CN116029936A - 图像的修正方法及装置、电子设备和存储介质 - Google Patents
图像的修正方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116029936A CN116029936A CN202310118876.5A CN202310118876A CN116029936A CN 116029936 A CN116029936 A CN 116029936A CN 202310118876 A CN202310118876 A CN 202310118876A CN 116029936 A CN116029936 A CN 116029936A
- Authority
- CN
- China
- Prior art keywords
- light source
- image
- matrix
- preset
- processed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003702 image correction Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 142
- 230000000875 corresponding effect Effects 0.000 claims description 76
- 238000012216 screening Methods 0.000 claims description 42
- 238000001228 spectrum Methods 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 27
- 230000002596 correlated effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004298 light response Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101100384355 Mus musculus Ctnnbip1 gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Color Image Communication Systems (AREA)
Abstract
本申请公开了图像的修正方法及装置、电子设备和存储介质，主要技术方案包括：获取待处理图像的多光谱数据；根据所述多光谱数据估计所述待处理图像中的光源类别，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正；与相关技术相比，本申请能估计待处理图像中的真实光源类别，根据光源类别对应的色温值，从而能有效的对待处理图像进行色彩校正，使待处理图像恢复到当前光源下真实的色彩。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像的修正方法及装置、电子设备和存储介质。
背景技术
随着影像技术的不断进步，移动终端用户越来越关注拍照和录像的质量，因此在图像信号处理(Image Signal Processing，ISP)中常常应用光源估计算法以还原出当前拍摄图像的真实色彩。目前常见的光源估计算法一般为基于深度学习的光源估计算法，该算法没有额外的多光谱信息，因此无法对色温相近的不同光源进行有效区分，导致ISP无法准确还原出真实的色彩。
发明内容
本申请提供了一种图像的修正方法、装置、电子设备和存储介质。其主要目的在于解决相关技术中无法对色温相近的不同光源进行有效区分，导致ISP无法准确还原出真实的色彩的问题。
根据本申请的第一方面，提供了一种图像的修正方法，包括：
获取待处理图像的多光谱数据；
根据所述多光谱数据估计所述待处理图像中的光源类别；
根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
在一些实施例中，所述根据所述多光谱数据估计所述待处理图像中的光源类别包括：
基于所述多光谱数据及预设光源矩阵计算光源权重矩阵；其中，所述预设光源矩阵为由所述多光谱传感器采集的各通道的校正数值转换得到，一个标准光源对应所述预设光源矩阵中的一列；
从所述光源权重矩阵中筛选大于预设阈值的目标光源权重，并分别根据所述目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
在一些实施例中，所述基于所述多光谱数据及预设光源矩阵计算光源权重矩阵包括：
基于所述多光谱数据、预设光源矩阵及所述光源权重矩阵构建最小二乘函数；
分别配置基本等式、第一基本不等式、第二基本不等式及第三基本不等式，并基于所述基本等式、所述第一基本不等式、所述第二基本不等式及所述第三基本不等式线性约束所述最小二乘函数；
根据线性约束所述最小二乘函数的计算结果，得到所述预设光源矩阵中每个光源分别对应的光源权重。
在一些实施例中，配置所述第二基本不等式及第三基本不等式包括：
配置每个光源及对应的权重之和大于等于第一参考色温，以完成所述第二基本不等式的配置，所述第一参考色温为色温区间的下边界，根据所述多光谱数据的待处理图像的色温值及第一预设区间确定；
根据每个光源及对应的权重之和小于等于第二参考色温，以完成所述第三基本不等式的配置，所述第二参考色温为色温区间的上边界，所述第二参考色温大于所述第一参考色温，所述第二参考色温根据所述多光谱数据的待处理图像的色温值及第二预设区间确定。
在一些实施例中，在基于所述多光谱数据及预设光源矩阵计算光源权重矩阵之前，所述方法还包括：
采集多个标准光源下多光谱传感器各个通道的校正数值；
通过预设转换矩阵分别将各个所述校正数值转换为光谱曲线；
从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵。
在一些实施例中，在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，所述方法还包括：
提取所述光谱曲线中的特征波段，并从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵，其中，所述特征波段光源矩阵的规模小于所述预设光源矩阵的规模。
在一些实施例中，在从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵之后，所述方法还包括：
根据筛选参数配置光源筛选条件；
基于所述光源筛选条件对所述特征波段光源矩阵进行过滤，得到简化特征波段光源矩阵。
在一些实施例中，所述筛选参数包括相关色温值、照度值、近红外成分参数及窄带参数；
所述根据筛选参数配置光源筛选条件包括：
根据所述待处理图像的自动白平衡的估计结果，确定所述待处理图像的相关色温值；
根据自动曝光的结果，确定所述待处理图像的照度值；
根据所述多光谱数据的近红外光波与可见光波的比值，确定所述待处理图像中的近红外成分参数；
根据所述多光谱数据的FY光波与F5光波的比值，确定所述待处理图像中的窄带参数，其中，F5光波的光谱通道位于FY光波的光谱通道的内部；
根据所述相关色温值、照度值、近红外成分参数及窄带参数配置所述光源筛选条件。
在一些实施例中，在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，所述方法还包括：
在所述预设光源矩阵中构建每个光源类别与对应的索引之间的映射关系。
在一些实施例中，在从所述光源权重矩阵中筛选大于预设阈值的目标光源权重之后，所述方法还包括：
调用预设算法对目标光源权重进行修正，得到修正后的目标光源权重；
所述分别根据所述目标光源权重的索引确定对应的光源类型包括：
分别根据所述修正后的目标光源权重的索引确定对应的所述光源类型。
根据本申请的第二方面，提供了一种图像的修正装置，包括：
获取单元，用于获取待处理图像的多光谱数据；
估计单元，用于根据所述多光谱数据估计所述待处理图像中的光源类别；
校正单元，用于根据所述光源类别对应的色温值对所述待处理图像进行色彩校正。
在一些实施例中，所述估计单元包括：
计算模块，用于基于所述多光谱数据及预设光源矩阵计算光源权重矩阵；其中，所述预设光源矩阵为由所述多光谱传感器采集的各通道的校正数值转换得到，一个标准光源对应所述预设光源矩阵中的一列；
筛选模块，用于从所述光源权重矩阵中筛选大于预设阈值的目标光源权重；
确定模块，用于分别根据所述目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
在一些实施例中，所述计算模块包括：
构建子模块，用于基于所述多光谱数据、预设光源矩阵及所述光源权重矩阵构建最小二乘函数；
配置子模块，用于分别配置基本等式、第一基本不等式、第二基本不等式及第三基本不等式；
约束子模块，用于基于所述基本等式、所述第一基本不等式、所述第二基本不等式及所述第三基本不等式线性约束所述最小二乘函数；
确定子模块，用于根据线性约束所述最小二乘函数的计算结果，得到所述预设光源矩阵中每个光源分别对应的光源权重。
在一些实施例中，所述配置子模块还用于：
配置每个光源及对应的权重之和大于等于第一参考色温，以完成所述第二基本不等式的配置，所述第一参考色温为色温区间的下边界，根据所述多光谱数据的待处理图像的色温值及第一预设区间确定；
根据每个光源及对应的权重之和小于等于第二参考色温，以完成所述第三基本不等式的配置，所述第二参考色温为色温区间的上边界，所述第二参考色温大于所述第一参考色温，所述第二参考色温根据所述多光谱数据的待处理图像的色温值及第二预设区间确定。
在一些实施例中，所述估计单元还包括：
采集模块，用于在所述计算模块基于所述多光谱数据及预设光源矩阵计算光源权重矩阵之前，采集多个标准光源下多光谱传感器各个通道的校正数值；
转换模块，用于通过预设转换矩阵分别将各个所述校正数值转换为光谱曲线；
获取模块，用于从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵。
在一些实施例中，所述估计单元还包括：
提取模块，用于在所述获取模块从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，提取所述光谱曲线中的特征波段；
组成模块，用于从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵，其中，所述特征波段光源矩阵的规模小于所述预设光源矩阵的规模。
在一些实施例中，所述估计单元还包括：
配置模块，用于在所述组成模块从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵之后，根据筛选参数配置光源筛选条件；
过滤模块，用于基于所述光源筛选条件对所述特征波段光源矩阵进行过滤，得到简化特征波段光源矩阵。
在一些实施例中，所述筛选参数包括相关色温值、照度值、近红外成分参数及窄带参数；
所述配置模块还用于：
根据所述待处理图像的自动白平衡的估计结果，确定所述待处理图像的相关色温值；
根据自动曝光的结果，确定所述待处理图像的照度值；
根据所述多光谱数据的近红外光波与可见光波的比值，确定所述待处理图像的近红外成分参数；
根据所述多光谱数据的FY光波与F5光波的比值，确定所述待处理图像窄带参数，其中，F5光波的光谱通道位于FY光波的光谱通道的内部；
根据所述相关色温值、照度值、近红外成分参数及窄带参数配置所述光源筛选条件。
在一些实施例中，所述估计单元还包括：
构建模块，用于在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，在所述预设光源矩阵中构建每个光源类别与对应的索引之间的映射关系。
在一些实施例中，所述装置还包括：
修正模块，用于在筛选模块从所述光源权重矩阵中筛选大于预设阈值的目标光源权重之后，调用预设算法对目标光源权重进行修正，得到修正后的目标光源权重；
所述确定模块，还用于分别根据所述修正后的目标光源权重的索引确定对应的所述光源类型。
根据本申请的第三方面，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前述第一方面所述的方法。
根据本申请的第四方面，提供了一种芯片，包括一个或多个接口电路和一个或多个处理器；所述接口电路用于从电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括存储器中存储的计算机指令，当所述处理器执行所述计算机指令时，使得所述电子设备执行前述第一方面所述的方法。
根据本申请的第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本申请的第六方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本申请提供的图像的修正方法、装置、电子设备和存储介质，获取待处理图像的多光谱数据；根据所述多光谱数据估计所述待处理图像中的光源类别，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正；与相关技术相比，本申请实施例能估计待处理图像中的真实光源类别，根据光源类别对应的颜色相关特性，从而能有效的对待处理图像进行色彩校正，使待处理图像恢复到当前光源下真实的色彩。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例所提供的一种图像的修正方法的流程示意图；
图2为本申请实施例所提供的一种根据多光谱数据估计待处理图像的光源类别的方法的流程示意图；
图3为本申请实施例所提供的另一种图像的修正方法的流程示意图；
图4为本申请实施例所提供的一种F5光波、FY光波、VIS光波及NIR光波的示意图；
图5为本申请实施例提供的一种图像的修正装置的结构示意图；
图6为本申请实施例提供的另一种图像的修正装置的结构示意图；
图7为本申请实施例提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的图像的修正方法、装置、电子设备和存储介质。
图1为本申请实施例所提供的一种图像的修正方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，获取待处理图像的多光谱数据。
基于图像采集设备中的多光谱传感器采集在同一时刻分别接收同一拍摄目标在不同窄光谱波段范围内辐射或反射的光信号，得到拍摄目标在不同光谱带的待处理数据。
实际应用中，图像采集设备包含但不限于手机相机、平板电脑相机、带录像功能的相机和工业相机、电脑相机等，具体的本申请实施例对图像采集设备的类别不进行限定。
步骤102，根据所述多光谱数据估计所述待处理图像中的光源类别。
在本申请实施例中，在对待处理图像中的光源类别进行估计时，引入预先对标准光源进行标定所生成的光源矩阵，并通过待处理图像中的各个光源对应的相关色温引导不等式约束，根据针对光源矩阵中各个光源的约束结果确定对应的光源类别。
步骤103，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
在确定光源类别后，根据光源类别查找对应的颜色相关特性，在根据不同光源分别对应的颜色相关特性对待处理图像进行色彩校正。在具体实施过程中，颜色相关特性为颜色还原矩阵，每种光源对应着的不同的颜色还原矩阵。
有关根据颜色相关特性对待处理图像进行色彩校正的具体实现方式，可参阅相关技术中的任意方法，本申请实施例在此不再进行赘述。
本申请提供的图像的修正方法，获取待处理图像的多光谱数据；根据所述多光谱数据估计所述待处理图像中的光源类别，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正；与相关技术相比，本申请实施例能估计待处理图像中的真实光源类别，根据光源类别对应的颜色相关特性，从而能有效的对待处理图像进行色彩校正，使待处理图像恢复到当前光源下真实的色彩。
在本申请实施例的一种可实现方式中，为了提高光源类别估计的准确性，本申请实施例提供一种根据多光谱数据估计待处理图像的光源类别的方法，如图2所示，所述方法包括：
步骤201，基于所述多光谱数据及预设光源矩阵计算光源权重矩阵；其中，所述预设光源矩阵为由所述多光谱传感器采集的各通道的校正数值转换得到，一个标准光源对应所述预设光源矩阵中的一列。
在计算光源权重矩阵时，求解方程Am*nxn*1＝bm*1
基于所述多光谱数据、预设光源矩阵及所述光源权重矩阵构建最小二乘函数，如下述公式(1)：
其中，Am*n为预设光源矩阵，xn*1为需要求解得到的光源权重矩阵，bm*1为实时测量的所述待处理图像的多光谱数据。
基于公式(1)，分别配置基本等式、第一基本不等式、第二基本不等式及第三基本不等式，并基于所述基本等式、所述第一基本不等式、所述第二基本不等式及第三基本不等式线性约束所述最小二乘函数；根据线性约束所述最小二乘函数的计算结果，得到所述预设光源矩阵中每个光源分别对应的光源权重。
其中，Heqx＝Ceq为基本等式，是指xn*1权重之和为1，Hineqx≤Cineq为第一基本不等式，其中xn*1权重各个权重的范围均在[0，1]，
b-cct-left-delta-cct为第一参考色，
left_delta_cct为第一预设区间，right_delta_cct为第二预设区间，其中，第一预设区间与第二预设区间可通过下述计算公式(2)得到：
在本申请实施例的一种可行方式中，示例性的，b_cct可通过自动白平衡(Automatic White Balance，AWB)计算得到，或者也可通过其他计算方法得到，具体的，本申请实施例对此不进行限定。
步骤202，从所述光源权重矩阵中筛选大于预设阈值的目标光源权重，并分别根据所述目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
基于步骤202的线性约束最小二乘的排序求解得到的权重xn*1，需要说明是的，该权重是基于预设光源矩阵的顺序排列的，为了过滤掉光谱响应曲线较小的数值，需要对光源权重矩阵中的光源按照权重大小进行排序，并根据光源的相关色温值CCT标准化得到预设阈值的目标光源权重，该预设阈值的目标光源权重即为与待处理图像中匹配度最高的权重。在确定目标光源权重后，根据目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
图2提供的方法在相关色温值CCT的引导下，根据多光谱数据估计出预设阈值数量的匹配光源类型，进而获取估计的光源类型对应的颜色相关特性，以根据所述颜色相关特性辅助ISP还原出更加准确的色彩。该预设阈值包含但不限于2个、4个等。
上述实施例所述的图像的修正方法的执行周期，可以根据拍摄待处理图像的实际需求进行自定义设置，也可以根据固定执行周期循环，或者，还可以根据拍摄的待处理图像的实况执行上述图像的修正方法。
在实际应用中，由于标准光源的数量较多，因此导致组成预设光源矩阵的规模较大，进而增加了在基于预设光源矩阵估计待处理图像中的光源类别的计算量。为了解决上述问题，本申请实施例还提供另一种图像的修正方式，如图3所示，所述方法还包括：
步骤301，采集多个标准光源下多光谱传感器各个通道的校正数值；通过预设转换矩阵分别将各个所述校正数值转换为光谱曲线。
图像采集设备采集待处理图像在多个标准光源下多光谱传感器各个通道的校正数值，并通过预设转换矩阵将校正数值转换为光谱曲线，其中，预设转换矩阵包含但不限于CM转换矩阵，或相关技术中的其他转换矩阵，具体的本申请实施例对此不做限定。
步骤302，从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵。
假设标定的第一个包含m个特征值的光源为
标定了n个光源，则预设光源矩阵Am*n为
在构建完预设光源矩阵后，其包含有n种光源类别，在所述预设光源矩阵中构建每个光源类别与对应的索引之间的映射关系。上述预设光源矩阵中，索引为1至n对应的位置处。需要说明的是，不管预设光源的排布顺序如何变更，其光源类别与对应的索引之间的对应关系是相对的、保持不变的。
步骤303，提取所述光谱曲线中的特征波段，并从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵，其中，所述特征波段光源矩阵的规模小于所述预设光源矩阵的规模。
执行本步骤的目的在于减小预设光源矩阵的规模，以减小估计光源类型的计算量，进而提高了待处理图像的修正效率。
根据多光谱传感器特性，提取光谱曲线中响应峰值点附近的值作为特征波段，假如特征波段包含有u个特征，则预设光源矩阵Am*n被简化为特征波段光源矩阵Au*n，其中u小于m。
步骤304，根据筛选参数配置光源筛选条件，基于所述光源筛选条件对所述特征波段光源矩阵进行过滤，得到简化特征波段光源矩阵。
本申请实施例中，所述筛选参数包括相关色温值、照度值、近红外成分参数及窄带参数。
在对相关色温值、照度值进行设置时，基于步骤301获取的多光谱数据对待处理图像的自动白平衡(AWB)的估计结果，确定所述待处理图像的相关色温值CCT；根据自动曝光(AE)的结果，确定所述待处理图像的照度值Lux；有关相关色温值CCT及照度值Lux的确定方法，可参阅相关技术中的任意实现方式，本申请实施例对此不进行限定及赘述。
除了对相关色温值CCT及照度值Lux进行配置外，在配置筛选参数时，还可参考近红外光波NIR的比例，能够有效区分出部分存在近红外成分的光源。基于多光谱传感器特性，NIR_Factor的计算公式(3)为：
NIR_Factor＝NIR_Corrected_Raw/VIS_Corrected_Raw公式(3)
其中，NIR_Factor为近红外成分参数，NIR_Corrected_Raw为厂家标定的近红外光波的纠正值，VIS_Corrected_Raw为厂家标定的可见光波VIS的纠正值，根据两者的比值计算近红外成分参数，该红外成分参数越小，其可见光响应曲线对应的值越大，一般为室内光源。红外成分参数越大，其可见光响应曲线对应的值越小，一般为室外光源。
荧光灯(Fluorescence lamps，FL)因其具有Hg+波段，主要在435nm、546nm和610nm而具有特殊性。F5是一个较窄的光谱通道，其峰值点主要在546nm，并且位于一个较宽的光谱通道FY的内部。为了便于对F5光波与FY光波更好的理解，请参阅图4，图4为本申请实施例提供的一种F5光波、FY光波、VIS光波及NIR光波的示意图，从图中可以看出F5光波的光谱通道位于FY光波的光谱通道的内部。
根据多光谱传感器特性，Hg_Factor的计算公式(4)为：
Hg_Factor ＝ FY_Corrected_Raw / F5_Corrected_Raw 公式(4)
其中，Hg_Factor的值越小，越能说明在546nm处有窄带尖峰。
在计算出相关色温值CCT、照度值Lux、近红外成分参数NIR_Factor及窄带参数Hg_Factor后完成光源筛选条件的配置。根据所述相关色温值、照度值、近红外成分参数及窄带参数筛选全部n个光源来得到v个符合条件的光源，并得到简化特征波段光源矩阵。
步骤305，基于所述多光谱数据及简化特征波段光源矩阵计算光源权重矩阵。
在基于多光谱数据及简化特征波段光源矩阵计算光源权重矩阵时，其计算原理与基于多光谱数据及预设光源矩阵计算光源权重矩阵的原理相同，可参阅上述实施例的具体说明，故在此不再进行赘述。
步骤306，调用预设算法对目标光源权重进行修正，得到修正后的目标光源权重。
本步骤中进行修正的目的在于验证目标光源权重的置信度，以便辅助ISP还原出更加准确的色彩。
置信度则是根据调整后的对称平均绝对百分比误差(sMAPE_adjusted)计算得到，具体的公式(5)为：
confidence＝1-sMAPE_adjusted
其中，confidence为置信度。
需要说明的是，在估计置信度是采用的是sMAPE_adjusted作为示例，应当明确的是，该种说明方式并非意在限定仅能通过sMAPE_adjusted实现。
步骤307，分别根据所述修正后的目标光源权重的索引确定对应的所述光源类型。
步骤308，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
步骤301至步骤304为阶段一：筛选光源阶段，阶段一中根据多光谱传感器的特性，得到参数Hg_Factor和NIR_Factor，并执行的“筛选光源”阶段，可以明显地简化算法提升运行速度；步骤305至步骤308为阶段二：匹配光源阶段，在相关色温的引导下，根据多光谱数据估计出预设阈值最匹配光源的类型、权重和置信度，从而辅助ISP还原出更加准确的色彩；利用CCT引导不等式约束可以在不显著增加计算量的前提下，进一步增加估计结果的准确性和可控性。
与上述的图像的修正方法相对应，本发明还提出一种图像的修正装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图5为本申请实施例提供的一种图像的修正装置的结构示意图，如图5所示，包括：
获取单元51，用于获取待处理图像的多光谱数据；
估计单元52，用于根据所述多光谱数据估计所述待处理图像中的光源类别；
校正单元53，用于根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
本申请提供的图像的修正装置，获取待处理图像的多光谱数据；根据所述多光谱数据估计所述待处理图像中的光源类别，根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正；与相关技术相比，本申请实施例能估计待处理图像中的真实光源类别，根据光源类别对应的颜色相关特性，从而能有效的对待处理图像进行色彩校正，使待处理图像恢复到当前光源下真实的色彩。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述估计单元52包括：
计算模块521，用于基于所述多光谱数据及预设光源矩阵计算光源权重矩阵；其中，所述预设光源矩阵为由所述多光谱传感器采集的各通道的校正数值转换得到，一个标准光源对应所述预设光源矩阵中的一列；
筛选模块522，用于从所述光源权重矩阵中筛选大于预设阈值的目标光源权重；
确定模块523，用于分别根据所述目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述计算模块521包括：
构建子模块，用于基于所述多光谱数据、预设光源矩阵及所述光源权重矩阵构建最小二乘函数；
配置子模块，用于分别配置基本等式、第一基本不等式、第二基本不等式及第三基本不等式；
约束子模块，用于基于所述基本等式、所述第一基本不等式、所述第二基本不等式及所述第三基本不等式线性约束所述最小二乘函数；
确定子模块，用于根据线性约束所述最小二乘函数的计算结果，得到所述预设光源矩阵中每个光源分别对应的光源权重。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述配置子模块还用于：
配置每个光源及对应的权重之和大于等于第一参考色温，以完成所述第二基本不等式的配置，所述第一参考色温为色温区间的下边界，根据所述多光谱数据的待处理图像的色温值及第一预设区间确定；
根据每个光源及对应的权重之和小于等于第二参考色温，以完成所述第三基本不等式的配置，所述第二参考色温为色温区间的上边界，所述第二参考色温大于所述第一参考色温，所述第二参考色温根据所述多光谱数据的待处理图像的色温值及第二预设区间确定。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述估计单元52还包括：
采集模块524，用于在所述计算模块521基于所述多光谱数据及预设光源矩阵计算光源权重矩阵之前，采集多个标准光源下多光谱传感器各个通道的校正数值；
转换模块525，用于通过预设转换矩阵分别将各个所述校正数值转换为光谱曲线；
获取模块526，用于从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述估计单元52还包括：
提取模块527，用于在所述获取模块从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，提取所述光谱曲线中的特征波段；
组成模块528，用于从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵，其中，所述特征波段光源矩阵的规模小于所述预设光源矩阵的规模。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述估计单元52还包括：
配置模块529，用于在所述组成模块从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵之后，根据筛选参数配置光源筛选条件；
过滤模块5210，用于基于所述光源筛选条件对所述特征波段光源矩阵进行过滤，得到简化特征波段光源矩阵。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述筛选参数包括相关色温值、照度值、近红外成分参数及窄带参数；
所述配置模块529还用于：
根据所述待处理图像的自动白平衡的估计结果，确定所述待处理图像的相关色温值；
根据自动曝光的结果，确定所述待处理图像的照度值；
根据所述多光谱数据的近红外光波与可见光波的比值，确定所述待处理图像的近红外成分参数；
根据所述多光谱数据的FY光波与F5光波的比值，确定所述待处理图像的窄带参数，其中，F5光波的光谱通道位于FY光波的光谱通道的内部；
根据所述相关色温值、照度值、近红外成分参数及窄带参数配置所述光源筛选条件。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述估计单元52还包括：
构建模块5211，用于在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，在所述预设光源矩阵中构建每个光源类别与对应的索引之间的映射关系。
进一步地，在本实施例一种可能的实现方式中，如图6所示，所述装置还包括：
修正模块5212，用于在筛选模块从所述光源权重矩阵中筛选大于预设阈值的目标光源权重之后，调用预设算法对目标光源权重进行修正，得到修正后的目标光源权重；
所述确定模块523，还用于分别根据所述修正后的目标光源权重的索引确定对应的所述光源类型。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本申请的实施例，本申请还提供了一种电子设备、一种芯片、一种可读存储介质和一种计算机程序产品。
本申请还提供了一种芯片，包括一个或多个接口电路和一个或多个处理器；所述接口电路用于从电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括存储器中存储的计算机指令，当所述处理器执行所述计算机指令时，使得所述电子设备执行上述实施例所述的图像的修正方法。
图7示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)702中的计算机程序或者从存储单元708加载到RAM(Random AccessMemory，随机访问/存取存储器)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。I/O(Input/Output，输入/输出)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。
计算单元701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701的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Art ificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图像的修正方法。例如，在一些实施例中，图像的修正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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述图像的修正方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Appl ication-Specific Integrated Circuit，专用集成电路)、ASSP(Appl icat ion SpecificStandard Product，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(Complex Programmable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请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。
在本申请的上下文中，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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Di sc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Di splay，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：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (15)
1.一种图像的修正方法，其特征在于，包括：
获取待处理图像的多光谱数据；
根据所述多光谱数据估计所述待处理图像中的光源类别；
根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多光谱数据估计所述待处理图像中的光源类别包括：
基于所述多光谱数据及预设光源矩阵计算光源权重矩阵；其中，所述预设光源矩阵为由所述多光谱传感器采集的各通道的校正数值转换得到，一个标准光源对应所述预设光源矩阵中的一列；
从所述光源权重矩阵中筛选大于预设阈值的目标光源权重，并分别根据所述目标光源权重的索引确定对应的光源类型，其中，所述预设光源矩阵中记录有光源的索引与光源类型之间的映射关系。
3.根据权利要求2所述的方法，其特征在于，所述基于所述多光谱数据及预设光源矩阵计算光源权重矩阵包括：
基于所述多光谱数据、预设光源矩阵及所述光源权重矩阵构建最小二乘函数；
分别配置基本等式、第一基本不等式、第二基本不等式及第三基本不等式，并基于所述基本等式、所述第一基本不等式、所述第二基本不等式及所述第三基本不等式线性约束所述最小二乘函数；
根据线性约束所述最小二乘函数的计算结果，得到所述预设光源矩阵中每个光源分别对应的光源权重。
4.根据权利要求3所述的方法，其特征在于，配置所述第二基本不等式及第三基本不等式包括：
配置每个光源及对应的权重之和大于等于第一参考色温，以完成所述第二基本不等式的配置，所述第一参考色温为色温区间的下边界，根据所述多光谱数据的待处理图像的色温值及第一预设区间确定；
根据每个光源及对应的权重之和小于等于第二参考色温，以完成所述第三基本不等式的配置，所述第二参考色温为色温区间的上边界，所述第二参考色温大于所述第一参考色温，所述第二参考色温根据所述多光谱数据的待处理图像的色温值及第二预设区间确定。
5.根据权利要求2所述的方法，其特征在于，在基于所述多光谱数据及预设光源矩阵计算光源权重矩阵之前，所述方法还包括：
采集多个标准光源下多光谱传感器各个通道的校正数值；
通过预设转换矩阵分别将各个所述校正数值转换为光谱曲线；
从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵。
6.根据权利要求5所述的方法，其特征在于，在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，所述方法还包括：
提取所述光谱曲线中的特征波段，并从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵，其中，所述特征波段光源矩阵的规模小于所述预设光源矩阵的规模。
7.根据权利要求6所述的方法，其特征在于，在从所述特征波段中获取各个光源对应的光谱曲线值组成特征波段光源矩阵之后，所述方法还包括：
根据筛选参数配置光源筛选条件；
基于所述光源筛选条件对所述特征波段光源矩阵进行过滤，得到简化特征波段光源矩阵。
8.根据权利要求7所述的方法，其特征在于，所述筛选参数包括相关色温值、照度值、近红外成分参数及窄带参数；
所述根据筛选参数配置光源筛选条件包括：
根据所述待处理图像的自动白平衡的估计结果，确定所述待处理图像的相关色温值；
根据自动曝光的结果，确定所述待处理图像的照度值；
根据所述多光谱数据的近红外光波与可见光波的比值，确定所述待处理图像的近红外成分参数；
根据所述多光谱数据的FY光波与F5光波的比值，确定所述待处理图像的窄带参数，其中，F5光波的光谱通道位于FY光波的光谱通道的内部；
根据所述相关色温值、照度值、近红外成分参数及窄带参数配置所述光源筛选条件。
9.根据权利要求5所述的方法，其特征在于，在从所述光谱曲线中获取各个光源对应的光谱曲线值组成所述预设光源矩阵之后，所述方法还包括：
在所述预设光源矩阵中构建每个光源类别与对应的索引之间的映射关系。
10.根据权利要求2-9中任一项所述的方法，其特征在于，在从所述光源权重矩阵中筛选大于预设阈值的目标光源权重之后，所述方法还包括：
调用预设算法对目标光源权重进行修正，得到修正后的目标光源权重；
所述分别根据所述目标光源权重的索引确定对应的光源类型包括：
分别根据所述修正后的目标光源权重的索引确定对应的所述光源类型。
11.一种图像的修正装置，其特征在于，包括：
获取单元，用于获取待处理图像的多光谱数据；
估计单元，用于根据所述多光谱数据估计所述待处理图像中的光源类别；
校正单元，用于根据所述光源类别对应的颜色相关特性对所述待处理图像进行色彩校正。
12.一种电子设备，其特征在于，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权利要求1-10中任一项所述的方法。
13.一种芯片，其特征在于，包括一个或多个接口电路和一个或多个处理器；所述接口电路用于从电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括存储器中存储的计算机指令，当所述处理器执行所述计算机指令时，使得所述电子设备执行权利要求1-10中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
15.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310118876.5A CN116029936B (zh) | 2023-01-31 | 2023-01-31 | 图像的修正方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310118876.5A CN116029936B (zh) | 2023-01-31 | 2023-01-31 | 图像的修正方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116029936A true CN116029936A (zh) | 2023-04-28 |
| CN116029936B CN116029936B (zh) | 2024-07-19 |
Family
ID=86073909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310118876.5A Active CN116029936B (zh) | 2023-01-31 | 2023-01-31 | 图像的修正方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029936B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954772A (zh) * | 2015-06-26 | 2015-09-30 | 济南中维世纪科技有限公司 | 一种应用于自动白平衡算法的图像近灰色像素选取算法 |
| CN105748027A (zh) * | 2016-02-17 | 2016-07-13 | 深圳开立生物医疗科技股份有限公司 | 应用于内窥镜的成像方法和系统 |
| CN112089434A (zh) * | 2020-10-16 | 2020-12-18 | 陕西师范大学 | 一种多光谱生物发光断层成像方法和系统 |
| CN113452980A (zh) * | 2020-03-24 | 2021-09-28 | Oppo广东移动通信有限公司 | 图像处理方法、终端及存储介质 |
| CN113676639A (zh) * | 2021-08-17 | 2021-11-19 | Oppo广东移动通信有限公司 | 图像处理方法、处理装置、电子设备及介质 |
| JP2021190802A (ja) * | 2020-05-28 | 2021-12-13 | 株式会社エヌテック | 撮像装置、検査装置及び撮像方法 |
| CN114216573A (zh) * | 2021-12-13 | 2022-03-22 | Oppo广东移动通信有限公司 | 色温检测方法及装置、计算机可读介质、电子设备 |
| WO2022141476A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法、数据的获取方法及设备 |
| WO2023273411A1 (zh) * | 2021-07-01 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
-
2023
- 2023-01-31 CN CN202310118876.5A patent/CN116029936B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954772A (zh) * | 2015-06-26 | 2015-09-30 | 济南中维世纪科技有限公司 | 一种应用于自动白平衡算法的图像近灰色像素选取算法 |
| CN105748027A (zh) * | 2016-02-17 | 2016-07-13 | 深圳开立生物医疗科技股份有限公司 | 应用于内窥镜的成像方法和系统 |
| CN113452980A (zh) * | 2020-03-24 | 2021-09-28 | Oppo广东移动通信有限公司 | 图像处理方法、终端及存储介质 |
| JP2021190802A (ja) * | 2020-05-28 | 2021-12-13 | 株式会社エヌテック | 撮像装置、検査装置及び撮像方法 |
| CN112089434A (zh) * | 2020-10-16 | 2020-12-18 | 陕西师范大学 | 一种多光谱生物发光断层成像方法和系统 |
| WO2022141476A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法、数据的获取方法及设备 |
| WO2023273411A1 (zh) * | 2021-07-01 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
| CN113676639A (zh) * | 2021-08-17 | 2021-11-19 | Oppo广东移动通信有限公司 | 图像处理方法、处理装置、电子设备及介质 |
| CN114216573A (zh) * | 2021-12-13 | 2022-03-22 | Oppo广东移动通信有限公司 | 色温检测方法及装置、计算机可读介质、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116029936B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3800616A1 (en) | Image processing method and device | |
| CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
| US20150278996A1 (en) | Image processing apparatus, method, and medium for generating color image data | |
| CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
| CN110675385A (zh) | 一种图像处理方法、装置、计算机设备以及存储介质 | |
| CN113792827B (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
| WO2019062633A1 (zh) | 颜色阴影校正的方法和装置 | |
| CN112883902A (zh) | 视频检测方法、装置、电子设备及存储介质 | |
| CN102867295A (zh) | 一种彩色图像颜色校正方法 | |
| CN114862897B (zh) | 一种图像背景处理方法、装置及电子设备 | |
| CN115797565B (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
| CN114037087B (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
| CN113011328B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116029936B (zh) | 图像的修正方法及装置、电子设备和存储介质 | |
| CN111178229B (zh) | 一种基于深度学习的静脉显像方法和装置 | |
| CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
| CN113988294A (zh) | 训练预测网络的方法、图像处理方法和装置 | |
| CN115222939A (zh) | 一种图像识别方法、装置、设备以及存储介质 | |
| CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 | |
| CN112243118B (zh) | 白平衡校正方法、装置、设备及存储介质 | |
| CN113888419A (zh) | 一种图像去暗角方法 | |
| CN113766206A (zh) | 一种白平衡调整方法、装置及存储介质 | |
| CN117676349A (zh) | 白平衡增益的校正方法、装置、设备和介质 | |
| CN110266939B (zh) | 显示方法及电子设备、存储介质 | |
| CN115018746A (zh) | 图像合成方法、装置、电子设备及存储介质 |
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 |