CN114638951A - 房屋模型的展示方法、装置、电子设备和可读存储介质 - Google Patents

房屋模型的展示方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN114638951A
CN114638951A CN202210317239.6A CN202210317239A CN114638951A CN 114638951 A CN114638951 A CN 114638951A CN 202210317239 A CN202210317239 A CN 202210317239A CN 114638951 A CN114638951 A CN 114638951A
Authority
CN
China
Prior art keywords
image data
filter
house model
image
model
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.)
Granted
Application number
CN202210317239.6A
Other languages
English (en)
Other versions
CN114638951B (zh
Inventor
程京
焦少慧
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202210317239.6A priority Critical patent/CN114638951B/zh
Publication of CN114638951A publication Critical patent/CN114638951A/zh
Application granted granted Critical
Publication of CN114638951B publication Critical patent/CN114638951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Architecture (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种房屋模型的展示方法、装置、电子设备和可读存储介质，属于房产展示技术领域。房屋模型的展示方式，包括：获取房屋模型中的第一图像数据；将第一图像数据输入至第一识别模型，确定第一图像数据的类别，第一图像数据的类别与第一图像数据的画质相关联；在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；将第二图像数据配置到房屋模型中，进行模型渲染展示。

Description

房屋模型的展示方法、装置、电子设备和可读存储介质
技术领域
本申请属于房产展示技术领域，具体涉及一种房屋模型的展示方法、房屋模型的展示装置、电子设备和可读存储介质。
背景技术
现有技术中，在房屋模型建模的图像素材画质不良的情况下，需要人工调整该图像素材，或重新拍摄图像素材，导致房屋模型建模效率低下。
发明内容
本申请实施例的目的是提供一种房屋模型的展示方法、装置、电子设备和可读存储介质，实现了无需人工重新采集相关的素材，也无需人工对图像素材进行增强操作，简化了人工操作步骤，节省了人力成本，提高了房屋模型的展示效果，以及用户对模型的观感。
第一方面，本申请实施例提供了一种房屋模型的展示方式，包括：获取房屋模型中的第一图像数据；将第一图像数据输入至第一识别模型，确定第一图像数据的类别，第一图像数据的类别与第一图像数据的画质相关联；在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；将第二图像数据配置到房屋模型中，进行模型渲染展示。
第二方面，本申请实施例提供了一种房屋模型的展示装置，应用于虚拟现实设备，包括：获取模块，用于获取房屋模型中的第一图像数据；识别模块，用于将第一图像数据输入至第一识别模型，确定第一图像数据的类别，第一图像数据的类别与第一图像数据的画质相关联；处理模块，用于在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；展示模块，用于将第二图像数据配置到房屋模型中，进行模型渲染展示。
第三方面，本申请实施例提供了一种电子设备，包括处理器，存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，该可读存储介质上存储程序或指令，该程序或指令被处理器执行时实现如第一方面的房屋模型的展示方法的步骤。
第五方面，本申请实施例提供了一种芯片，该芯片包括处理器和通信接口，该通信接口和该处理器耦合，该处理器用于运行程序或指令，实现如第一方面的房屋模型的展示方法的步骤。
第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面的房屋模型的展示方法。
本申请实施例中，获取用于房屋模型中的第一图像数据，并将第一图像数据输入至第一识别模型中，对第一图像数据进行画质分类。在检测到第一图像数据的类别为预设类别的情况下，即检测到第一图像数据的画质较低，则对第一图像数据进行图像增强处理，以得到画质较高的第二图像数据。并将第二图像数据配置到房屋模型中进行渲染展示。在检测到第一图像的类别画质较高的情况下，则将第一图像数据配置到房屋模型中进行渲染展示。
本申请实施例通过对房屋模型渲染展示之前对第一图像数据进行画质识别，无需人工审核就能够确定画质较差的第一图像数据。并将画质较差的第一图像数据进行自动图像增强处理，无需人工重新采集相关的素材，也无需人工对图像素材进行增强操作，简化了人工操作步骤，节省了人力成本。并且通过图像增强算法自动对画质较差的第一图像数据进行图像增强处理，提高了房屋模型的展示效果，以及用户对模型的观感。
附图说明
图1示出了本申请实施例提供的房屋模型的展示方法的流程示意图之一；
图2示出了本申请实施例提供的房屋模型的展示方法的流程示意图之二；
图3示出了本申请实施例提供的房屋模型的展示方法的流程示意图之三；
图4示出了本申请实施例提供的房屋模型的展示方法的流程示意图之四；
图5示出了本申请实施例提供的房屋模型的展示方法的流程示意图之五；
图6示出了本申请实施例提供的房屋模型的展示方法的流程示意图之六；
图7示出了本申请实施例提供的房屋模型的展示装置的结构框图；
图8示出了本申请实施例提供的电子设备的结构框图；
图9示出了本申请实施例的一种电子设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图1至图9，通过具体的实施例及其应用场景对本申请实施例提供的房屋模型的展示方法、房屋模型的展示装置、电子设备和可读存储介质进行详细地说明。
在本申请实施例提供了一种房屋模型的展示方法，图1示出了本申请实施例提供的房屋模型的展示方法的流程示意图之一，如图1所示，房屋模型的展示方法，包括：
步骤102，获取房屋模型中的第一图像数据；
值得说明的是，第一图像数据包括房屋模型中的贴图素材。房屋模型在建模完成之后，需要将提前采集的贴图素材配置到模型中。贴
步骤104，将第一图像数据输入至第一识别模型，确定第一图像数据的类别；
其中，第一图像数据的类别与第一图像数据的画质相关联。第一识别模型选为CNN(卷积神经网络Convolutional Neural Networks)模型，第一识别模型能够根据图像的画质对图像进行分类。
可以理解的是，在通过第一识别模型对第一图像数据进行识别的过程中，将第一图像数据拆解成多个图像块，例如：256块，通过卷积神经网络进行特征提取。再对特征编码通过SVM(支持向量机support vector machines)进行分类。
步骤106，在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；
其中，预设类别对应的画质为低画质。进行图像增强处理后的第二图像数据相较于第一图像数据的画质较高。
步骤108，将第二图像数据配置到房屋模型中，进行模型渲染展示。
该实施例给出了展示房屋模型之前，对房屋模型中的图像数据进行画质检测，以及将画质较差的图像数据进行画质增强处理的方案。
本申请实施例中，获取用于房屋模型中的第一图像数据，并将第一图像数据输入至第一识别模型中，对第一图像数据进行画质分类。在检测到第一图像数据的类别为预设类别的情况下，即检测到第一图像数据的画质较低，则对第一图像数据进行图像增强处理，以得到画质较高的第二图像数据。并将第二图像数据配置到房屋模型中进行渲染展示。在检测到第一图像的类别画质较高的情况下，则将第一图像数据配置到房屋模型中进行渲染展示。
可以理解的是，在房屋模型中包括多个第一图像数据的情况下，则对多个第一图像数据依次输入至第一识别模型中进行分类。将属于预设类别(画质较低)的第一图像进行图像增强处理，以得到对应的第二图像。通过第二图像，以及不属于预设类别(画质较高)的第一图像配置到房屋模型中进行渲染展示。
实现了在房屋模型中包括多个
相关技术中，房屋模型渲染展示的效果不仅与模型的建模精度相关，还取决于配置在房屋模型中的贴图素材的画质。现有方案中，如果采集到的贴图素材画质较差，仅能够通过人工二次采集的方式，替换画质较差的贴图素材，影响建模的整体效率。
本申请实施例通过对房屋模型渲染展示之前对第一图像数据进行画质识别，无需人工审核就能够确定画质较差的第一图像数据。并将画质较差的第一图像数据进行自动图像增强处理，无需人工重新采集相关的素材，也无需人工对图像素材进行增强操作，简化了人工操作步骤，节省了人力成本。并且通过图像增强算法自动对画质较差的第一图像数据进行图像增强处理，提高了房屋模型的展示效果，以及用户对模型的观感。
在本申请的一些实施例中，对第一图像数据进行图像增强处理，包括以下一项或组合：对第一图像数据进行色彩增强；对第一图像数据进行校正白平衡；对第一图像数据进行去噪处理；对第一图像数据进行超分辨率处理。
该实施例给出了对第一图像数据进行图像增强处理的具体过程中。其中，包括对第一图像数据进行色彩增强、校正白平衡、去噪处理、超分辨率处理中的一种或多种。
其中，色彩增强能够有效提升第一图像数据中的亮度细节，且不影响第一图像数据中的暗区和亮区。校正白平衡能够保证图像中高光部分和暗部分均不会被过度压缩和扩展。图像去噪能够减少数字图像中噪声，图像去噪具体选用BM3D(Block-matching and 3Dfiltering，三维块匹配滤波)算法进行去噪。超分辨率处理通过将第一图像数据采用图像超分算法进行处理，输入第一图像数据通过算法模块处理，能够得到超分辨率处理后的第一图像数据。
在一些可能的实施方式中，在检测到第一图像数据的画质较差，则依次对第一图像数据进行色彩增强处理、校正白平衡处理、去噪处理以及超分辨率处理，使最终得到的第二图像数据为画质较高的图像素材。
本申请实施例中通过对第一图像数据进行色彩增强处理、校正白平衡处理、去噪处理以及超分辨率处理中的一项或多项，以得到第二图像数据，保证了第二图像数据的画质较高，并且上述处理均能够自动进行，无需用户手动操作，简化了用户的操作步骤。
在本申请的一些实施例中，图2示出了本申请实施例提供的房屋模型的展示方法的流程示意图之二，如图2所示，对第一图像数据进行色彩增强，包括：
步骤202，识别第一图像数据中的第一色彩区间和第二色彩区间；
其中，第一色彩区间中的颜色为比例极端的颜色，即比例较小，且色差较大的颜色。第二色彩区间中的颜色为比例较多或色差较小的颜色。第一色彩区间和第二色彩区间构成了第一图像数据中的整体色彩区间。
值得说明的是，第一色彩区间中的颜色会影响第一图像数据的画质。
步骤204，滤除第一图像数据中的第一色彩区间内的颜色；
步骤206，通过第二色彩区间内的颜色，调整第一图像数据的颜色；
步骤208，提高第一图像数据的明度。
在该实施例中给出了对第一图像数据进行色彩增强的方案。
本申请实施例中，通过图像识别算法，识别出比例较小，且与其他颜色色差较大的颜色，即第一色彩区间。并将第一图像中处于第一色彩区间内的颜色滤除。将第二色彩区间中的颜色在第一图像中重新分布，将滤除颜色的部分通过第二色彩区间中的颜色进行填充，实现了对第一图像数据的颜色进行调整。
具体来说，获取位于滤除颜色位置周围，且处于第二色彩区间的目标颜色，将目标颜色进行调整之后，填充至第一图像中滤除颜色的位置。
在对第一图像数据的颜色调整完成之后，提高第一图像的明度，完成对第一图像数据进行色彩增强。
其中，在提高第一图像明度之前，将第一图像数据由RGB(红、绿、蓝)色彩空间转换至HSV(色调、饱和度、明度)色彩空间。提高了调整第一图像数据的明度的效果。
本申请实施例中，在对第一图像数据进行色彩增强处理过程中，去除了比例小且色差大的极端颜色，并通过其余颜色对第一图像数据中滤除颜色的部分重新进行填充，减小了第一图像数据中的色差。在调整颜色之后，还提高第一图像数据，从而有效提升了第一图像数据的亮度细节。
在本申请的一些实施例中，图3示出了本申请实施例提供的房屋模型的展示方法的流程示意图之三，如图3所示，提高第一图像数据的明度，包括：
步骤302，获取第一图像数据的明度对应的第一调整函数；
步骤304，通过第一调整函数，提高第一图像数据的明度。
该实施例中提出了调整第一图像数据明度的方案。
具体来说，获取对第一图像数据明度调整的第一调整函数，通过第一调整函数能够确定调整后的明度。第一调整函数如下：
V1＝V_val 0.9
其中，V1为调整后的明度，V_val为调整前的明度。
本申请实施例中，在调整第一图像数据的明度的过程中，设置了为幂函数的第一调整函数，对第一图像数据的明度进行调整。实现了在能够有效提升第一图像数据的明度细节的同时，而不影响第一图像数据的亮区和暗区。
在本申请的一些实施例中，图4示出了本申请实施例提供的房屋模型的展示方法的流程示意图之四，如图4所示，对第一图像数据进行校正白平衡，包括：
步骤402，获取第一图像数据的明度对应的第二调整函数；
步骤404，通过第二调整函数，计算明度校正值；
步骤406，通过明度校正值，调整第一图像数据的明度，以对第一图像数据的白平衡进行调整。
该实施例中给出了对第一图像进行白平衡校正的方案。
本申请实施例中，通过gamma校正(伽玛校正)的方式对第一图像数据的明度进行调整。其中，伽玛校正又叫伽玛非线性化或伽玛编码，用于对第一图像数据中的明度值进行非线性的运算或反运算的调整方式。通过第二调整函数，计算明度校正值，即伽玛校正值。通过第二调整函数能够计算得到明度校正值，无需人工对明度校正值进行手动调整。并通过计算得到的明度校正值，对第一图像数据的明度进行调整，完成了第一图像数据的校正白平衡处理。
具体来说，第二调整函数如下：
gamma＝log10(0.5)/log10(mean/255)
其中，gamma为明度校正值，mean为第一图像数据的数据均值。
相关技术中，当明度校正值大于1的情况下，校正后的图像的高光部分被压缩，而暗调部分被扩展，当明度校正值小于1的情况下，图像的高国光部分被扩展而暗调部分被压缩。现有技术中，均是通过人工手动调整明度校正值，经过人工手动调整的明度校正值无法适用于各种场景的图像。
本申请实施例中通过设置第二调整函数能够计算得到对第一图像数据调整明度的明度校正值，通过明度校正值对第一图像进行白平衡校正处理，实现了在无需人工手动设置明度校正值的情况下，自动生成与第一图像数据相对应的明度校正值，并对第一图像数据根据该明度校正值进行校正白平衡处理，简化了人工操作的同时，避免了第一图像数据中的高光部分和暗调部分被过度扩展或压缩。
在本申请的一些实施例中，图5示出了本申请实施例提供的房屋模型的展示方法的流程示意图之五，如图5所示，在将第二图像数据配置到房屋模型中，进行模型渲染展示之前，还包括：
步骤502，对第二图像数据配置滤镜；
步骤504，对配置滤镜后的第二图像数据配置灯光信息。
该实施例中给出了对经过图像增强处理的第二图像数据配置滤镜以及配置灯光信息的方案。
具体来说，经过图像增强处理后的第二图像数据画质已经达到对模型渲染展示的标准。在将第二图像配置到房屋模型中之前，根据实际需求配置滤镜以及灯光信息能够提高房屋的展示观感。
相关技术中，均是通过人工手动调整图像数据中的图像参数，从而对图像数据的风格进行调整，需要大量的后期工作。
本申请实施例中，在将第二图像数据配置到房屋模型之前，自动对第二图像进行配置滤镜以及灯光信息，减少了对房屋模型的后期处理，简化了操作。
在本申请的一些实施例中，图6示出了本申请实施例提供的房屋模型的展示方法的流程示意图之六，如图6所示，对第二图像数据配置滤镜，包括：
步骤602，将第二图像数据输入至第二识别模型，以确定第二图像数据的滤镜信息；
其中，第二识别模型可选为CNN(卷积神经网络Convolutional Neural Networks)模型。通过第二识别模型能够识别到的第二图像数据的风格类别，并根据风格类别能够查找对应的滤镜信息。
具体来说，风格类别包括但不限于传统中式、北欧工业、欧美、日系清新、宫廷洋房，且上述不同风格类别均对应不同的滤镜信息和滤镜文件。
步骤604，根据滤镜信息查找对应的第一滤镜文件；
步骤606，通过第一滤镜文件，对第二图像配置滤镜。
该实施例中给出了自动识别第二图像数据的风格类别，并根据风格类别对第二图像数据配置滤镜文件的方案。
本申请实施例中，在获取到画质较好的第二图像数据之后，将第二图像数据输入至第二识别模型中进行风格类别识别。根据识别到的风格类别对应的滤镜信息，查找到对应的第一滤镜文件。将第一滤镜文件配置到第二图像数据中，完成对第二图像数据的滤镜配置。
值得说明的是，在进行配置第一滤镜文件的过程中，采用LUT(Look Up Table，颜色查找表)算法，能够有效降低运算量。
本申请实施例通过第二识别模型能够识别第二图像数据的滤镜信息，并据此查找对应的第一滤镜文件，自动将第一滤镜文件配置在第二图像数据中。实现了无需用户手动对第二图像数据进行处理，就能够根据第二图像数据的风格类别配置相应的滤镜。
在本申请的一些实施例中，通过滤镜文件，对第二图像数据配置滤镜之后，还包括：响应于针对第二图像数据的滤镜调整输入，选择第二滤镜文件；根据第二滤镜文件，对第二图像数据配置滤镜。
该实施例给出了手动调整第二图像数据中的滤镜的方案。
本申请实施例中，系统对第二图像数据配置第一滤镜文件之后，会显示配置滤镜后的效果图，在编辑模型的工作人员对效果不满意的情况下，工作人员通过对第二图像数据执行滤镜调整输入，能够对第二图像数据中的滤镜进行调整。
具体来说，系统根据滤镜调整输入，能够查找到对应的第二滤镜文件，并将第二滤镜文件替换第二图像数据中的第一滤镜文件，从而完成对第二图像数据中的滤镜调整。
示例性地，系统自动识别到第二图像数据为传统中式风格，并对第二图像数据配置传统中式风格的滤镜文件。在展示过程中，工作人员对传统中式风格的滤镜不满意，并通过滤镜调整输入，将传统中式风格的滤镜替换为北欧工业风格的滤镜。
本申请实施例中，在系统自动对第二图像数据配置滤镜之后，工作人员能够根据实际需求对配置完成的滤镜进行调整更换，提高了配置滤镜的自由度和便捷性。
在本申请的一些实施例中，对配置滤镜后的第二图像数据配置灯光信息，包括：获取灯光数据；根据灯光数据，调整第二图像数据中至少两个像素点的显示参数。
该实施例中提供了对第二图像数据配置灯光信息的方案。
本申请实施例中，工作人员能够根据实际需求获取灯光数据，根据灯光数据对第二图像数据中配置灯光信息。
具体来说，灯光数据包括光源位置数据、光源强度数据等。根据灯光数据能够确定第二图像数据中所需调整的多个像素点，以及每个像素点的具体调整参数。根据调整参数对第二图像数据中的多个像素点调整显示参数，从而实现对第二图像数据配置灯光信息。
在一种可能的实施方式中，建立灯光配置模型，基于神经网络设计灯光配置模型。通过将灯光数据和第二图像数据输入至灯光配置模型中，从而自动对第二图像数据配置灯光信息。
本申请实施例中，在将第二图像数据配置到房屋模型之前，工作人员能够对第二图像数据配置灯光信息，进一步提高用户对房屋模型的观感。
本申请实施例提供的房屋模型的展示方法，执行主体可以为房屋模型的展示装置。本申请实施例中以房屋模型的展示装置执行房屋模型的展示方法为例，说明本申请实施例提供的房屋模型的展示装置。
在本申请的一些实施例中提供了一种房屋模型的展示装置，图7示出了本申请实施例提供的房屋模型的展示装置的结构框图，如图7所示，房屋模型的展示装置700，房屋模型的展示装置包括：
获取模块702，用于获取房屋模型中的第一图像数据；
识别模块704，用于将第一图像数据输入至第一识别模型，确定第一图像数据的类别；
处理模块706，用于在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；
展示模块708，用于将第二图像数据配置到房屋模型中，进行模型渲染展示。
本申请实施例通过对房屋模型渲染展示之前对第一图像数据进行画质识别，无需人工审核就能够确定画质较差的第一图像数据。并将画质较差的第一图像数据进行自动图像增强处理，无需人工重新采集相关的素材，也无需人工对图像素材进行增强操作，简化了人工操作步骤，节省了人力成本。并且通过图像增强算法自动对画质较差的第一图像数据进行图像增强处理，提高了房屋模型的展示效果，以及用户对模型的观感。
在本申请的一些实施例中，处理模块706，还用于对第一图像数据进行色彩增强；
处理模块706，还用于对第一图像数据进行校正白平衡；
处理模块706，还用于对第一图像数据进行去噪处理；
处理模块706，还用于对第一图像数据进行超分辨率处理。
本申请实施例中通过对第一图像数据进行色彩增强处理、校正白平衡处理、去噪处理以及超分辨率处理中的一项或多项，以得到第二图像数据，保证了第二图像数据的画质较高，并且上述处理均能够自动进行，无需用户手动操作，简化了用户的操作步骤。
在本申请的一些实施例中，识别模块704，还用于识别第一图像数据中的第一色彩区间和第二色彩区间；
房屋模型的展示装置700还包括：
滤除模块，用于滤除第一图像数据中的第一色彩区间内的颜色；
调整模块，用于通过第二色彩区间内的颜色，调整第一图像数据的颜色；
处理模块706，还用于提高第一图像数据的明度。
本申请实施例中，在对第一图像数据进行色彩增强处理过程中，去除了比例小且色差大的极端颜色，并通过其余颜色对第一图像数据中滤除颜色的部分重新进行填充，减小了第一图像数据中的色差。在调整颜色之后，还提高第一图像数据，从而有效提升了第一图像数据的亮度细节。
在本申请的一些实施例中，获取模块702，还用于获取第一图像数据的明度对应的第一调整函数；
处理模块706，还用于通过第一调整函数，提高第一图像数据的明度。
本申请实施例中，在调整第一图像数据的明度的过程中，设置了为幂函数的第一调整函数，对第一图像数据的明度进行调整。实现了在能够有效提升第一图像数据的明度细节的同时，而不影响第一图像数据的亮区和暗区。
在本申请的一些实施例中，获取模块702，还用于获取第一图像数据的明度对应的第二调整函数；
房屋模型的展示装置700还包括：
计算模块，用于通过第二调整函数，计算明度校正值；
调整模块，还用于通过明度校正值，调整第一图像数据的明度，以对第一图像数据的白平衡进行调整。
本申请实施例中通过设置第二调整函数能够计算得到对第一图像数据调整明度的明度校正值，通过明度校正值对第一图像进行白平衡校正处理，实现了在无需人工手动设置明度校正值的情况下，自动生成与第一图像数据相对应的明度校正值，并对第一图像数据根据该明度校正值进行校正白平衡处理，简化了人工操作的同时，避免了第一图像数据中的高光部分和暗调部分被过度扩展或压缩。
在本申请的一些实施例中，房屋模型的展示装置700还包括：
配置模块，用于对第二图像数据配置滤镜；
配置模块，还用于对配置滤镜后的第二图像数据配置灯光信息。
本申请实施例中，在将第二图像数据配置到房屋模型之前，自动对第二图像进行配置滤镜以及灯光信息，减少了对房屋模型的后期处理，简化了操作。
在本申请的一些实施例中，房屋模型的展示装置700还包括：
确定模块，用于将第二图像数据输入至第二识别模型，以确定第二图像数据的滤镜信息；
查找模块，用于根据滤镜信息查找对应的第一滤镜文件；
配置模块，还用于通过第一滤镜文件，对第二图像配置滤镜。
本申请实施例通过第二识别模型能够识别第二图像数据的滤镜信息，并据此查找对应的第一滤镜文件，自动将第一滤镜文件配置在第二图像数据中。实现了无需用户手动对第二图像数据进行处理，就能够根据第二图像数据的风格类别配置相应的滤镜。
在本申请的一些实施例中，房屋模型的展示装置700还包括：
选择模块，用于响应于针对第二图像数据的滤镜调整输入，选择第二滤镜文件；
配置模块，还用于根据第二滤镜文件，对第二图像数据配置滤镜。
本申请实施例中，在系统自动对第二图像数据配置滤镜之后，工作人员能够根据实际需求对配置完成的滤镜进行调整更换，提高了配置滤镜的自由度和便捷性。
在本申请的一些实施例中，获取模块702，还用于获取灯光数据；
调整模块，还用于根据灯光数据，调整第二图像数据中至少两个像素点的显示参数。
本申请实施例中，在将第二图像数据配置到房屋模型之前，工作人员能够对第二图像数据配置灯光信息，进一步提高用户对房屋模型的观感。
本申请实施例中的房屋模型的展示装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的房屋模型的展示装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的房屋模型的展示装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，本申请实施例还提供一种电子设备，图8示出了根据本申请实施例的电子设备的结构框图，如图8所示，电子设备800包括处理器802和存储器804，存储器804上存储有可在处理器802上运行的程序或指令，该程序或指令被处理器802执行时实现上述方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述的移动电子设备和非移动电子设备。
图9为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。
本领域技术人员可以理解，电子设备900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器910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。图9中示出的电子设备结构并不构成对电子设备的限定，电子设备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，在此不再赘述。
其中，处理器910，用于获取房屋模型中的第一图像数据；
处理器910，用于将第一图像数据输入至第一识别模型，确定第一图像数据的类别；
处理器910，用于在第一图像数据的类别为预设类别的情况下，对第一图像数据进行图像增强处理，以得到第二图像数据；
处理器910，用于将第二图像数据配置到房屋模型中，进行模型渲染展示。
本申请实施例通过对房屋模型渲染展示之前对第一图像数据进行画质识别，无需人工审核就能够确定画质较差的第一图像数据。并将画质较差的第一图像数据进行自动图像增强处理，无需人工重新采集相关的素材，也无需人工对图像素材进行增强操作，简化了人工操作步骤，节省了人力成本。并且通过图像增强算法自动对画质较差的第一图像数据进行图像增强处理，提高了房屋模型的展示效果，以及用户对模型的观感。
进一步地，处理器910，用于对第一图像数据进行色彩增强；
处理器910，还用于对第一图像数据进行校正白平衡；
处理器910，还用于对第一图像数据进行去噪处理；
处理器910，还用于对第一图像数据进行超分辨率处理。
本申请实施例中通过对第一图像数据进行色彩增强处理、校正白平衡处理、去噪处理以及超分辨率处理中的一项或多项，以得到第二图像数据，保证了第二图像数据的画质较高，并且上述处理均能够自动进行，无需用户手动操作，简化了用户的操作步骤。
进一步地，处理器910，用于识别第一图像数据中的第一色彩区间和第二色彩区间；
处理器910，用于滤除第一图像数据中的第一色彩区间内的颜色；
处理器910，用于通过第二色彩区间内的颜色，调整第一图像数据的颜色；
处理器910，用于提高第一图像数据的明度。
本申请实施例中，在对第一图像数据进行色彩增强处理过程中，去除了比例小且色差大的极端颜色，并通过其余颜色对第一图像数据中滤除颜色的部分重新进行填充，减小了第一图像数据中的色差。在调整颜色之后，还提高第一图像数据，从而有效提升了第一图像数据的亮度细节。
进一步地，处理器910，用于获取第一图像数据的明度对应的第一调整函数；
处理器910，用于通过第一调整函数，提高第一图像数据的明度。
本申请实施例中，在调整第一图像数据的明度的过程中，设置了为幂函数的第一调整函数，对第一图像数据的明度进行调整。实现了在能够有效提升第一图像数据的明度细节的同时，而不影响第一图像数据的亮区和暗区。
进一步地，处理器910，用于获取第一图像数据的明度对应的第二调整函数；
处理器910，用于通过第二调整函数，计算明度校正值；
处理器910，用于通过明度校正值，调整第一图像数据的明度，以对第一图像数据的白平衡进行调整。
本申请实施例中通过设置第二调整函数能够计算得到对第一图像数据调整明度的明度校正值，通过明度校正值对第一图像进行白平衡校正处理，实现了在无需人工手动设置明度校正值的情况下，自动生成与第一图像数据相对应的明度校正值，并对第一图像数据根据该明度校正值进行校正白平衡处理，简化了人工操作的同时，避免了第一图像数据中的高光部分和暗调部分被过度扩展或压缩。
进一步地，处理器910，用于对第二图像数据配置滤镜；
处理器910，用于对配置滤镜后的第二图像数据配置灯光信息。
本申请实施例中，在将第二图像数据配置到房屋模型之前，自动对第二图像进行配置滤镜以及灯光信息，减少了对房屋模型的后期处理，简化了操作。
进一步地，处理器910，用于将第二图像数据输入至第二识别模型，以确定第二图像数据的滤镜信息；
处理器910，用于根据滤镜信息查找对应的第一滤镜文件；
处理器910，用于通过第一滤镜文件，对第二图像配置滤镜。
本申请实施例通过第二识别模型能够识别第二图像数据的滤镜信息，并据此查找对应的第一滤镜文件，自动将第一滤镜文件配置在第二图像数据中。实现了无需用户手动对第二图像数据进行处理，就能够根据第二图像数据的风格类别配置相应的滤镜。
进一步地，处理器910，用于响应于针对第二图像数据的滤镜调整输入，选择第二滤镜文件；
处理器910，用于根据第二滤镜文件，对第二图像数据配置滤镜。
本申请实施例中，在系统自动对第二图像数据配置滤镜之后，工作人员能够根据实际需求对配置完成的滤镜进行调整更换，提高了配置滤镜的自由度和便捷性。
进一步地，处理器910，用于获取灯光数据；
处理器910，用于根据灯光数据，调整第二图像数据中至少两个像素点的显示参数。
本申请实施例中，在将第二图像数据配置到房屋模型之前，工作人员能够对第二图像数据配置灯光信息，进一步提高用户对房屋模型的观感。
应理解的是，本申请实施例中，输入单元904可以包括图形处理器(GraphicsProcessing Unit，GPU)9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器909可以包括易失性存储器或非易失性存储器，或者，存储器909可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。
处理器910可包括一个或多个处理单元；可选的，处理器910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涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。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910中。
本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述房屋模型的展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述房屋模型的展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述房屋模型的展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (12)

1.一种房屋模型的展示方法，其特征在于，包括：
获取所述房屋模型中的第一图像数据；
将所述第一图像数据输入至第一识别模型，确定所述第一图像数据的类别，所述第一图像数据的类别与所述第一图像数据的画质相关联；
在所述第一图像数据的类别为预设类别的情况下，对所述第一图像数据进行图像增强处理，以得到第二图像数据；
将所述第二图像数据配置到所述房屋模型中，进行模型渲染展示。
2.根据权利要求1所述的房屋模型的展示方法，其特征在于，所述对所述第一图像数据进行图像增强处理，包括以下一项或组合：
对所述第一图像数据进行色彩增强；
对所述第一图像数据进行校正白平衡；
对所述第一图像数据进行去噪处理；
对所述第一图像数据进行超分辨率处理。
3.根据权利要求2所述的房屋模型的展示方法，其特征在于，所述对所述第一图像数据进行色彩增强，包括：
识别所述第一图像数据中的第一色彩区间和第二色彩区间；
滤除所述第一图像数据中的所述第一色彩区间内的颜色；
通过所述第二色彩区间内的颜色，调整所述第一图像数据的颜色；
提高所述第一图像数据的明度。
4.根据权利要求3所述的房屋模型的展示方法，其特征在于，所述提高所述第一图像数据的明度，包括：
获取所述第一图像数据的明度对应的第一调整函数；
通过所述第一调整函数，提高所述第一图像数据的明度。
5.根据权利要求2所述的房屋模型的展示方法，其特征在于，所述对所述第一图像数据进行校正白平衡，包括：
获取所述第一图像数据的明度对应的第二调整函数；
通过所述第二调整函数，计算明度校正值；
通过所述明度校正值，调整所述第一图像数据的明度，以对所述第一图像数据的白平衡进行调整。
6.根据权利要求1至5中任一项所述的房屋模型的展示方法，其特征在于，所述在将所述第二图像数据配置到所述房屋模型中，进行模型渲染展示之前，还包括：
对所述第二图像数据配置滤镜；
对配置滤镜后的所述第二图像数据配置灯光信息。
7.根据权利要求6所述的房屋模型的展示方法，其特征在于，所述对所述第二图像数据配置滤镜，包括：
将所述第二图像数据输入至第二识别模型，以确定所述第二图像数据的滤镜信息；
根据所述滤镜信息查找对应的第一滤镜文件；
通过所述第一滤镜文件，对所述第二图像数据配置滤镜。
8.根据权利要求7所述的房屋模型的展示方法，其特征在于，所述通过所述滤镜文件，对所述第二图像数据配置滤镜之后，还包括：
响应于针对所述第二图像数据的滤镜调整输入，选择第二滤镜文件；
根据所述第二滤镜文件，对所述第二图像数据配置滤镜。
9.根据权利要求6所述的房屋模型的展示方法，其特征在于，所述对配置滤镜后的所述第二图像数据配置灯光信息，包括：
获取灯光数据；
根据所述灯光数据，调整所述第二图像数据中至少两个像素点的显示参数。
10.一种房屋模型的展示装置，其特征在于，应用于虚拟现实设备，包括：
获取模块，用于获取所述房屋模型中的第一图像数据；
识别模块，用于将所述第一图像数据输入至第一识别模型，确定所述第一图像数据的类别，所述第一图像数据的类别与所述第一图像数据的画质相关联；
处理模块，用于在所述第一图像数据的类别为预设类别的情况下，对所述第一图像数据进行图像增强处理，以得到第二图像数据；
展示模块，用于将所述第二图像数据配置到所述房屋模型中，进行模型渲染展示。
11.一种电子设备，其特征在于，包括：
存储器，其上存储有程序或指令；
处理器，用于执行所述程序或指令时实现如权利要求1至9中任一项所述的房屋模型的展示方法的步骤。
12.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至9中任一项所述的房屋模型的展示方法的步骤。
CN202210317239.6A 2022-03-29 2022-03-29 房屋模型的展示方法、装置、电子设备和可读存储介质 Active CN114638951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210317239.6A CN114638951B (zh) 2022-03-29 2022-03-29 房屋模型的展示方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210317239.6A CN114638951B (zh) 2022-03-29 2022-03-29 房屋模型的展示方法、装置、电子设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN114638951A true CN114638951A (zh) 2022-06-17
CN114638951B CN114638951B (zh) 2023-08-15

Family

ID=81951809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210317239.6A Active CN114638951B (zh) 2022-03-29 2022-03-29 房屋模型的展示方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN114638951B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019195663A1 (en) * 2018-04-05 2019-10-10 Starry, Inc. System and method for facilitating installation and configuration of network devices
CN110766780A (zh) * 2019-11-06 2020-02-07 北京无限光场科技有限公司 渲染房间图像的方法、装置、电子设备及计算机可读介质
CN111428298A (zh) * 2020-03-24 2020-07-17 重庆昊廷众诚实业有限公司 一种基于ar虚拟现实技术的室内装修设计方法及系统
CN111652675A (zh) * 2020-05-18 2020-09-11 北京字节跳动网络技术有限公司 展示方法、装置和电子设备
CN112651064A (zh) * 2019-12-19 2021-04-13 江苏艾佳家居用品有限公司 一种结合cg家装可视化方案实现风格化的方法
CN113297937A (zh) * 2021-05-17 2021-08-24 杭州朗和科技有限公司 一种图像处理方法、装置、设备及介质
WO2021204202A1 (zh) * 2020-04-10 2021-10-14 华为技术有限公司 图像自动白平衡的方法及装置
WO2022007862A1 (zh) * 2020-07-08 2022-01-13 华为技术有限公司 图像处理方法、系统、电子设备及计算机可读存储介质
CN114092452A (zh) * 2021-11-25 2022-02-25 深圳市华胜软件技术有限公司 增强图像视觉效果的方法、装置、存储介质及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019195663A1 (en) * 2018-04-05 2019-10-10 Starry, Inc. System and method for facilitating installation and configuration of network devices
CN110766780A (zh) * 2019-11-06 2020-02-07 北京无限光场科技有限公司 渲染房间图像的方法、装置、电子设备及计算机可读介质
CN112651064A (zh) * 2019-12-19 2021-04-13 江苏艾佳家居用品有限公司 一种结合cg家装可视化方案实现风格化的方法
CN111428298A (zh) * 2020-03-24 2020-07-17 重庆昊廷众诚实业有限公司 一种基于ar虚拟现实技术的室内装修设计方法及系统
WO2021204202A1 (zh) * 2020-04-10 2021-10-14 华为技术有限公司 图像自动白平衡的方法及装置
CN111652675A (zh) * 2020-05-18 2020-09-11 北京字节跳动网络技术有限公司 展示方法、装置和电子设备
WO2022007862A1 (zh) * 2020-07-08 2022-01-13 华为技术有限公司 图像处理方法、系统、电子设备及计算机可读存储介质
CN113297937A (zh) * 2021-05-17 2021-08-24 杭州朗和科技有限公司 一种图像处理方法、装置、设备及介质
CN114092452A (zh) * 2021-11-25 2022-02-25 深圳市华胜软件技术有限公司 增强图像视觉效果的方法、装置、存储介质及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FABIO BIANCONI等: ""Automated design and modeling for mass-customized housing. A web-based design space catalog for timber structures"", 《AUTOMATION IN CONSTRUCTION》, vol. 103, pages 13 - 25, XP085662156, DOI: 10.1016/j.autcon.2019.03.002 *
赵莎;郑文武;: "遥感影像房屋自动提取", 科学技术创新, no. 04 *

Also Published As

Publication number Publication date
CN114638951B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN109951627B (zh) 图像处理方法、装置、存储介质及电子设备
DE102019213184A1 (de) Verfahren und system zum automatischen weissabgleich auf basis von tiefem lernen
CN107204034B (zh) 一种图像处理方法及终端
CN106815803B (zh) 图片的处理方法及装置
US9258458B2 (en) Displaying an image with an available effect applied
US20150109303A1 (en) Systems and methods for computational lighting
CN108024105A (zh) 图像色彩调节方法、装置、电子设备及存储介质
CN109064525A (zh) 一种图片格式转换方法、装置、设备和存储介质
CN113052923B (zh) 色调映射方法、装置、电子设备和存储介质
CN113132696A (zh) 图像色调映射方法、装置、电子设备和存储介质
CN112365861A (zh) 显示画面调整方法、电子设备及计算机可读存储介质
CN110751668B (zh) 图像处理方法、装置、终端、电子设备及可读存储介质
CN110473156B (zh) 图像信息的处理方法、装置、存储介质及电子设备
CN114758054A (zh) 光斑添加方法、装置、设备及存储介质
CN114820292A (zh) 图像合成方法、装置、设备及存储介质
CN109658360B (zh) 图像处理的方法、装置、电子设备和计算机存储介质
CN112511890A (zh) 视频图像处理方法、装置及电子设备
CN114638951B (zh) 房屋模型的展示方法、装置、电子设备和可读存储介质
CN111476731A (zh) 图像矫正方法、装置、存储介质及电子设备
CN114782692A (zh) 房屋模型的修复方法、装置、电子设备和可读存储介质
CN114119392A (zh) 图像处理方法、装置和电子设备
CN114327166A (zh) 图像处理方法、装置、电子设备及可读存储介质
KR101580034B1 (ko) 모바일 단말기를 이용한 색채추출 및 저장방법
CN102654919B (zh) 图像加工装置及图像加工方法
CN114782261B (zh) 图像处理方法和装置、电子设备和可读存储介质

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
GR01 Patent grant
GR01 Patent grant