CN115170407A - 图像处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
图像处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115170407A CN115170407A CN202210658020.2A CN202210658020A CN115170407A CN 115170407 A CN115170407 A CN 115170407A CN 202210658020 A CN202210658020 A CN 202210658020A CN 115170407 A CN115170407 A CN 115170407A
- Authority
- CN
- China
- Prior art keywords
- gray
- gray point
- point
- color
- original 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 title claims description 33
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000007935 neutral effect Effects 0.000 claims abstract description 19
- 239000003086 colorant Substances 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Abstract
本申请实施例提供了一种图像处理方法、装置、电子设备及计算机可读存储介质,涉及白平衡调整技术领域。该方法包括:确定原始图像中的至少一个灰点;灰点为表征原始图像中属于中性色的像素点;根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。本申请实施例通过原始图像中的灰点计算图像的白平衡增益值,提高了白平衡矫正效果的鲁棒性。
Description
技术领域
本申请涉及白平衡调整技术领域,具体而言,本申请涉及一种图像处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着图像采集和处理技术的发展,图像传感器、图像拍摄装置的应用也越来越广泛,人们对图像质量的要求也日益提高。在进行图像的采集或拍摄过程中,由于光线或角度的影响,所得到的图像有可能存在偏色现象,例如在抓拍照片时,反射光线的干扰,或者不正确的显影、扫描等方式,都会使图像产生偏色。
白平衡是描述显示器中红、绿、蓝三基色混合后生成白色精确度的一项指标。图像白平衡的特点为在任何光源下,都能将白色物体还原为白色;针对在特定光源下拍摄时出现的偏色现象,白平衡调整可以通过加强对应的补色来进行补偿。
在对混合色温场景的图像进行白平衡调整时,现有技术通常先划分色温区域,再利用现有的单一色温平衡算法对各个色温区域进行白平衡调整;该方法对色温区域的划分比较粗糙,容易受到大面积色块以及高亮区域等的影响,难以找到准确的白平衡增益值,存在图像偏色矫正效果不佳的问题。
发明内容
本申请实施例提供了一种图像方法、装置、电子设备及计算机可读存储介质,可以解决现有技术中白平衡增益值不准确导致的图像偏色矫正效果不佳的问题。所述技术方案如下:
根据本申请实施例的一个方面,提供了一种图像方法,该方法包括:
确定原始图像中的至少一个灰点;灰点为表征原始图像中属于中性色的像素点;
根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;
根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
可选的,上述确定原始图像中的至少一个灰点,包括:
将原始图像的各个像素点的第一颜色空间的颜色信息进行色域转换,得到各个像素点的第二颜色空间的颜色信息;
根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点。
可选的,上述原始图像包括不存在重叠区域的多个子图像;
上述根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点,包括:
根据各个像素点的第二颜色空间的颜色信息,从各个像素点中筛选出候选灰点;
根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点。
可选的,上述根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点,包括:
针对每个子图像,根据子图像中的各个候选灰点的第一颜色空间的颜色信息的平均值,确定子图像的平均像素点;
将各个子图像的平均像素点,作为各个子图像对应的灰点。
可选的,上述根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,包括:
对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值;
根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值。
可选的,上述根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值,包括:
根据每个灰点簇所包括灰点的数量,确定每个灰点簇的权重;
根据权重对每个灰点簇的局部增益值进行加权,得到原始图像的白平衡增益值。
可选的,上述对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值,包括:
针对每个灰点簇,基于灰点簇中的各个灰点构建直方图;其中,直方图的横坐标表征各个灰点的色温信息,直方图的纵坐标表征各个灰点的亮度信息;
根据直方图计算灰点簇的局部增益值。
可选的,上述根据直方图计算灰点簇的局部增益值,包括:
确定直方图中的最大列向量;
根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值。
可选的,上述根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值,包括:
将最大列向量所包括的各个灰点的第一颜色空间的颜色信息的平均值,作为灰点簇的光源信息;
根据光源信息中各颜色通道的占比,确定灰点簇的局部增益值。
根据本申请实施例的另一个方面,提供了一种图像处理装置,该装置包括:
确定模块,用于确定原始图像中的至少一个灰点;灰点为表征原始图像中属于中性色的像素点;
分类模块,用于根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;
计算模块,用于根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
可选的,上述确定模块在确定原始图像中的至少一个灰点时,用于:
将原始图像的各个像素点的第一颜色空间的颜色信息进行色域转换,得到各个像素点的第二颜色空间的颜色信息;
根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点。
可选的,上述原始图像包括不存在重叠区域的多个子图像;
上述确定模块在根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点时,用于:
根据各个像素点的第二颜色空间的颜色信息,从各个像素点中筛选出候选灰点;
根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点。
可选的,上述确定模块在根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点时,用于:
针对每个子图像,根据子图像中的各个候选灰点的第一颜色空间的颜色信息的平均值,确定子图像的平均像素点;
将各个子图像的平均像素点,作为各个子图像对应的灰点。
可选的,上述计算模块在根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值时,用于:
对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值;
根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值。
可选的,上述计算模块在根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值时,用于:
根据每个灰点簇所包括灰点的数量,确定每个灰点簇的权重;
根据权重对每个灰点簇的局部增益值进行加权,得到原始图像的白平衡增益值。
可选的,上述计算模块在对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值时,用于:
针对每个灰点簇,基于灰点簇中的各个灰点构建直方图;其中,直方图的横坐标表征各个灰点的色温信息,直方图的纵坐标表征各个灰点的亮度信息;
根据直方图计算灰点簇的局部增益值。
可选的,上述计算模块在根据直方图计算灰点簇的局部增益值时,用于:
确定直方图中的最大列向量;
根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值。
可选的,上述计算模块在根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值时,用于:
将最大列向量所包括的各个灰点的第一颜色空间的颜色信息的平均值,作为灰点簇的光源信息;
根据光源信息中各颜色通道的占比,确定灰点簇的局部增益值。
根据本申请实施例的另一个方面,提供了一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上的计算机程序,上述处理器执行计算机程序以实现本申请实施例第一方面所示方法的步骤。
根据本申请实施例的再一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例第一方面所示方法的步骤。
根据本申请实施例的一个方面,提供了一种计算机程序产品,其包括计算机程序,该计算机程序被处理器执行时实现本申请实施例第一方面所示方法的步骤。
本申请实施例提供的技术方案带来的有益效果是:
本申请实施例通过原始图像中的至少一个灰点的颜色信息,对各个灰点进行分类,得到原始图像对应的多个灰点簇;其中灰点为表征原始图像中属于中性色的像素点,其可以指示原始图像的亮度信息。接着根据各个灰点簇和各个灰点的色温信息,计算原始图像的白平衡增益值,以便根据白平衡增益值对原始图像进行白平衡调整,获取目标图像。本申请实施例实现了基于灰点计算图像的白平衡增益值,相比于现有技术中基于图像的粗粒度的色温区域获取白平衡增益值,本申请中充分考虑了各个灰点的颜色信息和色温信息,其计算的白平衡增益更加精准,提升了白平衡调整的可靠性;同时,本申请中可以基于灰点颜色信息的聚类即灰点簇,识别出各个灰点的色温类型,达到基于混合色温场景的白平衡调整,提高了白平衡矫正效果的鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种图像处理方法的应用场景示意图;
图2为本申请实施例提供的一种图像处理方法的流程示意图;
图3为本申请实施例提供的一种图像处理方法中获取灰点的流程示意图;
图4为本申请实施例提供的一种图像处理方法中计算白平衡增益值的流程示意图;
图5为本申请实施例提供的一个示例的图像处理方法的流程示意图;
图6为本申请实施例提供的一种图像处理装置的结构示意图;
图7为本申请实施例提供的一种图像处理电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”可以实现为“A”,或者实现为“B”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在不同的光线照射下,人眼对相同颜色的感觉基本保持恒定不变的,比如无论是在旭日初升的早晨还是在夜晚昏暗的灯光下,人眼看一个白色的物体时,都可以感知它是白色的。这是由于人类在不断的生长过程中,人的大脑已经适应了不同光线下的物体的颜色。正是由于这种独特的适应性,人的大脑可以侦测并且更正不同光照下的色彩变更,因此不论在阳光、室内、阴影、或荧光下,人们所看到的白色物体颜色仍旧为白色。但是,图像传感器没有这种适应性,由于图像传感器在不同的光照条件下输出的不平衡性,导致传感器输出会出现色彩失真,造成图像偏红,或者偏蓝的不良后果。为了使传感器的输出与人的视觉标准更加贴近,就必须通过仿造人类大脑的行为,并能根据光线的变化来调整色彩,来达到令人满意的色彩。自动白平衡就是针对不同色温条件下,通过信息统计,算法计算自动调整图像颜色,消除偏色,使拍摄出来的图像更接近人眼的视觉习惯。
发明人发现,在进行白平衡调整时,目前较为常用的做法是将场景假设成单一色温场景,计算得到的增益作为每个像素的增益,但是实际场景中经常会遇到混合色温场景,即图像包含两个或多个色温,如果直接采用目前的单一色温增益方式进行白平衡处理,白平衡增益的结果容易偏向于像素数量比重大的色温区域,这样会导致图像中其它色温下的像素偏色严重。
随着技术的发展,人们已经掌握了不同的白平衡技术,来识别色温场景,改善偏色问题。但是对于混合色温场景的识别和处理还不够完善,当前的方法主要分为三类:一是使用灰度世界的算法;二是更倾向于高或者低的全局校正;三是把灰区根据色温段分割为若干份,来识别区分混合色温场景,然后进行白平衡增益校正,但是这些方法在混合色温场景的处理都无法满足人们对图像高质量的要求。
本申请提供的图像处理方法、装置、电子设备及计算机可读存储介质,旨在解决现有技术的如上技术问题。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
如图1所示,本申请的图像处理方法,可以应用于图1所示的场景中,具体的,服务器可以从客户端获取原始图像,然后对原始图像进行灰点检测,得到至少一个灰点,其中灰点为表征原始图像中属于中性色的像素点;服务器根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;并根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,服务器在得到白平衡增益值之后,可以将白平衡增益值发送给客户端,以便客户端根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
图1所示的场景中,上述图像处理方法可以在服务器中进行,在其他的场景中,也可以在终端中进行。
本技术领域技术人员可以理解,这里所使用的“终端”可以是手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、MID(Mobile Internet Device,移动互联网设备)等;“服务器”可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例中提供了一种图像处理方法,如图2所示,可以应用于进行图像处理的服务器或终端,该方法包括:
S201,确定原始图像中的至少一个灰点。
其中,灰点为表征原始图像中属于中性色的像素点。原始图像的像素点数据可以是根据原始图像编码数据进行格式转换得到的。
上述中性色又称为无彩色系,指由黑色、白色及由黑白调和的各种深浅不同的灰色系列,中性色不属于冷色调也不属于暖色调。黑白灰是常用到的三大中性色。在本申请中,可以用中性色可以指示图像的亮度信息。根据灰点对原始图像进行检测,避免了原始图像中存在的过曝区域或多噪点的影响,提升后续计算白平衡增益值的准确性。
具体的,用于进行图像处理的服务器或终端,可以对原始图像中各个像素点的颜色信息进行检测,确定原始图像中的至少一个灰点。
在一些实施方式中,用于进行图像处理的服务器或终端,可以根据预设检测条件对原始图像中各个像素点的颜色信息进行逐点判断,当该像素点的颜色信息满足上述检测条件,则将该像素点作为灰点。其中,上述检测条件用于判断像素点的颜色信息是否属于中性色。
在另一些实施方式中,用于进行图像处理的服务器或终端,可以将原始图像进行分块,得到多个不重叠的子图像,然后分别对各个子图像进行灰点检测,并确定每个子图像对应的灰点;其中,每个子图像对应的灰点可以表征该子图像的亮度信息。
S202,根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇。
其中,第一颜色空间可以是RGB(红绿蓝)三原色空间。
具体的,用于进行图像处理的服务器或终端,可以根据各个灰点的三原色数据对各个灰点进行聚类,得到多个灰点簇。
在本申请实施例中,可以基于聚类算法对所有灰点进行分类。其中,聚类算法可以为mean-shift(均值偏移)算法,其分类步骤可以包括:
在所有灰点中随机确定一个中心点,并确定与该中心点的距离不超过预设距离的多个备选灰点;接着计算中心点与各个备选灰点的偏移向量,根据所有备选灰点所对应的偏移向量确定中心点的移动距离,基于上述移动距离迭代更新上述中心点,直至偏移向量满足收敛条件,此时迭代时所访问的所有灰点属于同一个灰点簇。
本申请实施例针对灰点进行分类,得到多个灰点簇,其中,每一灰点簇可以表征原始图像中的一种色温类型,当原始图像为混合色温图像时,可以准确的基于各个色温类型计算原始图像的白平衡增益值,提升了白平衡调整的适应性和鲁棒性。
S203,根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
具体的,用于进行图像处理的服务器或终端,可以针对每一灰点簇中的灰点的进行色温信息的统计,得到统计信息,并根据统计信息计算白平衡增益值,进而根据白平衡增益值对原始图像的各个像素点进行白平衡调整,获得目标图像。
本申请实施例通过原始图像中的至少一个灰点的颜色信息,对各个灰点进行分类,得到原始图像对应的多个灰点簇;其中灰点为表征原始图像中属于中性色的像素点,其可以指示原始图像的亮度信息。接着根据各个灰点簇和各个灰点的色温信息,计算原始图像的白平衡增益值,以便根据白平衡增益值对原始图像进行白平衡调整,获取目标图像。本申请实施例实现了基于灰点计算图像的白平衡增益值,相比于现有技术中基于图像的粗粒度的色温区域获取白平衡增益值,本申请中充分考虑了各个灰点的颜色信息和色温信息,其计算的白平衡增益更加精准,提升了白平衡调整的可靠性;同时,本申请中可以基于灰点颜色信息的聚类即灰点簇,识别出各个灰点的色温类型,达到基于混合色温场景的白平衡调整,提高了白平衡矫正效果的鲁棒性。
本申请实施例中提供了一种可能的实现方式,上述步骤S201中确定原始图像中的至少一个灰点之前,包括:
(1)用于进行图像处理的服务器或终端,可以通过图像采集设备如照相机获取原始图像的编码数据,原始图像可以是图像采集设备连续采集的若干图像中的一帧图像。
上述原始图像的编码数据可以是Bayer格式数据。Bayer格式数据,由1/2的G像素,1/4的R像素,1/4的B像素组成,Bayer格式数据中每一个像素仅仅包括了光谱的一部分,常见的Bayer格式图片有RGGB、BGGR、GRBG、GBRG四种不同的分布。
(2)用于进行图像处理的服务器或终端,可以采用线性差值法根据原始图像的Bayer格式数据,获取每个像素点的三原色颜色信息即RGB数据。线性插值法对像素点的处理如下:
当一个绿色(G)像素点上缺失蓝色(B)和红色(R)分量时,该像素点的红色(R)和蓝色(B)分量由距离该绿色像素点最近的两个红色(R)和蓝色(B)像素点求平均确定。
当求一个红色(R)像素点上的蓝色(B)分量,可以由最近的4个蓝色像素点求平均确定。
当求一个蓝色(B)像素点上的红色(R)分量,可以用最近的4个红色像素点求平均确定。
当求红色(R)和蓝色(B)像素点上的绿色(G)分量,可以由最近的4个绿色像素点求平均确定。
当原像素点为边缘像素,则根据镜像原理补边处理。
本申请实施例中提供了一种可能的实现方式,上述步骤S201中确定原始图像中的至少一个灰点,包括:
(1)将原始图像的各个像素点的第一颜色空间的颜色信息进行色域转换,得到各个像素点的第二颜色空间的颜色信息。
具体的,用于进行图像处理的服务器或终端,可以根据预设的颜色空间转换公式,将原始图像的各个像素点的第一颜色空间的颜色信息,转换为各个像素点的第二颜色空间的颜色信息。
其中,上述第一颜色空间可以是RGB三原色空间,第二颜色空间可以是YCbCr(Y指示光亮度,Cb和Cr分别指示蓝色和红色的浓度偏移量)色彩空间。具体的,颜色空间的转换公式如下:
上述公式(1)中,R、G、B为RGB三原色空间中各通道的颜色信息;Y、Cb、Cr为YCbCr色彩空间中各通道的颜色信息;上述空间转换矩阵可以由实际应用中的实验值确定。
(2)根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点。
具体的,用于进行图像处理的服务器或终端,可以根据各个像素点的第二颜色空间的颜色信息设置灰点的筛选条件,并根据筛选条件对各个像素点进行筛选,得到至少一个灰点。
其中,灰点的筛选条件可以如下所示:
在本申请实施例的一些实施方式中,可以基于上述方式对原始图像的每一像素点进行逐点检测,并根据检测得到的所有灰点进行后续的处理;
在本申请实施例的另一些实施方式中,可以对原始图像进行分块处理,获得多个子图像,并确定每个子图像对应的灰点;其中,子图像和灰点是一一对应的关系。通过图像分块可以减少像素点的计算冗余度,提升图像处理的效率。具体的图像分块的处理方式,将在下文详细介绍。
本申请实施例中提供了一种可能的实现方式,当上述原始图像包括不存在重叠区域的多个子图像;
上述根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点,包括:
a、根据各个像素点的第二颜色空间的颜色信息,从各个像素点中筛选出候选灰点。
具体的,用于进行图像处理的服务器或终端,可以采用预设的灰点筛选条件根据各个像素点的第二颜色空间的颜色信息,对各个像素点进行筛选,得到候选灰点。具体的筛选条件如上文公式(2)所示,在此不再赘述。
b、根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点。
具体的,如图3所示,用于进行图像处理的服务器或终端,可以针对每一子图像,将子图像所包括的各个候选灰点的RGB颜色数据进行平均化,得到该子图像所对应的一灰点。详细的步骤将在下文详细说明:
本申请实施例中提供了一种可能的实现方式,上述根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点,包括:
b1、针对每个子图像,根据子图像中的各个候选灰点的第一颜色空间的颜色信息的平均值,确定子图像的平均像素点;
b2、将各个子图像的平均像素点,作为各个子图像对应的灰点。
在本申请实施例中,用于进行图像处理的终端或服务器,可以获取每个子图像中所包括的所有候选灰点的RGB三通道颜色数据,然后根据该子图像中候选灰点的数量,计算上述RGB三通道颜色数据的平均值,将上述平均值作为子图像对应灰点的颜色信息。
本申请实施例中提供了一种可能的实现方式,上述步骤S203中根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,包括:
(1)对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值。
具体的,用于进行图像处理的服务器或终端,可以根据每个灰点的第一颜色空间的颜色信息即RGB值计算该灰点的色温;然后根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值。
在一些实施方式中,用于进行图像处理的服务器或终端,可以将每个灰点的第一颜色空间的颜色信息,转化到CIE1931xyY色度空间;由于许多自然光源和人工光源具有与普朗克曲线上特定色度重合或非常接近的色度;而在CIE1931xyY色度空间中,每个色温在普朗克曲线上都有一对独特的x、y色度坐标。因此,可以通过参考普朗克色温来确定各个像素点的光源信息,即色温信息。
首先,可以通过如下色度空间转换公式得到CIE1931xyY色度空间中的色度坐标x和y,其中色度空间转换公式如下所示:
Y为对应灰点的亮度信息;R、G、B为对应灰点的三原色数据。
其次,可以通过色温计算公式(5)计算各个灰点的色温。
其中,公式(5)中的计算参量可以由色温转换实验测得,可以有如下取值:
n=(x-xe)/(y-ye)
xe=0.3366
ye=0.1735
A0=-949.86315
A1=6253.80338
A2=28.70599
A3=0.00004
t1=0.92159
t2=0.20039
t3=0.07125
本申请实施例中提供了一种可能的实现方式,上述对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值,包括:
a、针对每个灰点簇,基于灰点簇中的各个灰点构建直方图;其中,直方图的横坐标表征各个灰点的色温信息,直方图的纵坐标表征各个灰点的亮度信息。
在本申请实施例中,为了根据直方图生成一个准确的、便于识别的色温采样曲线,可以对色温T转化MIRED(微倒度)尺度,即实现如下公式(6)的转换:
同时,可以将上述TMired作为直方图的横坐标,并根据每个灰点的亮度值Y计算该灰点的贡献值Ya,将Ya作为直方图的纵坐标。其中,a为正整数,在本实施例中可以根据实际应用取值为a=3。基于上述取值,可以基于直方图重点关注原始图像中亮度高的像素点,并限制亮度低的像素点的影响。例如,可以根据一个灰点簇,确定一直方图中有40组灰点,即bins=40,直方图横轴范围为2000K-10000K,组距为200K;直方图的纵轴为每个色温范围的总贡献值,等于每个落入该色温范围灰点的贡献的加权累加和。
b、根据直方图计算灰点簇的局部增益值。
本申请实施例中提供了一种可能的实现方式,上述根据直方图计算灰点簇的局部增益值,包括:
b1、确定直方图中的最大列向量。
具体的,可以从直方图中的各组bin中获取各灰点的贡献值的累加和最高的灰点组,即最大列向量。
b2、根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值。
本申请实施例中提供了一种可能的实现方式,上述根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值,包括:
b21、将最大列向量所包括的各个灰点的第一颜色空间的颜色信息的平均值,作为灰点簇的光源信息。
其中,灰点簇的光源信息可以表征灰点簇对应的色温类型。
在本申请实施例中,灰点簇的光源信息可以包括R_weight,G_weight,B_weight三通道的颜色值,可以根据如下公式(7)计算得到:
其中,Ri、Gi、Bi为直方图的最大列向量中第i个灰点的R、G、B值,M为对应灰点簇中灰点的数量,M为正整数。
当对原始图像进行分块,counti为第i个灰点所对应的子图像块在灰点检测阶段得到的候选灰点个数;当对原始图像不进行图像分块,counti=1。
b22、根据光源信息中各颜色通道的占比,确定灰点簇的局部增益值。
在本申请实施例中,各个灰点簇的局部增益值包括红色通道的白平衡增益和蓝色通道的白平衡增益;可由如下公式计算得到:
R_gainj=G_weight/R_weight; (8)
B_gainj=G_weight/B_weight (9)
其中,j为正整数,指示灰点簇的数量。R_gainj为第j个灰点簇对应的红色通道的白平衡增益,B_gainj为第j个灰点簇对应的蓝色通道的白平衡增益。
(2)根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值。
本申请实施例中提供了一种可能的实现方式,上述根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值,包括:
a、根据每个灰点簇所包括灰点的数量,确定每个灰点簇的权重。
在本申请实施例中,可以分别根据各个灰点簇中所包括灰点的数量,与原始图像中所有灰点的总数量的比值,计算每个灰点簇的权重;
b、根据权重对每个灰点簇的局部增益值进行加权,得到原始图像的白平衡增益值。
在本申请实施例中,原始图像的白平衡增益值可以包括红色通道增益值R_gain和蓝色通道增益值B_gain,可由如下公式计算得到:
其中,wj为第j个灰点簇的权重,R为灰点簇的总数量,R_gainj为第j个灰点簇对应的红色通道的白平衡增益,B_gainj为第j个灰点簇对应的蓝色通道的白平衡增益。
在本申请实施例中,计算得到原始图像的白平衡增益值之后,可以采用白平衡增益值,对原始图像进行逐像素点的白平衡调整,其调整方法如下:
当原始图像的白平衡增益值包括红色通道增益值R_gain和蓝色通道增益值B_gain,可以通过上述增益值对原始图像的RGrGbB颜色数据进行矫正,因为R、G、B各颜色通道是相互独立的,可以基于如下校正公式对原始图像进行白平衡调整:
其中,RGrGbB为原始图像中各像素点的原始颜色数据,R′Gr′Gb′B′为经过白平衡调整后的各像素点的颜色数据。
为了更好的理解上述图像处理方法,下面结合图4和图5详细阐述一个本申请的图像处理方法的示例,该方法包括如下步骤:
S501,通过图像采集设备获取原始图像的编码数据。
其中,上述原始图像的编码数据可以是Bayer格式数据
S502,采用线性差值法根据原始图像的Bayer格式数据,获取每个像素点的三原色颜色信息即RGB数据。
S503,将原始图像的各个像素点的RGB颜色信息进行色域转换,得到各个像素点的YCbCr颜色信息。
S504,根据各个像素点的YCbCr颜色信息,从各个像素点中筛选出候选灰点。
S505,将原始图像进行分块,得到不存在重叠区域的多个子图像。
S506,针对每个子图像,根据子图像中的各个候选灰点的RGB颜色信息的平均值,确定子图像的平均像素点;将各个子图像的平均像素点,作为各个子图像对应的灰点。
S507,根据各个灰点的RGB颜色信息,对各个灰点进行分类,得到多个灰点簇。
S508,针对每个灰点簇,基于灰点簇中的各个灰点构建直方图。
其中,直方图的横坐标表征各个灰点的色温信息,直方图的纵坐标表征各个灰点的亮度信息。
S509,根据直方图中的最大列向量所包括的各个灰点的RGB颜色信息,计算灰点簇的局部增益值;
S510,根据每个灰点簇所包括灰点的数量,确定每个灰点簇的权重,根据权重对每个灰点簇的局部增益值进行加权,得到原始图像的白平衡增益值。
本申请实施例通过原始图像中的至少一个灰点的颜色信息,对各个灰点进行分类,得到原始图像对应的多个灰点簇;其中灰点为表征原始图像中属于中性色的像素点,其可以指示原始图像的亮度信息。接着根据各个灰点簇和各个灰点的色温信息,计算原始图像的白平衡增益值,以便根据白平衡增益值对原始图像进行白平衡调整,获取目标图像。本申请实施例实现了基于灰点计算图像的白平衡增益值,相比于现有技术中基于图像的粗粒度的色温区域获取白平衡增益值,本申请中充分考虑了各个灰点的颜色信息和色温信息,其计算的白平衡增益更加精准,提升了白平衡调整的可靠性;同时,本申请中可以基于灰点颜色信息的聚类即灰点簇,识别出各个灰点的色温类型,达到基于混合色温场景的白平衡调整,提高了白平衡矫正效果的鲁棒性。
本申请实施例提供了一种图像处理装置,如图6所示,该图像处理装置60可以包括:确定模块601、分类模块602、和计算模块603;
其中,确定模块601,用于确定原始图像中的至少一个灰点;灰点为表征原始图像中属于中性色的像素点;
分类模块602,用于根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;
计算模块603,用于根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
本申请实施例中提供了一种可能的实现方式,上述确定模块601在确定原始图像中的至少一个灰点时,用于:
将原始图像的各个像素点的第一颜色空间的颜色信息进行色域转换,得到各个像素点的第二颜色空间的颜色信息;
根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点。
本申请实施例中提供了一种可能的实现方式,上述原始图像包括不存在重叠区域的多个子图像;
上述确定模块601在根据各个像素点的第二颜色空间的颜色信息,确定至少一个灰点时,用于:
根据各个像素点的第二颜色空间的颜色信息,从各个像素点中筛选出候选灰点;
根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点。
本申请实施例中提供了一种可能的实现方式,上述确定模块601在根据各个子图像中所包括的候选灰点,确定各个子图像所对应的灰点时,用于:
针对每个子图像,根据子图像中的各个候选灰点的第一颜色空间的颜色信息的平均值,确定子图像的平均像素点;
将各个子图像的平均像素点,作为各个子图像对应的灰点。
本申请实施例中提供了一种可能的实现方式,上述计算模块603在根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值时,用于:
对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值;
根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值。
本申请实施例中提供了一种可能的实现方式,上述计算模块603在根据每个灰点簇的局部增益值,计算原始图像的白平衡增益值时,用于:
根据每个灰点簇所包括灰点的数量,确定每个灰点簇的权重;
根据权重对每个灰点簇的局部增益值进行加权,得到原始图像的白平衡增益值。
本申请实施例中提供了一种可能的实现方式,上述计算模块603在对于每个灰点簇,根据灰点簇中的各个灰点的色温信息计算灰点簇的局部增益值时,用于:
针对每个灰点簇,基于灰点簇中的各个灰点构建直方图;其中,直方图的横坐标表征各个灰点的色温信息,直方图的纵坐标表征各个灰点的亮度信息;
根据直方图计算灰点簇的局部增益值。
本申请实施例中提供了一种可能的实现方式,上述计算模块603在根据直方图计算灰点簇的局部增益值时,用于:
确定直方图中的最大列向量;
根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值。
本申请实施例中提供了一种可能的实现方式,上述计算模块603在根据最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算灰点簇的局部增益值时,用于:
将最大列向量所包括的各个灰点的第一颜色空间的颜色信息的平均值,作为灰点簇的光源信息;
根据光源信息中各颜色通道的占比,确定灰点簇的局部增益值。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例通过原始图像中的至少一个灰点的颜色信息,对各个灰点进行分类,得到原始图像对应的多个灰点簇;其中灰点为表征原始图像中属于中性色的像素点,其可以指示原始图像的亮度信息。接着根据各个灰点簇和各个灰点的色温信息,计算原始图像的白平衡增益值,以便根据白平衡增益值对原始图像进行白平衡调整,获取目标图像。本申请实施例实现了基于灰点计算图像的白平衡增益值,相比于现有技术中基于图像的粗粒度的色温区域获取白平衡增益值,本申请中充分考虑了各个灰点的颜色信息和色温信息,其计算的白平衡增益更加精准,提升了白平衡调整的可靠性;同时,本申请中可以基于灰点颜色信息的聚类即灰点簇,识别出各个灰点的色温类型,达到基于混合色温场景的白平衡调整,提高了白平衡矫正效果的鲁棒性。
本申请实施例中提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现图像处理方法的步骤,与相关技术相比可实现:本申请实施例通过原始图像中的至少一个灰点的颜色信息,对各个灰点进行分类,得到原始图像对应的多个灰点簇;其中灰点为表征原始图像中属于中性色的像素点,其可以指示原始图像的亮度信息。接着根据各个灰点簇和各个灰点的色温信息,计算原始图像的白平衡增益值,以便根据白平衡增益值对原始图像进行白平衡调整,获取目标图像。本申请实施例实现了基于灰点计算图像的白平衡增益值,相比于现有技术中基于图像的粗粒度的色温区域获取白平衡增益值,本申请中充分考虑了各个灰点的颜色信息和色温信息,其计算的白平衡增益更加精准,提升了白平衡调整的可靠性;同时,本申请中可以基于灰点颜色信息的聚类即灰点簇,识别出各个灰点的色温类型,达到基于混合色温场景的白平衡调整,提高了白平衡矫正效果的鲁棒性。
在一个可选实施例中提供了一种电子设备,如图7所示,图7所示的电子设备700包括:处理器701和存储器703。其中,处理器701和存储器703相连,如通过总线702相连。可选地,电子设备700还可以包括收发器704,收发器704可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器704不限于一个,该电子设备700的结构并不构成对本申请实施例的限定。
处理器701可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器701也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线702可包括一通路,在上述组件之间传送信息。总线702可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线702可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器703可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器703用于存储执行本申请实施例的计算机程序,并由处理器701来控制执行。处理器701用于执行存储器703中存储的计算机程序,以实现前述方法实施例所示的步骤。
其中,电子设备包括但不限于:诸如移动电话、笔记本电脑、PAD等等移动终端以及诸如数字TV、台式计算机等等固定终端。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行时实现如下情况:
确定原始图像中的至少一个灰点;灰点为表征原始图像中属于中性色的像素点;
根据各个灰点的第一颜色空间的颜色信息,对各个灰点进行分类,得到多个灰点簇;
根据灰点簇和灰点的色温信息,计算原始图像的白平衡增益值,根据白平衡增益值对原始图像进行白平衡调整,得到目标图像。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必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,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (12)
1.一种图像处理方法,其特征在于,包括:
确定原始图像中的至少一个灰点;所述灰点为表征所述原始图像中属于中性色的像素点;
根据各个灰点的第一颜色空间的颜色信息,对所述各个灰点进行分类,得到多个灰点簇;
根据所述灰点簇和所述灰点的色温信息,计算所述原始图像的白平衡增益值,根据所述白平衡增益值对所述原始图像进行白平衡调整,得到目标图像。
2.根据权利要求1所述的方法,其特征在于,所述确定原始图像中的至少一个灰点,包括:
将所述原始图像的各个像素点的第一颜色空间的颜色信息进行色域转换,得到所述各个像素点的第二颜色空间的颜色信息;
根据所述各个像素点的第二颜色空间的颜色信息,确定至少一个灰点。
3.根据权利要求2所述的方法,其特征在于,所述原始图像包括不存在重叠区域的多个子图像;
所述根据所述各个像素点的第二颜色空间的颜色信息,确定至少一个灰点,包括:
根据所述各个像素点的第二颜色空间的颜色信息,从所述各个像素点中筛选出候选灰点;
根据各个子图像中所包括的候选灰点,确定所述各个子图像所对应的灰点。
4.根据权利要求3所述的方法,其特征在于,所述根据各个子图像中所包括的候选灰点,确定所述各个子图像所对应的灰点,包括:
针对每个子图像,根据所述子图像中的各个候选灰点的第一颜色空间的颜色信息的平均值,确定所述子图像的平均像素点;
将所述各个子图像的平均像素点,作为所述各个子图像对应的灰点。
5.根据权利要求1所述的方法,其特征在于,所述根据所述灰点簇和所述灰点的色温信息,计算所述原始图像的白平衡增益值,包括:
对于每个灰点簇,根据所述灰点簇中的各个灰点的色温信息计算所述灰点簇的局部增益值;
根据每个灰点簇的局部增益值,计算所述原始图像的白平衡增益值。
6.根据权利要求5所述的方法,其特征在于,所述根据每个灰点簇的局部增益值,计算所述原始图像的白平衡增益值,包括:
根据所述每个灰点簇所包括灰点的数量,确定所述每个灰点簇的权重;
根据所述权重对所述每个灰点簇的局部增益值进行加权,得到所述原始图像的白平衡增益值。
7.根据权利要求5所述的方法,其特征在于,所述对于每个灰点簇,根据所述灰点簇中的各个灰点的色温信息计算所述灰点簇的局部增益值,包括:
针对每个灰点簇,基于所述灰点簇中的各个灰点构建直方图;其中,所述直方图的横坐标表征所述各个灰点的色温信息,所述直方图的纵坐标表征所述各个灰点的亮度信息;
根据所述直方图计算所述灰点簇的局部增益值。
8.根据权利要求7所述的方法,其特征在于,所述根据所述直方图计算所述灰点簇的局部增益值,包括:
确定所述直方图中的最大列向量;
根据所述最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算所述灰点簇的局部增益值。
9.根据权利要求8所述的方法,其特征在于,所述根据所述最大列向量所包括的各个灰点的第一颜色空间的颜色信息,计算所述灰点簇的局部增益值,包括:
将所述最大列向量所包括的各个灰点的第一颜色空间的颜色信息的平均值,作为所述灰点簇的光源信息;
根据所述光源信息中各颜色通道的占比,确定所述灰点簇的局部增益值。
10.一种图像处理装置,其特征在于,包括:
确定模块,用于确定原始图像中的至少一个灰点;所述灰点为表征所述原始图像中属于中性色的像素点;
分类模块,用于根据各个灰点的第一颜色空间的颜色信息,对所述各个灰点进行分类,得到多个灰点簇;
计算模块,用于根据所述灰点簇和所述灰点的色温信息,计算所述原始图像的白平衡增益值,根据所述白平衡增益值对所述原始图像进行白平衡调整,得到目标图像。
11.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至9任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658020.2A CN115170407A (zh) | 2022-06-10 | 2022-06-10 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658020.2A CN115170407A (zh) | 2022-06-10 | 2022-06-10 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170407A true CN115170407A (zh) | 2022-10-11 |
Family
ID=83485072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210658020.2A Pending CN115170407A (zh) | 2022-06-10 | 2022-06-10 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170407A (zh) |
-
2022
- 2022-06-10 CN CN202210658020.2A patent/CN115170407A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102346522B1 (ko) | 영상 처리 장치 및 그것의 자동 화이트 밸런싱 방법 | |
US8164649B2 (en) | White balance adjusting device, imaging apparatus, and recording medium storing white balance adjusting program | |
KR100467610B1 (ko) | 디지털 화질 개선 방법 및 장치 | |
US8941755B2 (en) | Image processing device with automatic white balance | |
JP4707450B2 (ja) | 画像処理装置及びホワイトバランス調整装置 | |
US8780225B2 (en) | Use of noise-optimized selection criteria to calculate scene white points | |
KR100955145B1 (ko) | 적응형 자동 화이트 밸런스 | |
KR100983037B1 (ko) | 자동 화이트 밸런스 조정 방법 | |
US10325354B2 (en) | Depth assisted auto white balance | |
US9307213B2 (en) | Robust selection and weighting for gray patch automatic white balancing | |
US20200228770A1 (en) | Lens rolloff assisted auto white balance | |
US7885458B1 (en) | Illuminant estimation using gamut mapping and scene classification | |
CN111491149A (zh) | 基于高清视频的实时抠像方法、装置、设备及存储介质 | |
EP3363193B1 (en) | Device and method for reducing the set of exposure times for high dynamic range video imaging | |
US8599280B2 (en) | Multiple illuminations automatic white balance digital cameras | |
Lin | An automatic white balance method based on edge detection | |
CN115426487B (zh) | 色彩校正矩阵调整方法、装置、电子设备及可读存储介质 | |
US20200228769A1 (en) | Lens rolloff assisted auto white balance | |
WO2022120799A9 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2022032666A1 (zh) | 处理图像的方法和相关装置 | |
CN115170407A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
WO2022067761A1 (zh) | 图像处理方法、装置、拍摄设备、可移动平台及计算机可读存储介质 | |
Garud et al. | A fast color constancy scheme for automobile video cameras | |
US20110123101A1 (en) | Indoor-outdoor detector for digital cameras | |
CN114866755B (zh) | 自动白平衡方法、装置和计算机存储介质、电子设备 |
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 |