CN116152369B - 一种基于大数据技术的图像动态可视化方法 - Google Patents

一种基于大数据技术的图像动态可视化方法 Download PDF

Info

Publication number
CN116152369B
CN116152369B CN202211732064.1A CN202211732064A CN116152369B CN 116152369 B CN116152369 B CN 116152369B CN 202211732064 A CN202211732064 A CN 202211732064A CN 116152369 B CN116152369 B CN 116152369B
Authority
CN
China
Prior art keywords
preset
less
component
brightness
information
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.)
Active
Application number
CN202211732064.1A
Other languages
English (en)
Other versions
CN116152369A (zh
Inventor
高峰
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.)
Langfang Kuida Information Technology Co ltd
Original Assignee
Langfang Kuida Information 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 Langfang Kuida Information Technology Co ltd filed Critical Langfang Kuida Information Technology Co ltd
Priority to CN202211732064.1A priority Critical patent/CN116152369B/zh
Publication of CN116152369A publication Critical patent/CN116152369A/zh
Application granted granted Critical
Publication of CN116152369B publication Critical patent/CN116152369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像通信技术领域，特别是涉及一种基于大数据技术的图像动态可视化方法。包括：基于大数据技术获取高动态范围图像；对高动态范围图像进行色彩空间转换，获得高动态范围图像的亮度分量和颜色分量；对亮度分量进行归一化处理，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，对结构分量进行自适应动态范围压缩，获得压缩输出，对纹理分量和压缩输出进行基于泰勒级数的纹理信息融合，获得重建后的亮度信息，对颜色分量进行色彩信息处理。本发明可以有效地实现高动态范围场景可视化，并且通过多参数化的图像处理手段，极大地提高了最终的图像动态可视化效果。

Description

一种基于大数据技术的图像动态可视化方法
技术领域
本发明涉及图像通信技术领域，特别是涉及一种基于大数据技术的图像动态可视化方法。
背景技术
动态可视化主要应用的场景是以将同一数据需要多维度进行对比的时候，比如各地区各年份的经济数据对比、销售员工一年中每月销售数据的对比等以图表的形式将数据动态可视化，之所以做成动态可视化，是为了让对比变化趋势更加具象，更加生动。
然而现有技术中，动态可视化主要都是应用于图表数据动态可视化以及网络信息动态可视化，并不存在应用于图像的动态可视化技术，并且，针对图像处理的动态可视化过程中，由于图像区别于数据信息，图像信息包括的基本属性有像素、分辨率、颜色、色调、饱和度、亮度、色彩通道等组成，因此，对于图像的动态可视化处理需要对各种基本属性的参数进行调整，否则，就会导致最终图像的动态可视化效果不佳。因此，如何提供一种基于大数据技术的图像动态可视化方法是本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种基于大数据技术的图像动态可视化方法，本发明可以有效地实现了高动态范围场景可视化，并且通过多参数化的图像处理手段，极大地提高了最终的图像动态可视化效果。
本发明改进了现有技术中，动态可视化主要都是应用于图表数据动态可视化以及网络信息动态可视化，并不存在应用于图像的动态可视化技术的问题，本发明通过对高动态范围图像进行色彩空间转换以及归一化处理，得到亮度图像的结构分量和纹理分量，再结合动态压缩以及数据融合等方式获得高动态范围图像的动态可视化结果，解决了如何应用于图像的动态可视化技术的问题。
本发明改进了现有技术中，针对图像处理的动态可视化过程中，对于图像的动态可视化处理需要对各种基本属性的参数进行调整以提高动态可视化效果的问题，本发明通过结合亮度分量、结构分量以及重建亮度信息等作为参数，进行适时化地调整，对高动态范围图像进行合理化的参数输出调整，有效的提高了最终的图像动态可视化效果。
为了实现上述目的，本发明提供了如下的技术方案：
一种基于大数据技术的图像动态可视化方法，包括：
基于大数据技术获取高动态范围图像；
对所述高动态范围图像进行色彩空间转换，获得所述高动态范围图像的亮度分量和颜色分量；
对所述亮度分量进行归一化处理，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，对所述结构分量进行自适应动态范围压缩，获得压缩输出，对所述纹理分量和所述压缩输出进行基于泰勒级数的纹理信息融合，获得重建后的亮度信息，对所述颜色分量进行色彩信息处理；
根据所述重建后的亮度信息和经所述色彩信息处理后的所述颜色分量进行色彩信息恢复，获得所述高动态范围图像的动态可视化结果。
在本申请的一些实施例中，所述对所述高动态范围图像进行色彩空间转换，包括：
将所述高动态范围图像从RGB色彩空间转换到HSV色彩空间，并获得色调信息H、饱和度信息S和亮度信息V；其中，
所述亮度分量包括所述亮度信息V，所述颜色分量包括所述色调信息H和所述饱和度信息S。
在本申请的一些实施例中，还包括：获取所述亮度分量的最大值N；
预先设定预设亮度分量最大值矩阵T0和预设归一化亮度值矩阵A，对于所述预设归一化亮度值矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设归一化亮度值，A2为第二预设归一化亮度值，A3为第三预设归一化亮度值，A4为第四预设归一化亮度值，且A1＜A2＜A3＜A4；
对于所述预设亮度分量最大值矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设亮度分量最大值，T02为第二预设亮度分量最大值，T03为第三预设亮度分量最大值，T04为第四预设亮度分量最大值，且T01＜T02＜T03＜T04；
根据N与所述预设亮度分量最大值矩阵T0之间的关系选定相应的归一化亮度值作为归一化处理后的亮度值；
当N＜T01时，选定所述第四预设归一化亮度值A4作为归一化处理后的亮度值；
当T01≤N＜T02，选定所述第三预设归一化亮度值A3作为归一化处理后的亮度值；
当T02≤N＜T03，选定所述第二预设归一化亮度值A2作为归一化处理后的亮度值；
当T03≤N＜T04，选定所述第一预设归一化亮度值A1作为归一化处理后的亮度值。
在本申请的一些实施例中，还包括：计算归一化处理后的亮度图像的结构分量M；
预先设定预设结构分量矩阵Y0和预设纹理分量矩阵B，对于所述预设预设纹理分量矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设纹理分量，B2为第二预设纹理分量，B3为第三预设纹理分量，B4为第四预设纹理分量，且B1＜B2＜B3＜B4；
对于所述预设结构分量矩阵Y0，设定Y0(Y01,Y02,Y03,Y04),其中，Y01为第一预设结构分量，Y02为第二预设结构分量，Y03为第三预设结构分量，Y04为第四预设结构分量，且Y01＜Y02＜Y03＜Y04；
根据M与所述预设结构分量矩阵Y0之间的关系选定相应的纹理分量作为归一化处理后的亮度图像的纹理分量；
当M＜Y01时，选定所述第四预设纹理分量B4作为归一化处理后的亮度图像的纹理分量；
当Y01≤M＜Y02，选定所述第三预设纹理分量B3作为归一化处理后的亮度图像的纹理分量；
当Y02≤M＜Y03，选定所述第二预设纹理分量B2作为归一化处理后的亮度图像的纹理分量；
当Y03≤M＜Y04，选定所述第一预设纹理分量B1作为归一化处理后的亮度图像的纹理分量。
在本申请的一些实施例中，还包括：计算所述结构分量的平均值m；
预先设定预设结构分量平均值矩阵I0和预设压缩输出值矩阵C，对于所述预设压缩输出值矩阵C，设定C(C1,C2,C3,C4)，其中C1为第一预设压缩输出值，C2为第二预设压缩输出值，C3为第三预设压缩输出值，C4为第四预设压缩输出值，且C1＜C2＜C3＜C4；
对于所述预设结构分量平均值矩阵I0，设定I0(I01,I02,I03,I04),其中，I01为第一预设结构分量平均值，I02为第二预设结构分量平均值，I03为第三预设结构分量平均值，I04为第四预设结构分量平均值，且I01＜I02＜I03＜I04；
根据m与所述预设结构分量平均值矩阵I0之间的关系选定相应的压缩输出值作为所述结构分量进行自适应动态范围压缩；
当m＜I01时，选定所述第一预设压缩输出值C1作为所述结构分量进行自适应动态范围压缩；
当I01≤m＜I02，选定所述第二预设压缩输出值C2作为所述结构分量进行自适应动态范围压缩；
当I02≤m＜I03，选定所述第三预设压缩输出值C3作为所述结构分量进行自适应动态范围压缩；
当I03≤m＜I04，选定所述第四预设压缩输出值C4作为所述结构分量进行自适应动态范围压缩。
在本申请的一些实施例中，预先设定预设重建亮度信息矩阵D，设定D(D1,D2,D3,D4)，其中D1为第一预设重建亮度信息，D2为第二预设重建亮度信息，D3为第三预设重建亮度信息，D4为第四预设重建亮度信息，且D1＜D2＜D3＜D4；
当选定所述第一预设压缩输出值C1作为所述结构分量进行自适应动态范围压缩时，选定所述第一预设重建亮度信息D1作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第二预设压缩输出值C2作为所述结构分量进行自适应动态范围压缩时，选定所述第二预设重建亮度信息D2作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第三预设压缩输出值C3作为所述结构分量进行自适应动态范围压缩时，选定所述第三预设重建亮度信息D3作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第四预设压缩输出值C4作为所述结构分量进行自适应动态范围压缩时，选定所述第四预设重建亮度信息D4作为基于泰勒级数的纹理信息融合后重建获得的亮度信息。
在本申请的一些实施例中，预先设定预设原始饱和度信息矩阵W0和预设色彩空间转换饱和度信息矩阵E，对于所述预设色彩空间转换饱和度信息矩阵E，设定E(E1,E2,E3,E4)，其中E1为第一预设色彩空间转换饱和度信息，E2为第二预设色彩空间转换饱和度信息，E3为第三预设色彩空间转换饱和度信息，E4为第四预设色彩空间转换饱和度信息，且E1＜E2＜E3＜E4；
对于所述预设原始饱和度信息矩阵W0，设定W0(W01,W02,W03,W04),其中，W01为第一预设原始饱和度信息，W02为第二预设原始饱和度信息，W03为第三预设原始饱和度信息，W04为第四预设原始饱和度信息，且W01＜W02＜W03＜W04；
根据S与所述预设原始饱和度信息矩阵W0之间的关系选定相应的色彩空间转换饱和度信息作为调整处理后的饱和度信息；
当S＜W01时，选定所述第四预设色彩空间转换饱和度信息E4作为调整处理后的饱和度信息；
当W01≤S＜W02，选定所述第三预设色彩空间转换饱和度信息E3作为调整处理后的饱和度信息；
当W02≤S＜W03，选定所述第二预设色彩空间转换饱和度信息E2作为调整处理后的饱和度信息；
当W03≤S＜W04，选定所述第一预设色彩空间转换饱和度信息E1作为调整处理后的饱和度信息。
在本申请的一些实施例中，所述基于大数据技术获取高动态范围图像，还包括：
通过人工智能AI技术来处理和分析获取到的所述高动态范围图像。
在本申请的一些实施例中，还包括：
通过高斯滤波法对获取到的所述高动态范围图像进行高斯滤波处理。
在本申请的一些实施例中，所述获得所述高动态范围图像的动态可视化结果，包括：
将动态可视化后的所述高动态范围图像向用户展示。
本发明提供了一种基于大数据技术的图像动态可视化方法，与现有技术相比，其有益效果在于：
本发明通过基于大数据技术获取高动态范围图像，对高动态范围图像进行色彩空间转换，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，再对颜色分量进行色彩信息处理以及重建处理，获得高动态范围图像的动态可视化结果，再结合图像的亮度分量、结构分量等参数调整亮度值以及纹理分量等参数，将各参数实时化调整，以提高最终图像的色彩度，给用户提供了极佳的视觉效果。
附图说明
图1是本发明实施例中基于大数据技术的图像动态可视化方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内侧的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
现有技术中，动态可视化主要都是应用于图表数据动态可视化以及网络信息动态可视化，并不存在应用于图像的动态可视化技术，并且，针对图像处理的动态可视化过程中，由于图像区别于数据信息，图像信息包括的基本属性有像素、分辨率、颜色、色调、饱和度、亮度、色彩通道等组成，因此，对于图像的动态可视化处理需要对各种基本属性的参数进行调整，否则，就会导致最终图像的动态可视化效果不佳的问题。
因此，本发明提供了一种基于大数据技术的图像动态可视化方法，通过多参数化的图像处理手段，极大地提高了最终的图像动态可视化效果，可以有效地实现了高动态范围场景可视化。
高动态范围图像，简称HDR，相比普通的图像，可以提供更多的动态范围和图像细节，根据不同的曝光时间的LDR图像，利用每个曝光时间相对应最佳细节的LDR图像来合成合成最终HDR图像，能够更好的反映人真实环境中的视觉效果。
参阅图1所示，本发明的公开实施例提供了一种基于大数据技术的图像动态可视化方法，包括：
基于大数据技术获取高动态范围图像；
对高动态范围图像进行色彩空间转换，获得高动态范围图像的亮度分量和颜色分量；
对亮度分量进行归一化处理，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，对结构分量进行自适应动态范围压缩，获得压缩输出，对纹理分量和压缩输出进行基于泰勒级数的纹理信息融合，获得重建后的亮度信息，对颜色分量进行色彩信息处理；
根据重建后的亮度信息和经色彩信息处理后的颜色分量进行色彩信息恢复，获得高动态范围图像的动态可视化结果。
在本申请的一种具体实施例中，对高动态范围图像进行色彩空间转换，包括：
将高动态范围图像从RGB色彩空间转换到HSV色彩空间，并获得色调信息H、饱和度信息S和亮度信息V；其中，
亮度分量包括亮度信息V，颜色分量包括色调信息H和饱和度信息S。
在本申请的一种具体实施例中，还包括：获取亮度分量的最大值N；
预先设定预设亮度分量最大值矩阵T0和预设归一化亮度值矩阵A，对于预设归一化亮度值矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设归一化亮度值，A2为第二预设归一化亮度值，A3为第三预设归一化亮度值，A4为第四预设归一化亮度值，且A1＜A2＜A3＜A4；
对于预设亮度分量最大值矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设亮度分量最大值，T02为第二预设亮度分量最大值，T03为第三预设亮度分量最大值，T04为第四预设亮度分量最大值，且T01＜T02＜T03＜T04；
根据N与预设亮度分量最大值矩阵T0之间的关系选定相应的归一化亮度值作为归一化处理后的亮度值；
当N＜T01时，选定第四预设归一化亮度值A4作为归一化处理后的亮度值；
当T01≤N＜T02，选定第三预设归一化亮度值A3作为归一化处理后的亮度值；
当T02≤N＜T03，选定第二预设归一化亮度值A2作为归一化处理后的亮度值；
当T03≤N＜T04，选定第一预设归一化亮度值A1作为归一化处理后的亮度值。
在本申请的一种具体实施例中，还包括：计算归一化处理后的亮度图像的结构分量M；
预先设定预设结构分量矩阵Y0和预设纹理分量矩阵B，对于预设预设纹理分量矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设纹理分量，B2为第二预设纹理分量，B3为第三预设纹理分量，B4为第四预设纹理分量，且B1＜B2＜B3＜B4；
对于预设结构分量矩阵Y0，设定Y0(Y01,Y02,Y03,Y04),其中，Y01为第一预设结构分量，Y02为第二预设结构分量，Y03为第三预设结构分量，Y04为第四预设结构分量，且Y01＜Y02＜Y03＜Y04；
根据M与预设结构分量矩阵Y0之间的关系选定相应的纹理分量作为归一化处理后的亮度图像的纹理分量；
当M＜Y01时，选定第四预设纹理分量B4作为归一化处理后的亮度图像的纹理分量；
当Y01≤M＜Y02，选定第三预设纹理分量B3作为归一化处理后的亮度图像的纹理分量；
当Y02≤M＜Y03，选定第二预设纹理分量B2作为归一化处理后的亮度图像的纹理分量；
当Y03≤M＜Y04，选定第一预设纹理分量B1作为归一化处理后的亮度图像的纹理分量。
在本申请的一种具体实施例中，还包括：计算结构分量的平均值m；
预先设定预设结构分量平均值矩阵I0和预设压缩输出值矩阵C，对于预设压缩输出值矩阵C，设定C(C1,C2,C3,C4)，其中C1为第一预设压缩输出值，C2为第二预设压缩输出值，C3为第三预设压缩输出值，C4为第四预设压缩输出值，且C1＜C2＜C3＜C4；
对于预设结构分量平均值矩阵I0，设定I0(I01,I02,I03,I04),其中，I01为第一预设结构分量平均值，I02为第二预设结构分量平均值，I03为第三预设结构分量平均值，I04为第四预设结构分量平均值，且I01＜I02＜I03＜I04；
根据m与预设结构分量平均值矩阵I0之间的关系选定相应的压缩输出值作为结构分量进行自适应动态范围压缩；
当m＜I01时，选定第一预设压缩输出值C1作为结构分量进行自适应动态范围压缩；
当I01≤m＜I02，选定第二预设压缩输出值C2作为结构分量进行自适应动态范围压缩；
当I02≤m＜I03，选定第三预设压缩输出值C3作为结构分量进行自适应动态范围压缩；
当I03≤m＜I04，选定第四预设压缩输出值C4作为结构分量进行自适应动态范围压缩。
在本申请的一种具体实施例中，预先设定预设重建亮度信息矩阵D，设定D(D1,D2,D3,D4)，其中D1为第一预设重建亮度信息，D2为第二预设重建亮度信息，D3为第三预设重建亮度信息，D4为第四预设重建亮度信息，且D1＜D2＜D3＜D4；
当选定第一预设压缩输出值C1作为结构分量进行自适应动态范围压缩时，选定第一预设重建亮度信息D1作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定第二预设压缩输出值C2作为结构分量进行自适应动态范围压缩时，选定第二预设重建亮度信息D2作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定第三预设压缩输出值C3作为结构分量进行自适应动态范围压缩时，选定第三预设重建亮度信息D3作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定第四预设压缩输出值C4作为结构分量进行自适应动态范围压缩时，选定第四预设重建亮度信息D4作为基于泰勒级数的纹理信息融合后重建获得的亮度信息。
在本申请的一种具体实施例中，预先设定预设原始饱和度信息矩阵W0和预设色彩空间转换饱和度信息矩阵E，对于预设色彩空间转换饱和度信息矩阵E，设定E(E1,E2,E3,E4)，其中E1为第一预设色彩空间转换饱和度信息，E2为第二预设色彩空间转换饱和度信息，E3为第三预设色彩空间转换饱和度信息，E4为第四预设色彩空间转换饱和度信息，且E1＜E2＜E3＜E4；
对于预设原始饱和度信息矩阵W0，设定W0(W01,W02,W03,W04),其中，W01为第一预设原始饱和度信息，W02为第二预设原始饱和度信息，W03为第三预设原始饱和度信息，W04为第四预设原始饱和度信息，且W01＜W02＜W03＜W04；
根据S与预设原始饱和度信息矩阵W0之间的关系选定相应的色彩空间转换饱和度信息作为调整处理后的饱和度信息；
当S＜W01时，选定第四预设色彩空间转换饱和度信息E4作为调整处理后的饱和度信息；
当W01≤S＜W02，选定第三预设色彩空间转换饱和度信息E3作为调整处理后的饱和度信息；
当W02≤S＜W03，选定第二预设色彩空间转换饱和度信息E2作为调整处理后的饱和度信息；
当W03≤S＜W04，选定第一预设色彩空间转换饱和度信息E1作为调整处理后的饱和度信息。
在本申请的一种具体实施例中，基于大数据技术获取高动态范围图像，还包括：
通过人工智能AI技术来处理和分析获取到的高动态范围图像。
在本申请的一种具体实施例中，还包括：
通过高斯滤波法对获取到的高动态范围图像进行高斯滤波处理。
在本申请的一种具体实施例中，获得高动态范围图像的动态可视化结果，包括：
将动态可视化后的高动态范围图像向用户展示。
根据本发明的第一技术构思，本发明通过对高动态范围图像进行色彩空间转换以及归一化处理，得到亮度图像的结构分量和纹理分量，再结合动态压缩以及数据融合等方式获得高动态范围图像的动态可视化结果，解决了如何应用于图像的动态可视化技术的问题。
根据本发明的第二技术构思，本发明通过结合亮度分量、结构分量以及重建亮度信息等作为参数，进行适时化地调整，对高动态范围图像进行合理化的参数输出调整，有效的提高了最终的图像动态可视化效果。
综上所述，本发明通过基于大数据技术获取高动态范围图像，对高动态范围图像进行色彩空间转换，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，再对颜色分量进行色彩信息处理以及重建处理，获得高动态范围图像的动态可视化结果，再结合图像的亮度分量、结构分量等参数调整亮度值以及纹理分量等参数，将各参数实时化调整，以提高最终图像的色彩度，给用户提供了极佳的视觉效果。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (8)

1.一种基于大数据技术的图像动态可视化方法，其特征在于，包括：
基于大数据技术获取高动态范围图像；
对所述高动态范围图像进行色彩空间转换，获得所述高动态范围图像的亮度分量和颜色分量；
对所述亮度分量进行归一化处理，并利用Total Variation模型提取归一化处理后的亮度图像的结构分量和纹理分量，对所述结构分量进行自适应动态范围压缩，获得压缩输出，对所述纹理分量和所述压缩输出进行基于泰勒级数的纹理信息融合，获得重建后的亮度信息，对所述颜色分量进行色彩信息处理；
根据所述重建后的亮度信息和经所述色彩信息处理后的所述颜色分量进行色彩信息恢复，获得所述高动态范围图像的动态可视化结果;
所述对所述高动态范围图像进行色彩空间转换，包括：
将所述高动态范围图像从RGB色彩空间转换到HSV色彩空间，并获得色调信息H、饱和度信息S和亮度信息V；其中，
所述亮度分量包括所述亮度信息V，所述颜色分量包括所述色调信息H和所述饱和度信息S;
还包括：获取所述亮度分量的最大值N；
预先设定预设亮度分量最大值矩阵T0和预设归一化亮度值矩阵A，对于所述预设归一化亮度值矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设归一化亮度值，A2为第二预设归一化亮度值，A3为第三预设归一化亮度值，A4为第四预设归一化亮度值，且A1＜A2＜A3＜A4；
对于所述预设亮度分量最大值矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设亮度分量最大值，T02为第二预设亮度分量最大值，T03为第三预设亮度分量最大值，T04为第四预设亮度分量最大值，且T01＜T02＜T03＜T04；
根据N与所述预设亮度分量最大值矩阵T0之间的关系选定相应的归一化亮度值作为归一化处理后的亮度值；
当N＜T01时，选定所述第四预设归一化亮度值A4作为归一化处理后的亮度值；
当T01≤N＜T02，选定所述第三预设归一化亮度值A3作为归一化处理后的亮度值；
当T02≤N＜T03，选定所述第二预设归一化亮度值A2作为归一化处理后的亮度值；
当T03≤N＜T04，选定所述第一预设归一化亮度值A1作为归一化处理后的亮度值。
2.根据权利要求1所述的一种基于大数据技术的图像动态可视化方法，其特征在于，还包括：计算归一化处理后的亮度图像的结构分量M；
预先设定预设结构分量矩阵Y0和预设纹理分量矩阵B，对于所述预设纹理分量矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设纹理分量，B2为第二预设纹理分量，B3为第三预设纹理分量，B4为第四预设纹理分量，且B1＜B2＜B3＜B4；
对于所述预设结构分量矩阵Y0，设定Y0(Y01,Y02,Y03,Y04),其中，Y01为第一预设结构分量，Y02为第二预设结构分量，Y03为第三预设结构分量，Y04为第四预设结构分量，且Y01＜Y02＜Y03＜Y04；
根据M与所述预设结构分量矩阵Y0之间的关系选定相应的纹理分量作为归一化处理后的亮度图像的纹理分量；
当M＜Y01时，选定所述第四预设纹理分量B4作为归一化处理后的亮度图像的纹理分量；
当Y01≤M＜Y02，选定所述第三预设纹理分量B3作为归一化处理后的亮度图像的纹理分量；
当Y02≤M＜Y03，选定所述第二预设纹理分量B2作为归一化处理后的亮度图像的纹理分量；
当Y03≤M＜Y04，选定所述第一预设纹理分量B1作为归一化处理后的亮度图像的纹理分量。
3.根据权利要求2所述的一种基于大数据技术的图像动态可视化方法，其特征在于，还包括：计算所述结构分量的平均值m；
预先设定预设结构分量平均值矩阵I0和预设压缩输出值矩阵C，对于所述预设压缩输出值矩阵C，设定C(C1,C2,C3,C4)，其中C1为第一预设压缩输出值，C2为第二预设压缩输出值，C3为第三预设压缩输出值，C4为第四预设压缩输出值，且C1＜C2＜C3＜C4；
对于所述预设结构分量平均值矩阵I0，设定I0(I01,I02,I03,I04),其中，I01为第一预设结构分量平均值，I02为第二预设结构分量平均值，I03为第三预设结构分量平均值，I04为第四预设结构分量平均值，且I01＜I02＜I03＜I04；
根据m与所述预设结构分量平均值矩阵I0之间的关系选定相应的压缩输出值作为所述结构分量进行自适应动态范围压缩；
当m＜I01时，选定所述第一预设压缩输出值C1作为所述结构分量进行自适应动态范围压缩；
当I01≤m＜I02，选定所述第二预设压缩输出值C2作为所述结构分量进行自适应动态范围压缩；
当I02≤m＜I03，选定所述第三预设压缩输出值C3作为所述结构分量进行自适应动态范围压缩；
当I03≤m＜I04，选定所述第四预设压缩输出值C4作为所述结构分量进行自适应动态范围压缩。
4.根据权利要求3所述的一种基于大数据技术的图像动态可视化方法，其特征在于，
预先设定预设重建亮度信息矩阵D，设定D(D1,D2,D3,D4)，其中D1为第一预设重建亮度信息，D2为第二预设重建亮度信息，D3为第三预设重建亮度信息，D4为第四预设重建亮度信息，且D1＜D2＜D3＜D4；
当选定所述第一预设压缩输出值C1作为所述结构分量进行自适应动态范围压缩时，选定所述第一预设重建亮度信息D1作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第二预设压缩输出值C2作为所述结构分量进行自适应动态范围压缩时，选定所述第二预设重建亮度信息D2作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第三预设压缩输出值C3作为所述结构分量进行自适应动态范围压缩时，选定所述第三预设重建亮度信息D3作为基于泰勒级数的纹理信息融合后重建获得的亮度信息；
当选定所述第四预设压缩输出值C4作为所述结构分量进行自适应动态范围压缩时，选定所述第四预设重建亮度信息D4作为基于泰勒级数的纹理信息融合后重建获得的亮度信息。
5.根据权利要求1所述的一种基于大数据技术的图像动态可视化方法，其特征在于，
预先设定预设原始饱和度信息矩阵W0和预设色彩空间转换饱和度信息矩阵E，对于所述预设色彩空间转换饱和度信息矩阵E，设定E(E1,E2,E3,E4)，其中E1为第一预设色彩空间转换饱和度信息，E2为第二预设色彩空间转换饱和度信息，E3为第三预设色彩空间转换饱和度信息，E4为第四预设色彩空间转换饱和度信息，且E1＜E2＜E3＜E4；
对于所述预设原始饱和度信息矩阵W0，设定W0(W01,W02,W03,W04),其中，W01为第一预设原始饱和度信息，W02为第二预设原始饱和度信息，W03为第三预设原始饱和度信息，W04为第四预设原始饱和度信息，且W01＜W02＜W03＜W04；
根据S与所述预设原始饱和度信息矩阵W0之间的关系选定相应的色彩空间转换饱和度信息作为调整处理后的饱和度信息；
当S＜W01时，选定所述第四预设色彩空间转换饱和度信息E4作为调整处理后的饱和度信息；
当W01≤S＜W02，选定所述第三预设色彩空间转换饱和度信息E3作为调整处理后的饱和度信息；
当W02≤S＜W03，选定所述第二预设色彩空间转换饱和度信息E2作为调整处理后的饱和度信息；
当W03≤S＜W04，选定所述第一预设色彩空间转换饱和度信息E1作为调整处理后的饱和度信息。
6.根据权利要求1所述的一种基于大数据技术的图像动态可视化方法，其特征在于，所述基于大数据技术获取高动态范围图像，还包括：
通过人工智能AI技术来处理和分析获取到的所述高动态范围图像。
7.根据权利要求6所述的一种基于大数据技术的图像动态可视化方法，其特征在于，还包括：
通过高斯滤波法对获取到的所述高动态范围图像进行高斯滤波处理。
8.根据权利要求1所述的一种基于大数据技术的图像动态可视化方法，其特征在于，所述获得所述高动态范围图像的动态可视化结果，包括：
将动态可视化后的所述高动态范围图像向用户展示。
CN202211732064.1A 2022-12-31 2022-12-31 一种基于大数据技术的图像动态可视化方法 Active CN116152369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211732064.1A CN116152369B (zh) 2022-12-31 2022-12-31 一种基于大数据技术的图像动态可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211732064.1A CN116152369B (zh) 2022-12-31 2022-12-31 一种基于大数据技术的图像动态可视化方法

Publications (2)

Publication Number Publication Date
CN116152369A CN116152369A (zh) 2023-05-23
CN116152369B true CN116152369B (zh) 2023-09-22

Family

ID=86351977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211732064.1A Active CN116152369B (zh) 2022-12-31 2022-12-31 一种基于大数据技术的图像动态可视化方法

Country Status (1)

Country Link
CN (1) CN116152369B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635743A (zh) * 2015-12-30 2016-06-01 福建师范大学 基于显著性检测和全变分的最小可察觉失真方法及系统
CN110493584A (zh) * 2019-07-05 2019-11-22 湖北工程学院 一种高动态范围场景可视化方法、装置和存储介质
CN111724447A (zh) * 2019-03-18 2020-09-29 浙江宇视科技有限公司 一种图像处理方法、系统及电子设备和存储介质
CN113240644A (zh) * 2021-05-17 2021-08-10 青岛信芯微电子科技股份有限公司 高动态范围图像的显示处理方法及相关装置
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质
CN114862694A (zh) * 2022-04-07 2022-08-05 中国人民解放军陆军工程大学 一种保证图像质量的高动态范围图像重建方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635743A (zh) * 2015-12-30 2016-06-01 福建师范大学 基于显著性检测和全变分的最小可察觉失真方法及系统
CN111724447A (zh) * 2019-03-18 2020-09-29 浙江宇视科技有限公司 一种图像处理方法、系统及电子设备和存储介质
CN110493584A (zh) * 2019-07-05 2019-11-22 湖北工程学院 一种高动态范围场景可视化方法、装置和存储介质
CN113240644A (zh) * 2021-05-17 2021-08-10 青岛信芯微电子科技股份有限公司 高动态范围图像的显示处理方法及相关装置
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质
CN114862694A (zh) * 2022-04-07 2022-08-05 中国人民解放军陆军工程大学 一种保证图像质量的高动态范围图像重建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Realistic Scenes Reproduction Based on Total Variation;Weizhong Li 等;《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS 》;第14卷(第11期);4413-4425 *
基于双曝光融合的动态场景高动态范围成像技术研究;李英;《中国优秀硕士学位论文全文数据库 信息科技辑》(第5期);I138-1033 *

Also Published As

Publication number Publication date
CN116152369A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN102970549B (zh) 图像处理方法及装置
CN111445564B (zh) 人脸纹理图像生成方法、装置、计算机设备和存储介质
DE10319094B4 (de) Verfahren und Vorrichtung zum Zuordnen einer Bildverbesserung zu einer Farbe
CN109754375B (zh) 图像处理方法、系统、计算机设备、存储介质和终端
CN110248242B (zh) 一种图像处理和直播方法、装置、设备和存储介质
CN103310468A (zh) 色距测量装置、色距测量方法和程序
CN104636726A (zh) 一种图像色彩识别方法、装置及终端
CN113132696B (zh) 图像色调映射方法、装置、电子设备和存储介质
CN103733219B (zh) 图像处理装置、图像处理方法、及储存程序的储存媒体
EP3358523A1 (en) A system and method for illumination correction of colored overlays on an image
WO2020228346A1 (zh) 变电站三维数字化建模方法、系统、装置及存储介质
CN106997608A (zh) 一种生成光晕效果图的方法及装置
CN103559870A (zh) 显示终端的色彩显示调节方法和装置
CN116152369B (zh) 一种基于大数据技术的图像动态可视化方法
Artusi et al. Automatic saturation correction for dynamic range management algorithms
US9092889B2 (en) Image processing apparatus, image processing method, and program storage medium
CN105516674B (zh) 一种具有hdr显示功能的监视设备
JP5896204B2 (ja) 画像処理装置及びプログラム
WO2020228348A1 (zh) 校园三维数字化建模方法、系统、装置及存储介质
CN108174183A (zh) 一种基于物联网的vr影像数据控制系统
Bojie et al. Research on tea bud identification technology based on HSI/HSV color transformation
JP3873477B2 (ja) 画像処理装置および画像処理方法
CN103325101A (zh) 彩色特征的提取方法及装置
CN114155569B (zh) 一种化妆进度检测方法、装置、设备及存储介质
CN110874816B (zh) 一种图像处理方法、装置、移动终端及存储介质

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