的通道值进行优化的准确性。
在一实施例中,所述图像质量检测模块,包括:
灰度化处理模块,用于将所述第一目标图像转换为N*M的像素点矩阵,并进行灰度化处理;
计算模块,用于:
获取每个像素点的灰度值,对于N行的像素点基于从左至右的顺序,计算相邻像素点之间的第一灰度差值;将所述第一灰度差值进行求和,得到第一和值;
计算每一行的最大灰度值与最小灰度值的第二灰度差值,将N个第二灰度差值进行求和处理,得到第二和值;
对于M列的像素点基于从上至下的顺序,计算相邻像素点之间的第三灰度差值;将所述第三灰度差值进行求和,得到第三和值;
计算每一列的最大灰度值与最小灰度值的第四灰度差值,将M个第四灰度差值进行求和处理,得到第四和值;
根据所述第一和值、第二和值、第三和值及第四和值,计算出第一目标图像的清晰度;
比较模块,用于将第一目标图像的清晰度与预设清晰度进行比较,在确定第一目标图像的清晰度小于预设清晰度时,表示第一目标图像的清晰度不合格。
上述技术方案的工作原理:灰度化处理模块,用于将所述第一目标图像转换为N*M的像素点矩阵,并进行灰度化处理;计算模块,用于:获取每个像素点的灰度值,对于N行的像素点基于从左至右的顺序,计算相邻像素点之间的第一灰度差值;将所述第一灰度差值进行求和,得到第一和值;计算每一行的最大灰度值与最小灰度值的第二灰度差值,将N个第二灰度差值进行求和处理,得到第二和值;对于M列的像素点基于从上至下的顺序,计算相邻像素点之间的第三灰度差值;将所述第三灰度差值进行求和,得到第三和值;计算每一列的最大灰度值与最小灰度值的第四灰度差值,将M个第四灰度差值进行求和处理,得到第四和值;根据所述第一和值、第二和值、第三和值及第四和值,计算出第一目标图像的清晰度;比较模块,用于将第一目标图像的清晰度与预设清晰度进行比较,在确定第一目标图像的清晰度小于预设清晰度时,表示第一目标图像的清晰度不合格。具体的在N为5,M为6时,计算得到5*5个第一灰度差值;计算得到4*6个第二灰度差值。
上述技术方案的有益效果:基于第一和值、第二和值、第三和值及第四和值,计算第一目标图像的清晰度,提高了计算的准确性,同时使得清晰度的计算更加简单化,提高计算效率,同时也提高了判断第一目标图像的清晰度与预设清晰度的大小的准确性。
在一实施例中,根据所述第一和值、第二和值、第三和值及第四和值,计算出第一目标图像的清晰度,包括:
其中,W为第一目标图像的清晰度;S1为第一和值;S2为第二和值;S3为第三和值;S4为第四和值;
上述技术方案的有益效果:提高了计算第一目标图像的清晰度的准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种数码相框智能照片优化处理系统,其特征在于,包括:
获取模块,用于获取预览图像;
场景数据输出模块,用于将所述预览图像输入预先训练好的场景分类模型中,输出场景数据;
确定模块,用于根据所述场景数据,确定与所述场景数据相对应的拍摄参数,根据所述拍摄参数进行拍摄,确定第一目标图像。
2.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,还包括:标记模块,用于在将所述预览图像输入预先训练好的场景分类模型前,基于预先训练好的识别模型对所述预览图像进行识别,确定所述预览图像中包括的目标对象;获取所述目标对象的属性信息,作为特征向量并在所述预览图像上进行标记。
3.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,所述场景数据包括温度信息、时间信息、色温信息。
4.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,还包括:非锐化掩膜处理模块,用于对所述第一目标图像进行非锐化掩膜处理,得到第二目标图像。
5.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,场景分类模型的训练方法,包括:
获取若干个样本图像及对应的样本场景信息;
将所述样本图像输入场景分类模型中,输出判定场景信息;将所述判定场景信息与样本场景信息进行比较,根据比较结果对场景分类模型的模型参数进行调整。
6.如权利要求2所述的数码相框智能照片优化处理系统,其特征在于,还包括:直方图均衡化处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,将预览图像由RGB颜色空间转换至HSV颜色空间,并生成对应的直方图进行均衡化处理。
7.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,还包括:滤波处理模块,用于在基于预先训练好的识别模型对所述预览图像进行识别前,对所述预览图像进行滤波处理。
8.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,还包括:
图像质量检测模块,用于对所述第一目标图像进行图像质量检测,根据检测结果调整拍摄参数。
9.如权利要求1所述的数码相框智能照片优化处理系统,其特征在于,所述确定模块,还用于获取所述第一目标图像中像素点的R通道值、G通道值及B通道值,计算所述对R通道、G通道值及B通道的优化系数,根据所述优化系数对所述第一目标图像中像素点中相应的通道值进行优化。
10.如权利要求8所述的数码相框智能照片优化处理系统,其特征在于,所述图像质量检测模块,包括:
灰度化处理模块,用于将所述第一目标图像转换为N*M的像素点矩阵,并进行灰度化处理;
计算模块,用于:
获取每个像素点的灰度值,对于N行的像素点基于从左至右的顺序,计算相邻像素点之间的第一灰度差值;将所述第一灰度差值进行求和,得到第一和值;
计算每一行的最大灰度值与最小灰度值的第二灰度差值,将N个第二灰度差值进行求和处理,得到第二和值;
对于M列的像素点基于从上至下的顺序,计算相邻像素点之间的第三灰度差值;将所述第三灰度差值进行求和,得到第三和值;
计算每一列的最大灰度值与最小灰度值的第四灰度差值,将M个第四灰度差值进行求和处理,得到第四和值;
根据所述第一和值、第二和值、第三和值及第四和值,计算出第一目标图像的清晰度;
比较模块,用于将第一目标图像的清晰度与预设清晰度进行比较,在确定第一目标图像的清晰度小于预设清晰度时,表示第一目标图像的清晰度不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111490148.4A CN114358131A (zh) | 2021-12-08 | 2021-12-08 | 数码相框智能照片优化处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111490148.4A CN114358131A (zh) | 2021-12-08 | 2021-12-08 | 数码相框智能照片优化处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358131A true CN114358131A (zh) | 2022-04-15 |
Family
ID=81096503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111490148.4A Pending CN114358131A (zh) | 2021-12-08 | 2021-12-08 | 数码相框智能照片优化处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049798A (zh) * | 2023-03-31 | 2023-05-02 | 北京密农人家农业科技有限公司 | 一种基于互联网的农产品全产业链信息管理系统 |
-
2021
- 2021-12-08 CN CN202111490148.4A patent/CN114358131A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049798A (zh) * | 2023-03-31 | 2023-05-02 | 北京密农人家农业科技有限公司 | 一种基于互联网的农产品全产业链信息管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3477931B1 (en) | Image processing method and device, readable storage medium and electronic device | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
EP2915333B1 (en) | Depth map generation from a monoscopic image based on combined depth cues | |
US8971628B2 (en) | Face detection using division-generated haar-like features for illumination invariance | |
US8035871B2 (en) | Determining target luminance value of an image using predicted noise amount | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN108537749B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN110276767A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
US20100142807A1 (en) | Image identification method and imaging apparatus | |
CN109034017A (zh) | 头部姿态估计方法及机器可读存储介质 | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
US20230059499A1 (en) | Image processing system, image processing method, and non-transitory computer readable medium | |
US20220070369A1 (en) | Camera Image Or Video Processing Pipelines With Neural Embedding | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN109903275B (zh) | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 | |
CN114358131A (zh) | 数码相框智能照片优化处理系统 | |
CN116664608A (zh) | 基于图像增强的目标检测与定位方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN112637573A (zh) | 一种多镜头切换的显示方法、系统、智能终端及存储介质 | |
CN113362390A (zh) | 一种基于椭圆检测的快速圆形目标定位视频处理方法 | |
CN111738927A (zh) | 基于直方图均衡化的人脸识别特征增强与去噪方法及系统 | |
CN113034449A (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN112116580B (zh) | 用于摄像头支架的检测方法、系统及设备 | |
CN115620286B (zh) | 一种基于大数据的数据自动标注系统及方法 |
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 |