CN117475965B - 一种低功耗反射屏色彩增强方法 - Google Patents
一种低功耗反射屏色彩增强方法 Download PDFInfo
- Publication number
- CN117475965B CN117475965B CN202311823667.7A CN202311823667A CN117475965B CN 117475965 B CN117475965 B CN 117475965B CN 202311823667 A CN202311823667 A CN 202311823667A CN 117475965 B CN117475965 B CN 117475965B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- power consumption
- mapping
- adjustment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 110
- 230000002829 reductive effect Effects 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 41
- 238000013139 quantization Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000001965 increasing effect Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 17
- 239000003086 colorant Substances 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 12
- 230000002441 reversible effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 230000004075 alteration Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
- G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2320/00—Control of display operating conditions
- G09G2320/06—Adjustment of display parameters
- G09G2320/0666—Adjustment of display parameters for control of colour parameters, e.g. colour temperature
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2330/00—Aspects of power supply; Aspects of display protection and defect management
- G09G2330/02—Details of power systems and of start or stop of display operation
- G09G2330/021—Power management, e.g. power saving
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2340/00—Aspects of display data processing
- G09G2340/06—Colour space transformation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
本申请提供一种低功耗反射屏色彩增强方法,包括:获取屏幕显示内容,提取视觉特征,判断内容所属学科类别;简化颜色映射曲线,减少映射计算量,降低控制电路功耗;记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗;当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率;当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置;构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种低功耗反射屏色彩增强方法。
背景技术
在当今教育领域,尤其是对于依赖于视觉元素的学科,包括地理、生物和化学,对显示设备的色彩还原度和对比度有着极其严格的要求,在这些学科中,准确的颜色展示对于帮助学生理解复杂的概念和数据至关重要,在生物学中,色彩的精确呈现可以帮助学生区分不同的细胞类型和组织结构;在化学中,色彩用于表示不同的化学物质和反应过程。随着对色彩精度要求的不断增加,传统显示技术在尝试提供更广泛的色域和更精确的颜色表现时,面临着一个主要挑战,功耗的显著增加,这种增加的能源消耗不仅增加了经济成本,还对设备的长时间运行能力构成了严峻的挑战。此外,并非所有学科都对色彩的精确度有高度要求,在语文、历史或数学等学科中,色彩的重要性相对较低,因此在这些领域中降低色彩精度可以作为减少功耗的有效策略。然而,现有的显示技术通常缺乏对不同学科需求的特定优化能力,不区分不同学科的特定色彩需求。在资源有限的教育环境中,如何有效地管理功耗成为了一个重要的议题,能源效率低下的显示技术不仅增加了能源成本,还可能对经济造成不必要的负担。现有的显示技术在尝试平衡高颜色精度和低功耗之间的需求时面临着显著的技术矛盾。一方面,部分学科包括地理、生物、化学需要高颜色精度来提升学习效果,另一方面,为了控制设备的总体能耗,需要限制色彩的表现,这种矛盾导致了难以同时满足教育质量和能源效率的挑战。尽管市场和教育领域对动态管理色彩空间的需求日益增长,以适应不同学科的特定需求,但目前的显示技术很难在保持色彩质量的同时实现功耗的有效管理,这种局限性不仅影响了教育效果的最大化,也限制了教育技术的可持续发展,解决这一技术挑战,找到一种能够动态调整色彩空间以适应不同学科需求同时有效管理功耗的显示技术,成为了当前教育领域技术发展的重要方向。
发明内容
本发明提供了一种低功耗反射屏色彩增强方法,主要包括:
获取屏幕显示内容,提取视觉特征,判断内容所属学科类别;若判断为关键学科,将图像色彩空间从sRGB转换为AdobeRGB,映射源色彩空间到扩大目标色彩空间,增大色域范围,使用gamma曲线调整算法,对各颜色通道逐点调整映射关系,提高颜色还原精度;对判断为非关键学科内容,运行基于量化的参数化缩减色彩空间算法,通过量化参数调整将源色彩空间高精度样本映射到低精度目标空间,降低色域范围;简化颜色映射曲线,减少映射计算量,降低控制电路功耗;记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗;当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率;当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置;构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围。
进一步可选的,所述获取屏幕显示内容,提取视觉特征,判断内容所属学科类别,包括:
根据屏幕捕获工具或接口的功能,获取当前屏幕上显示的内容,包括静态图像或连续视频流,得到原始图像数据;对捕获的图像进行预处理,包括调整图像大小、裁剪边缘和去噪,得到经过优化处理的图像数据;获取预处理后的图像数据,使用颜色直方图和颜色分布评估,得到图像的颜色特征数据;对图像使用canny算法进行边缘检测和使用灰度共生矩阵进行纹理分析,得到图像的纹理和形状特征数据;根据得到的颜色特征数据和纹理形状特征数据,构建学科分类数据集,数据集包含各个学科的代表性图像,并标记有相应类别;将对色域范围存在要求的学科判断为关键学科,包括地理、生物、化学、物理,对色域范围不存在要求的学科为非关键学科,包括语文、数学、政治、英语、历史;将学科分类数据集分为训练集和验证集,使用支持向量机构建学科分类模型,将训练集输入学科分类模型进行训练,输入为颜色特征数据和纹理形状特征数据,输出为图像所属的学科类别;使用验证集验证学科分类模型的准确性,并调整学科分类模型参数。
进一步可选的,所述若判断为关键学科,将图像色彩空间从sRGB转换为AdobeRGB,映射源色彩空间到扩大目标色彩空间,增大色域范围,使用gamma曲线调整算法,对各颜色通道逐点调整映射关系,提高颜色还原精度,包括:
获取图像数据、图像数据的学科分类以及学科是否为关键学科,对源色彩空间进行处理,将图像RGB色彩空间从sRGB转换到AdobeRGB,映射源色彩空间到目标色彩空间,得到色域扩展后的图像数据;对色域扩展后的图像数据使用Gamma曲线调整算法进行处理,对每个颜色通道逐点调整其映射关系,得到颜色还原精度提高的图像数据;对经过Gamma曲线调整的图像数据进行颜色合规性检查,比较图像中的颜色与地理或生物学科标准颜色的差异,确定图像中的颜色显示是否符合地理或生物学科的要求;对比色调、饱和度和亮度颜色数据,确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配;若颜色数据匹配度低于预设匹配度,对图像数据进行颜色调整,微调Gamma曲线参数,或使用色彩平衡或对比度调整;对颜色调整后的图像再次进行颜色合规性检查,直到确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配;还包括:获取地理图像构建地理图像样本库,建立地理图像色彩映射模型,针对不同景观色调进行色域优化。
所述获取地理图像构建地理图像样本库,建立地理图像色彩映射模型,针对不同景观色调进行色域优化,具体包括:
获取不同地貌类型的地理图像,包括沙漠、森林、海洋图像,代表不同的色调和环境,得到一个覆盖各种地理景观的地理图像样本库。使用支持向量机构建一个地理图像色彩映射模型,识别不同地貌类型的色彩特性,通过对地理图像样本库中的图像进行分析,根据不同景观色调对图片进行色域优化,输出映射不同地理景观色彩。获取待处理的地理图像数据,并使用训练好的地理图像色彩映射模型对其进行处理,根据图像中景观的类型调整色域和色彩平衡,提高颜色的真实性和视觉效果,获得色域优化后的地理图像。对优化后的图像进行视觉效果评估,确认其色彩还原的准确性和自然度。
进一步可选的,所述对判断为非关键学科内容,运行基于量化的参数化缩减色彩空间算法,通过量化参数调整将源色彩空间高精度样本映射到低精度目标空间,降低色域范围,包括:
获取图片数据的学科分类结果,当图片被判断为非关键学科时,对色彩空间进行缩减处理;对图像数据执行基于量化的参数化缩减色彩空间算法,通过量化参数来调整图像的色彩空间,输出色彩空间已缩减的图像数据;通过量化参数调整,将源色彩空间的高精度样本映射到低精度的目标色彩空间,减少颜色深度和简化颜色范围,输出调整后的色彩空间参数;根据色彩空间参数,对图像进行最终色域调整,降低图像的色域范围,输出色域范围降低后的图像数据;经过色彩空间缩减和色域调整后,得到最终的图像,保持视觉信息的同时,简化色彩表现。
进一步可选的,所述简化颜色映射曲线,减少映射计算量,降低控制电路功耗,包括:
根据RGB三通道的颜色映射曲线模型,获取曲线在输入和输出端的对应关系,若当前映射属于高阶映射转换,进行简化处理;分析映射曲线的采样分布,若发现区域的采样点密度高于预设密度,且存在过渡段,判断区域的采样为冗余;获取在高亮度和高饱和度区域对应的曲线端点,对冗余的采样点,减少过渡段的采样数量,通过直接连通曲线端点采样,使用分段线性函数替代原映射曲线,对图像的高光和暗部区域进行监测,控制线性化处理导致的失真;根据显示面板的响应曲线参数,调节线性映射函数的斜率,提高映射曲线在显示面板上的复现精度,降低色差;对不同程度的曲线简化操作进行色彩误差测试,确定容错上限;获取不同映射曲线运算复杂度对应的显示驱动功率消耗,根据数据使用线性回归建立一个映射计算复杂度与电路功耗之间的关系模型,在给定的电路结构约束下,预测最佳映射曲线运算复杂度;根据动态与静态图像不同类型的显示内容调整映射曲线的计算鲁棒性,动态内容,增加采样计算,静态图像内容,降低采样计算;评估不同程度曲线简化对图像质量和稳定性的影响,在控制质量损失的前提下,最大化降低计算复杂度;确定最终的RGB通道颜色映射模型,将采样点集中在关键端点,简化过渡段采样,以减少电路的运算量和功耗,关键端点即对应颜色的极值点,包括最亮和最暗点。
进一步可选的,所述记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗,包括:
获取显示器历史运行数据集,数据集包含不同色域模式参数和帧率设置下的功耗监测数据;对历史数据集进行分析,提取特征参数,包括颜色通道、动态范围、帧率,作为状态描述向量,每个状态描述向量标注对应的实际功耗值;使用线性回归算法,建立功耗预测模型,输入状态描述向量,输出预测功耗;对于预测误差大于预设误差的样本,更新模型策略,优化模型的预测性能;实时获取当前显示流程的色彩和帧率配置参数,作为模型的输入,输出预测功耗消耗;监控实际功率状态,并将模型预测的功耗值与功率计的实测值进行比对,判断预测模型的准确率,若预测准确率低于预设要求,扩充历史样本数据集,校准模型参数,提高预测精度。
进一步可选的,所述当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率,包括:
加载当前的显示内容,并使用canny算子对图像进行分割,将图像拆分为关键区域和非关键区域;对所有像素进行分类,建立区域索引表,标注每个像素所属的类别,即关键区域或非关键区域;根据功耗预测模型获取实时功耗监测值,并判断当前的功耗是否超过预设功耗值;若当前功耗超过预设功耗值,计算非关键区域的颜色直方图分布特性,并使用JPEG对非关键区域压缩色域,同时将显示面板关键区域的帧率降低到最小值,降低负载;评估区域压缩效果及总体图像质量,若质量低于预设质量,则降低压缩倍率,提高视觉体验;还包括:根据色彩和纹理特征,区分显示内容的关键区域和非关键区域。
所述根据色彩和纹理特征,区分显示内容的关键区域和非关键区域,具体包括:
加载需要处理的显示内容,准备进行色彩和纹理特征的提取。使用色彩直方图分析方法提取图像的色彩特征,包括主要和次要颜色的分布。使用Gabor滤波器提取图像的纹理特征,识别图像中的模式和结构。基于提取的色彩和纹理特征,使用k-means聚类将图像划分为多个区域。使用支持向量机建立区域区分模型,输入分割后区域的色彩和纹理特征,判断区域为关键区域或非关键区域。计算区域内像素的平均色彩饱和度、色彩对比度,使用灰度共生矩阵获取区域内纹理的均匀性、方向性。若区域内饱和度高于预设饱和度,对比度高于预设对比度,则为关键区域;若区域内纹理不均匀度高于预设不均匀度,纹理方向性多于预设方向性为关键区域。对区分结果进行验证,输出处理后的图像,图像标识出关键区域和非关键区域。
进一步可选的,所述当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置,包括:
实时监测功耗,并与预设的功耗阈值进行比较,当监测到的功耗值降低至正常范围内时,开始逆向调整过程;将为节省功耗而降低的非关键区域色域配置增加色域范围,直至达到最初的色彩配置;将关键区域的帧率逐步提升,恢复到正常运行时的帧率水平,在调整过程中,监测图像质量和性能,确保在恢复高质量图像的同时,不会再次引起功耗高于预设功耗;根据实际调整效果,优化调整策略,若发现逆向调整导致功耗高于预设功耗,减缓调整速率或调整功耗阈值。
进一步可选的,所述构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围,包括:
在显示设备安装光电二极管传感器,实时监测环境光的强度和质量,使用光电二极管传感器持续监测光强;将光强转换为色温参数,构建颜色调节模型,根据环境色温参数动态调整显示设备的色域范围;T是由光电二极管传感器测量得到的环境色温,定义一个调节因子F来调整显示设备的色域设置,,其中,a和b是调整系数,调节色温对色域影响的强度;根据调节因子F,定义色域调整的公式;蓝色通道调整,/>;红色通道调整,/>;其中,/>和/>分别是调整后的蓝色和红色通道的强度,而/>和/>是原始的蓝色和红色通道强度;模型根据色温对视觉感知的影响调节色域范围,并按照颜色调节模型输出,动态调整显示设备的色域设置;监测调整后的显示效果,根据用户反馈和长期性能数据,持续调整系数a和b,生成最佳色域范围。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种低功耗反射屏色彩增强方法。通过对屏幕内容的视觉特征分析,能够识别关键学科类别,并根据这一分类动态调整色彩空间。对于色彩敏感的学科,包括地理和生物,通过扩大色域和调整颜色通道,显著提高了颜色的还原精度和视觉效果。同时,对于对颜色要求不高的学科如语文,降低了色彩复杂度,节约了存储和处理资源。此外,通过简化颜色映射曲线,有效减少了计算量和电路功耗,在功耗超过预设功耗时,智能地调整非关键区域的色域和关键区域的帧率,平衡了图像质量与能耗,增强了能效管理。当环境光变化时,还能自动调节色域范围,确保图像显示与环境光线相匹配,进一步提升了用户体验。
附图说明
图1为本发明的一种低功耗反射屏色彩增强方法的流程图。
图2为本发明的一种低功耗反射屏色彩增强方法的示意图。
图3为本发明的一种低功耗反射屏色彩增强方法的又一示意图。
具体实施方式
为进一步了解本发明的内容,结合附图及实施例对本发明作详细描述。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
本实施例一种低功耗反射屏色彩增强方法具体可以包括:
步骤S101,获取屏幕显示内容,提取视觉特征,判断内容所属学科类别。
根据屏幕捕获工具或接口的功能,获取当前屏幕上显示的内容,包括静态图像或连续视频流,得到原始图像数据。对捕获的图像进行预处理,包括调整图像大小、裁剪边缘和去噪,得到经过优化处理的图像数据。获取预处理后的图像数据,使用颜色直方图和颜色分布评估,得到图像的颜色特征数据。对图像使用canny算法进行边缘检测和使用灰度共生矩阵进行纹理分析,得到图像的纹理和形状特征数据。根据得到的颜色特征数据和纹理形状特征数据,构建学科分类数据集,数据集包含各个学科的代表性图像,并标记有相应类别。将对色域范围存在要求的学科判断为关键学科,包括地理、生物、化学、物理,对色域范围不存在要求的学科为非关键学科,包括语文、数学、政治、英语、历史。将学科分类数据集分为训练集和验证集,使用支持向量机构建学科分类模型,将训练集输入学科分类模型进行训练,输入为颜色特征数据和纹理形状特征数据,输出为图像所属的学科类别。使用验证集验证学科分类模型的准确性,并调整学科分类模型参数。
例如,使用OpenCV库中的函数,获取当前屏幕上显示的内容,包括静态图像或连续视频流,得到原始图像数据。对捕获的图像进行预处理,调整图像大小为800x600像素、裁剪边缘20像素并进行去噪处理,得到经过优化处理的图像数据。获取预处理后的图像数据,使用颜色直方图和颜色分布评估,图像中红色像素占总像素数的30%,绿色像素占总像素数的50%,蓝色像素占总像素数的20%,得到颜色特征数据为[3,5,2]。对图像使用canny算法进行边缘检测和使用灰度共生矩阵进行纹理分析,图像中有100个边缘,并经纹理分析得出复杂度为8,得到纹理形状特征数据为[100,8]。根据得到的颜色特征数据和纹理形状特征数据,构建包含不同学科的图像的数据集,每个学科100张图像,每张图像被标记为地理、生物、化学、物理、语文、数学、政治、英语、历史类别。对色域范围存在要求的学科,包括地理、生物、化学、物理标记为关键学科,而对色域范围不存在要求的学科包括语文、数学、政治、英语、历史标记为非关键学科。将学科分类数据集分为训练集和验证集,将数据集中的80%作为训练集,20%作为验证集。使用支持向量机构建学科分类模型,并将训练集输入模型进行训练,输入为颜色特征数据和纹理形状特征数据,输出为图像所属的学科类别。输入颜色特征数据为[3,5,2],纹理形状特征数据为[100,8],输出学科为数学。使用验证集验证学科分类模型的准确性,并调整学科分类模型参数,将验证集中的图像输入模型进行分类预测,与实际类别进行比对,计算准确率或其他评估指标。
步骤S102,若判断为关键学科,将图像色彩空间从sRGB转换为AdobeRGB,映射源色彩空间到扩大目标色彩空间,增大色域范围,使用gamma曲线调整算法,对各颜色通道逐点调整映射关系,提高颜色还原精度。
获取图像数据、图像数据的学科分类以及学科是否为关键学科,对源色彩空间进行处理,将图像RGB色彩空间从sRGB转换到AdobeRGB,映射源色彩空间到目标色彩空间,得到色域扩展后的图像数据。对色域扩展后的图像数据使用Gamma曲线调整算法进行处理,对每个颜色通道逐点调整其映射关系,得到颜色还原精度提高的图像数据。对经过Gamma曲线调整的图像数据进行颜色合规性检查,比较图像中的颜色与地理或生物学科标准颜色的差异,确定图像中的颜色显示是否符合地理或生物学科的要求。对比色调、饱和度和亮度颜色数据,确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配。若颜色数据匹配度低于预设匹配度,对图像数据进行颜色调整,微调Gamma曲线参数,或使用色彩平衡或对比度调整。对颜色调整后的图像再次进行颜色合规性检查,直到确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配。
例如,有一张属于生物学科的图像,为关键学科,原始色彩空间较为有限,目标是通过处理使其色彩更加真实和鲜明。图像数据,分辨率为1280x720的生物学科图像、学科分类,生物学科。将图像的RGB色彩空间从较窄的sRGB转换到AdobeRGB,从而获得更广的色域范围,蓝色通道的色域从(0-200)扩展到了(0-255)。对扩展后的图像使用Gamma曲线调整,原始Gamma值为2.2,调整后的Gamma值设为2.4,图像中的暗部细节得到增强,使得图像的颜色更加丰富。比较调整后图像中的颜色与生物学科的标准颜色样本,一个特定的绿色在标准样本中为RGB(34,139,34),而在图像中为RGB(30,130,30)。若颜色匹配度低于预设匹配度阈值95%,则进行颜色调整,对图像中的绿色通道进行微调,以匹配标准颜色,调整后的绿色通道值为RGB(33,137,33)。对颜色调整后的图像再次进行颜色合规性检查,确保其颜色与标准样本一致,若再次检查的匹配度高于95%,则认为调整成功。
获取地理图像构建地理图像样本库,建立地理图像色彩映射模型,针对不同景观色调进行色域优化。
获取不同地貌类型的地理图像,包括沙漠、森林、海洋图像,代表不同的色调和环境,得到一个覆盖各种地理景观的地理图像样本库。使用支持向量机构建一个地理图像色彩映射模型,识别不同地貌类型的色彩特性,通过对地理图像样本库中的图像进行分析,根据不同景观色调对图片进行色域优化,输出映射不同地理景观色彩。获取待处理的地理图像数据,并使用训练好的地理图像色彩映射模型对其进行处理,根据图像中景观的类型调整色域和色彩平衡,提高颜色的真实性和视觉效果,获得色域优化后的地理图像。对优化后的图像进行视觉效果评估,确认其色彩还原的准确性和自然度。
例如,从一个地理图像数据库中获取了100张沙漠、100张森林和100张海洋的图像样本。每张图像都有一个对应的标签,指示它属于哪种地貌类型。使用支持向量机算法构建一个地理图像色彩映射模型,将每张图像转换为色彩特征向量,使用RGB或LAB颜色空间表示图像的像素值。将图像的特征向量和对应的地貌类型标签输入到支持向量机模型中进行训练。训练完成后,使用训练好的地理图像色彩映射模型对新的待处理地理图像进行色彩映射。有一张未经处理的沙漠图像,将该图像转换为特征向量,通过支持向量机模型预测该图像属于沙漠地貌类型。根据这个预测结果,调整图像的色域和色彩平衡,以突出沙漠地貌的特定色调和环境。为了评估色彩映射的效果,使用色差值,对优化后的图像和原始图像进行色彩差异的分析,得到平均色差值为5。优化后的图像与原始图像之间的平均色彩差异为5个单位,优化后的图像准确而自然地进行了颜色还原。
步骤S103,对判断为非关键学科内容,运行基于量化的参数化缩减色彩空间算法,通过量化参数调整将源色彩空间高精度样本映射到低精度目标空间,降低色域范围。
获取图片数据的学科分类结果,当图片被判断为非关键学科时,对色彩空间进行缩减处理。对图像数据执行基于量化的参数化缩减色彩空间算法,通过量化参数来调整图像的色彩空间,输出色彩空间已缩减的图像数据。通过量化参数调整,将源色彩空间的高精度样本映射到低精度的目标色彩空间,减少颜色深度和简化颜色范围,输出调整后的色彩空间参数。根据色彩空间参数,对图像进行最终色域调整,降低图像的色域范围,输出色域范围降低后的图像数据。经过色彩空间缩减和色域调整后,得到最终的图像,保持视觉信息的同时,简化色彩表现。
例如,有一张图片被判断为语文学科,为非关键学科,需要对其色彩空间进行缩减处理,使用基于量化的参数化缩减色彩空间算法来实现。将图像的色彩空间从RGB色彩空间缩减到256色彩空间。通过量化参数来调整图像的色彩空间,将源色彩空间的高精度样本映射到低精度的目标色彩空间。选择了16个量化参数,每个参数对应一个颜色值,原本RGB色彩空间中的颜色将被映射到这16个颜色值之一,根据色彩空间参数,对图像进行最终色域调整。原始图像的色域范围为0-255,通过修改色彩空间参数来降低图像的色域范围。将色彩空间参数的范围从高精度的0-255映射到低精度的0-128,降低了图像的色域范围。原始图像中有一个像素的RGB颜色值为(198,88,34),经过色彩空间缩减和色域调整后,该像素的颜色值被映射为(99,44,17),该图像保持了足够的视觉信息,同时简化了色彩表现,使其适合于文学学科的应用。
步骤S104,简化颜色映射曲线,减少映射计算量,降低控制电路功耗。
根据RGB三通道的颜色映射曲线模型,获取曲线在输入和输出端的对应关系,若当前映射属于高阶映射转换,进行简化处理。分析映射曲线的采样分布,若发现区域的采样点密度高于预设密度,且存在过渡段,判断区域的采样为冗余。获取在高亮度和高饱和度区域对应的曲线端点,对冗余的采样点,减少过渡段的采样数量,通过直接连通曲线端点采样,使用分段线性函数替代原映射曲线,对图像的高光和暗部区域进行监测,控制线性化处理导致的失真。根据显示面板的响应曲线参数,调节线性映射函数的斜率,提高映射曲线在显示面板上的复现精度,降低色差。对不同程度的曲线简化操作进行色彩误差测试,确定容错上限。获取不同映射曲线运算复杂度对应的显示驱动功率消耗,根据数据使用线性回归建立一个映射计算复杂度与电路功耗之间的关系模型,在给定的电路结构约束下,预测最佳映射曲线运算复杂度。根据动态与静态图像不同类型的显示内容调整映射曲线的计算鲁棒性,动态内容,增加采样计算,静态图像内容,降低采样计算。评估不同程度曲线简化对图像质量和稳定性的影响,在控制质量损失的前提下,最大化降低计算复杂度。确定最终的RGB通道颜色映射模型,将采样点集中在关键端点,简化过渡段采样,以减少电路的运算量和功耗,关键端点即对应颜色的极值点,包括最亮和最暗点。
例如,根据RGB三通道的颜色映射曲线模型,有以下的映射曲线,R通道输入[0,50,100,150,200,255]、R通道输出[0,25,50,175,200,255]、G通道输入[0,50,100,150,200,255]、G通道输出[0,50,100,150,200,255]、B通道输入[0,50,100,150,200,255]、B通道输出[0,25,50,75,100,255],输入和输出都使用了256级的颜色深度,对于高阶映射转换,进行简化处理。将输入和输出的采样点减少为,R通道输入[0,100,200,255]、R通道输出[0,50,200,255]、G通道输入[0,100,200,255]、G通道输出[0,100,200,255]、B通道输入[0,100,200,255]、B通道输出:[0,50,100,255]。在分析映射曲线的采样分布时,预设采样点密度为10个,发现R通道的输入在100到200之间的采样点密度为15个点,并且存在过渡段,认为采样点是冗余的。对于高亮度和高饱和度区域,获取对应的曲线端点,在R通道中,高亮度和高饱和度区域对应的曲线端点是输入为200和255的点,输出为200和255的点。对于R通道的输入在100到200之间的冗余采样点,可以直接连接输入为100和200的点,输出为50和200的点,使用分段线性函数替代原曲线。根据显示面板的响应曲线参数,调节线性映射函数的斜率,以提高映射曲线在显示面板上的复现精度,降低色差。通过测试不同程度的曲线简化操作带来的色彩误差,在控制质量损失的前提下,最大化降低计算复杂度。测试不同映射曲线运算复杂度对应的显示驱动功率消耗,建立一个映射计算复杂度与电路功耗之间的关系模型,得到的线性方程为,显示设备的电路设计允许最大功耗为80瓦特,根据线性模型,预测相应的最佳复杂度值,将80瓦特代入模型方程,解得x约为22.9,最佳映射曲线复杂度为22.9。根据动态与静态图像的不同类型的显示内容,可调整映射曲线的计算鲁棒性。对于动态内容,可以增加采样计算,对于静态图像内容,可以降低采样计算。确定最终的RGB通道颜色映射模型,将采样点集中在关键端点,简化过渡段采样,以减少电路的运算量和功耗。
步骤S105,记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗。
获取显示器历史运行数据集,数据集包含不同色域模式参数和帧率设置下的功耗监测数据。对历史数据集进行分析,提取特征参数,包括颜色通道、动态范围、帧率,作为状态描述向量,每个状态描述向量标注对应的实际功耗值。使用线性回归算法,建立功耗预测模型,输入状态描述向量,输出预测功耗。对于预测误差大于预设误差的样本,更新模型策略,优化模型的预测性能。实时获取当前显示流程的色彩和帧率配置参数,作为模型的输入,输出预测功耗消耗。监控实际功率状态,并将模型预测的功耗值与功率计的实测值进行比对,判断预测模型的准确率,若预测准确率低于预设要求,扩充历史样本数据集,校准模型参数,提高预测精度。
例如,有一个显示器历史运行数据集,其中包含了不同色域模式参数和帧率设置下的功耗监测数据,通过分析数据来建立一个功耗预测模型。提取特征参数作为状态描述向量,包括颜色通道、动态范围和帧率,选取的特征参数为红色通道值、动态范围为1000-3000和帧率为60Hz,对于每个状态描述向量,还标注对应的实际功耗值。使用线性回归算法建立功耗预测模型,拟合出的线性回归方程为,。使用实时获取的当前显示流程的色彩和帧率配置参数作为模型的输入,预测功耗消耗。当前的红色通道值为150,动态范围为2000,帧率为60Hz,代入上述线性回归方程来计算预测功耗,。监控实际功率状态,并将模型预测的功耗值与功率计的实测值进行比对,判断预测模型的准确率。功率的实测值为300w,计算预测值与实测值之间的误差,/>。预测误差大于预设误差10w,扩充历史样本数据集,收集更多不同参数下的实际功耗数据,校准模型参数,提高预测精度。
步骤S106,当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率。
加载当前的显示内容,并使用canny算子对图像进行分割,将图像拆分为关键区域和非关键区域。对所有像素进行分类,建立区域索引表,标注每个像素所属的类别,即关键区域或非关键区域。根据功耗预测模型获取实时功耗监测值,并判断当前的功耗是否超过预设功耗值。若当前功耗超过预设功耗值,计算非关键区域的颜色直方图分布特性,并使用JPEG对非关键区域压缩色域,同时将显示面板关键区域的帧率降低到最小值,降低负载。评估区域压缩效果及总体图像质量,若质量低于预设质量,则降低压缩倍率,提高视觉体验。
例如,加载当前的显示内容,并使用canny算子对图像进行分割,将图像拆分为关键区域和非关键区域。对所有像素进行分类,建立区域索引表,标注每个像素所属的类别,即关键区域或非关键区域。图像分辨率为1920x1080像素,共2073600个像素,经过图像分割,得到关键区域包含100000个像素,非关键区域包含1973600个像素。根据功耗预测模型获取实时功耗监测值,并判断当前的功耗是否超过预设功耗值,预设功耗值为500W,实时功耗监测值为550W,当前功耗超过预设功耗值,计算非关键区域的颜色直方图分布特性为[2,3,1,4],并使用JPEG对非关键区域压缩。将显示面板关键区域的帧率降低到最小值,降低负载,原始帧率为60帧/秒,降低到最小值10帧/秒。使用质量评价模块评估区域压缩效果及总体图像质量,经过压缩后的非关键区域的质量评分为8,总体图像质量评分为6,预设图像质量为7。质量低于预设图像质量,降低压缩倍率后,非关键区域的质量评分为9,总体图像质量评分为7,高于预设图像质量,符合要求。
根据色彩和纹理特征,区分显示内容的关键区域和非关键区域。
加载需要处理的显示内容,准备进行色彩和纹理特征的提取。使用色彩直方图分析方法提取图像的色彩特征,包括主要和次要颜色的分布。使用Gabor滤波器提取图像的纹理特征,识别图像中的模式和结构。基于提取的色彩和纹理特征,使用k-means聚类将图像划分为多个区域。使用支持向量机建立区域区分模型,输入分割后区域的色彩和纹理特征,判断区域为关键区域或非关键区域。计算区域内像素的平均色彩饱和度、色彩对比度,使用灰度共生矩阵获取区域内纹理的均匀性、方向性。若区域内饱和度高于预设饱和度,对比度高于预设对比度,则为关键区域;若区域内纹理不均匀度高于预设不均匀度,纹理方向性多于预设方向性为关键区域。对区分结果进行验证,输出处理后的图像,图像标识出关键区域和非关键区域。
例如,加载需要处理的显示内容,一张图片。使用色彩直方图分析方法提取图像的色彩特征,主要颜色分布为[3,2,4],次要颜色分布为[1,3,2]。使用Gabor滤波器提取图像的纹理特征,设图像中的模式和结构为纹理1和纹理2。基于提取的色彩和纹理特征,使用k-means聚类将图像划分为多个区域,划分为3个区域,区域A,区域B,区域C。使用支持向量机建立区域区分模型,输入分割后区域和色彩、纹理特征,计算区域A内像素的平均色彩饱和度为7,色彩对比度为6、计算区域B内像素的平均色彩饱和度为5,色彩对比度为4、计算区域C内像素的平均色彩饱和度为3,色彩对比度为2。使用灰度共生矩阵获取区域A内纹理的均匀性为8,方向性为9、使用灰度共生矩阵获取区域B内纹理的均匀性为5,方向性为3、使用灰度共生矩阵获取区域C内纹理的均匀性为2,方向性为1。预设饱和度为6,预设对比度为5,区域A的饱和度高于预设饱和度,对比度高于预设对比度,判断区域A为关键区域,区域B和区域C的饱和度和对比度都低于预设值,所以判断它们为非关键区域。预设均匀性为6,预设方向性为7,区域A的纹理均匀性高于预设均匀性,纹理方向性高于预设方向性,所以判断区域A为关键区域,区域B和区域C的纹理均匀性和方向性都低于预设值,判断它们为非关键区域。支持向量机模型输出判断结果,区域A为关键区域,区域B和区域C为非关键区域,标识出关键区域A和非关键区域B、C。
步骤S107,当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置。
实时监测功耗,并与预设的功耗阈值进行比较,当监测到的功耗值降低至正常范围内时,开始逆向调整过程。将为节省功耗而降低的非关键区域色域配置增加色域范围,直至达到最初的色彩配置。将关键区域的帧率逐步提升,恢复到正常运行时的帧率水平,在调整过程中,监测图像质量和性能,确保在恢复高质量图像的同时,不会再次引起功耗高于预设功耗。根据实际调整效果,优化调整策略,若发现逆向调整导致功耗高于预设功耗,减缓调整速率或调整功耗阈值。
例如,实时监测的功耗阈值为1000瓦特,并且当前监测到的功耗值为800瓦特。根据预设的调整策略,当监测到的功耗值降低至正常范围内,即小于等于1000瓦特时,开始逆向调整过程。在逆向调整过程中,当前非关键区域的色域配置被降低了20%以节省功耗,为了恢复到最初的色彩配置,可以逐步增加色域范围,直到达到最初的设置,每次增加5%,根据当前降低的20%,需要进行4次增加操作。同时,关键区域的帧率被降低了10%以节省功耗,为了恢复到正常运行时的帧率水平,逐步提升帧率,直到恢复到正常水平,每次提升2%,根据当前降低的10%,需要进行5次提升操作。在调整过程中,需要监测图像质量和性能,以确保在恢复高质量图像的同时,不会再次引起功耗过高。每次调整后都进行评估,并根据实际调整效果来优化调整策略,如果发现逆向调整导致功耗快速升高,减少每次增加色域范围的百分比或提升帧率的百分比。
步骤S108,构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围。
在显示设备安装光电二极管传感器,实时监测环境光的强度和质量,使用光电二极管传感器持续监测光强。将光强转换为色温参数,构建颜色调节模型,根据环境色温参数动态调整显示设备的色域范围。T是由光电二极管传感器测量得到的环境色温,定义一个调节因子F来调整显示设备的色域设置,,其中,a和b是调整系数,调节色温对色域影响的强度。根据调节因子F,定义色域调整的公式。蓝色通道调整,/>。红色通道调整,/>。其中,Bnew和Rnew分别是调整后的蓝色和红色通道的强度,而Boriginal和Roriginal是原始的蓝色和红色通道强度。模型根据色温对视觉感知的影响调节色域范围,并按照颜色调节模型输出,动态调整显示设备的色域设置。监测调整后的显示效果,根据用户反馈和长期性能数据,持续调整系数a和b,生成最佳色域范围。
例如,在某场景中,光电二极管传感器测量到的环境色温T为5000K,调整系数a为0.0005,调整系数b为-2。根据定义的调节因子F,计算得到F=a×T+b=0.0005×5000+(-2)=0.5。根据色域调整的公式,计算蓝色通道调整后的强度Bnew=Boriginal×(1+F)。原始蓝色通道强度Boriginal为8,调整后的蓝色通道强度为Bnew=8×(1+0.5)=12。计算红色通道调整后的强度Rnew=Roriginal×(1−F)。原始红色通道强度Roriginal为7,那么调整后的红色通道强度为Rnew=7×(1-0.5)=3.5。根据模型输出的调整结果,在5000K色温下,蓝色通道强度增加,红色通道强度降低。对调整后的显示效果进行监测,并根据用户反馈和长期性能数据进行评估和分析,不断调整系数a和b,优化显示设备的色域设置。
以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。
Claims (5)
1.一种低功耗反射屏色彩增强方法,其特征在于,所述方法包括:
获取屏幕显示内容,提取视觉特征,判断内容所属学科类别;
若判断为关键学科,将图像色彩空间从sRGB转换为AdobeRGB,映射源色彩空间到扩大目标色彩空间,增大色域范围,使用gamma曲线调整算法,对各颜色通道逐点调整映射关系,提高颜色还原精度;
对判断为非关键学科内容,运行基于量化的参数化缩减色彩空间算法,通过量化参数调整将源色彩空间高精度样本映射到低精度目标空间,降低色域范围;
简化颜色映射曲线,减少映射计算量,降低控制电路功耗;
记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗;
当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率;
当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置;
构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围;
其中,所述获取屏幕显示内容,提取视觉特征,判断内容所属学科类别,包括:
根据屏幕捕获工具或接口的功能,获取当前屏幕上显示的内容,包括静态图像或连续视频流,得到原始图像数据;对捕获的图像进行预处理,包括调整图像大小、裁剪边缘和去噪,得到经过优化处理的图像数据;获取预处理后的图像数据,使用颜色直方图和颜色分布评估,得到图像的颜色特征数据;对图像使用canny算法进行边缘检测和使用灰度共生矩阵进行纹理分析,得到图像的纹理形状特征数据;根据得到的所述颜色特征数据和所述纹理形状特征数据,构建学科分类数据集,所述数据集包含各个学科的代表性图像,并标记有相应类别;将对色域范围存在要求的学科判断为关键学科,包括地理、生物、化学和物理,对色域范围不存在要求的学科为非关键学科,包括语文、数学、政治、英语和历史;将学科分类数据集分为训练集和验证集,使用支持向量机构建学科分类模型,将训练集输入学科分类模型进行训练,输入为颜色特征数据和纹理形状特征数据,输出为图像所属的学科类别;使用验证集验证学科分类模型的准确性,并调整学科分类模型参数;
其中,所述若判断为关键学科,将图像色彩空间从sRGB转换为AdobeRGB,映射源色彩空间到扩大目标色彩空间,增大色域范围,使用gamma曲线调整算法,对各颜色通道逐点调整映射关系,提高颜色还原精度,包括:
获取图像数据和图像数据的学科分类以及学科是否为关键学科,对源色彩空间进行处理,将图像RGB色彩空间从sRGB转换到AdobeRGB,映射源色彩空间到目标色彩空间,得到色域扩展后的图像数据;对色域扩展后的图像数据使用Gamma曲线调整算法进行处理,对每个颜色通道逐点调整其映射关系,得到颜色还原精度提高的图像数据;对经过Gamma曲线调整的图像数据进行颜色合规性检查,比较图像中的颜色与地理或生物学科标准颜色的差异,确定图像中的颜色显示是否符合地理或生物学科的要求;对比色调、饱和度和亮度颜色数据,确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配;若颜色数据匹配度低于预设匹配度,对图像数据进行颜色调整,微调Gamma曲线参数,或使用色彩平衡或对比度调整;对颜色调整后的图像再次进行颜色合规性检查,直到确保图像中的颜色与实际观察到的自然景象或生物标本的颜色相匹配;还包括:获取地理图像构建地理图像样本库,建立地理图像色彩映射模型,针对不同景观色调进行色域优化;
所述获取地理图像构建地理图像样本库,建立地理图像色彩映射模型,针对不同景观色调进行色域优化,具体包括:获取不同地貌类型的地理图像,包括沙漠、森林、海洋图像,代表不同的色调和环境,得到一个覆盖各种地理景观的地理图像样本库;使用支持向量机构建一个地理图像色彩映射模型,识别不同地貌类型的色彩特性,通过对地理图像样本库中的图像进行分析,根据不同景观色调对图片进行色域优化,输出映射不同地理景观色彩;获取待处理的地理图像数据,并使用训练好的地理图像色彩映射模型对其进行处理,根据图像中景观的类型调整色域和色彩平衡,提高颜色的真实性和视觉效果,获得色域优化后的地理图像;对优化后的图像进行视觉效果评估,确认其色彩还原的准确性和自然度;
其中,所述简化颜色映射曲线,减少映射计算量,降低控制电路功耗,包括:
根据RGB三通道的颜色映射曲线模型,获取曲线在输入和输出端的对应关系,若当前映射属于高阶映射转换,进行简化处理;分析映射曲线的采样分布,若发现区域的采样点密度高于预设密度,且存在过渡段,判断区域的采样为冗余;获取在高亮度和高饱和度区域对应的曲线端点,对冗余的采样点,减少过渡段的采样数量,通过直接连通曲线端点采样,使用分段线性函数替代原映射曲线,对图像的高光和暗部区域进行监测,控制线性化处理导致的失真;根据显示面板的响应曲线参数,调节线性映射函数的斜率,提高映射曲线在显示面板上的复现精度,降低色差;对不同程度的曲线简化操作进行色彩误差测试,确定容错上限;获取不同映射曲线运算复杂度对应的显示驱动功率消耗,根据数据使用线性回归建立一个映射计算复杂度与电路功耗之间的关系模型,在给定的电路结构约束下,预测最佳映射曲线运算复杂度;根据动态与静态图像不同类型的显示内容调整映射曲线的计算鲁棒性,动态内容,增加采样计算,静态图像内容,降低采样计算;评估不同程度曲线简化对图像质量和稳定性的影响,在控制质量损失的前提下,最大化降低计算复杂度;确定最终的RGB通道颜色映射模型,将采样点集中在关键端点,简化过渡段采样,以减少电路的运算量和功耗,关键端点即对应颜色的极值点,包括最亮和最暗点;
其中,所述当预测功耗超过预设功耗值时,压缩非关键区域色域,关键区域降低到最小帧率,包括:
加载当前的显示内容,并使用canny算子对图像进行分割,将图像拆分为关键区域和非关键区域;对所有像素进行分类,建立区域索引表,标注每个像素所属的类别,即关键区域或非关键区域;根据功耗预测模型获取实时功耗监测值,并判断当前的功耗是否超过预设功耗值;若当前功耗超过预设功耗值,计算非关键区域的颜色直方图分布特性,并使用JPEG对非关键区域压缩色域,同时将显示面板关键区域的帧率降低到最小值,降低负载;评估区域压缩效果及总体图像质量,若质量低于预设质量,则降低压缩倍率,提高视觉体验;还包括:根据色彩和纹理特征,区分显示内容的关键区域和非关键区域;
所述根据色彩和纹理特征,区分显示内容的关键区域和非关键区域,具体包括:加载需要处理的显示内容,准备进行色彩和纹理特征的提取;使用色彩直方图分析方法提取图像的色彩特征,包括主要和次要颜色的分布;使用Gabor滤波器提取图像的纹理特征,识别图像中的模式和结构;基于提取的色彩和纹理特征,使用k-means聚类将图像划分为多个区域;使用支持向量机建立区域区分模型,输入分割后区域的色彩和纹理特征,判断区域为关键区域或非关键区域;计算区域内像素的平均色彩饱和度、色彩对比度,使用灰度共生矩阵获取区域内纹理的均匀性、方向性;若区域内饱和度高于预设饱和度,对比度高于预设对比度,则为关键区域;若区域内纹理不均匀度高于预设不均匀度,纹理方向性多于预设方向性为关键区域;对区分结果进行验证,输出处理后的图像,图像标识出关键区域和非关键区域。
2.根据权利要求1所述的方法,其中,所述对判断为非关键学科内容,运行基于量化的参数化缩减色彩空间算法,通过量化参数调整将源色彩空间高精度样本映射到低精度目标空间,降低色域范围,包括:
获取图片数据的学科分类结果,当图片被判断为非关键学科时,对色彩空间进行缩减处理;对图像数据执行基于量化的参数化缩减色彩空间算法,通过量化参数来调整图像的色彩空间,输出色彩空间已缩减的图像数据;通过量化参数调整,将源色彩空间的高精度样本映射到低精度的目标色彩空间,减少颜色深度和简化颜色范围,输出调整后的色彩空间参数;根据色彩空间参数,对图像进行最终色域调整,降低图像的色域范围,输出色域范围降低后的图像数据;经过色彩空间缩减和色域调整后,得到最终的图像,保持视觉信息的同时,简化色彩表现。
3.根据权利要求1所述的方法,其中,所述记录不同色域模式与帧率配置下的功耗数据,根据历史统计的色域模式构建功耗预测模型,监测当前色域模式,预测实时功耗,包括:
获取显示器历史运行数据集,数据集包含不同色域模式参数和帧率设置下的功耗监测数据;对历史数据集进行分析,提取特征参数,包括颜色通道、动态范围和帧率,作为状态描述向量,每个状态描述向量标注对应的实际功耗值;使用线性回归算法,建立功耗预测模型,输入状态描述向量,输出预测功耗;对于预测误差大于预设误差的样本,更新模型策略,优化模型的预测性能;实时获取当前显示流程的色彩和帧率配置参数,作为模型的输入,输出预测功耗消耗;监控实际功率状态,并将模型预测的功耗值与功率计的实测值进行比对,判断预测模型的准确率,若预测准确率低于预设要求,扩充历史样本数据集,校准模型参数,提高预测精度。
4.根据权利要求1所述的方法,其中,所述当功耗恢复正常时,逆向恢复非关键色域配置与关键区域帧率配置,包括:
实时监测功耗,并与预设的功耗阈值进行比较,当监测到的功耗值降低至正常范围内时,开始逆向调整过程;将为节省功耗而降低的非关键区域色域配置增加色域范围,直至达到最初的色彩配置;将关键区域的帧率逐步提升,恢复到正常运行时的帧率水平,在调整过程中,监测图像质量和性能,确保在恢复高质量图像的同时,不会再次引起功耗高于预设功耗;根据实际调整效果,优化调整策略,若发现逆向调整导致功耗高于预设功耗,减缓调整速率或调整功耗阈值。
5.根据权利要求1所述的方法,其中,所述构建颜色调节模型,使用光电二极管获取环境光变化,将环境光变化映射为色温参数,根据环境色温变化生成最佳色域范围,包括:
在显示设备安装光电二极管传感器,实时监测环境光的强度和质量,使用光电二极管传感器持续监测光强;将光强转换为色温参数,构建颜色调节模型,根据环境色温参数动态调整显示设备的色域范围;T是由光电二极管传感器测量得到的环境色温,定义一个调节因子F来调整显示设备的色域设置,F=a×T+b,其中,a和b是调整系数,调节色温对色域影响的强度;根据调节因子F,定义色域调整的公式;蓝色通道调整,;红色通道调整,/>;其中,Bnew和Rnew分别是调整后的蓝色和红色通道的强度,而Boriginal和Roriginal是原始的蓝色和红色通道强度;模型根据色温对视觉感知的影响调节色域范围,并按照颜色调节模型输出,动态调整显示设备的色域设置;监测调整后的显示效果,根据用户反馈和长期性能数据,持续调整系数a和b,生成最佳色域范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823667.7A CN117475965B (zh) | 2023-12-28 | 2023-12-28 | 一种低功耗反射屏色彩增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823667.7A CN117475965B (zh) | 2023-12-28 | 2023-12-28 | 一种低功耗反射屏色彩增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475965A CN117475965A (zh) | 2024-01-30 |
CN117475965B true CN117475965B (zh) | 2024-03-15 |
Family
ID=89633323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823667.7A Active CN117475965B (zh) | 2023-12-28 | 2023-12-28 | 一种低功耗反射屏色彩增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475965B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101031022A (zh) * | 2006-01-05 | 2007-09-05 | 夏普株式会社 | 图像处理装置,图像形成装置,图像处理装置的控制方法 |
WO2009020115A1 (ja) * | 2007-08-07 | 2009-02-12 | Konica Minolta Holdings, Inc. | 情報変換方法、情報変換装置、および、情報変換プログラム |
WO2009150946A1 (ja) * | 2008-06-09 | 2009-12-17 | コニカミノルタホールディングス株式会社 | 情報変換方法、情報変換装置、および、情報変換プログラム |
CN104809974A (zh) * | 2015-04-22 | 2015-07-29 | 信利(惠州)智能显示有限公司 | 一种显示装置的gamma和白平衡自动校正方法及装置 |
CN107749290A (zh) * | 2017-11-30 | 2018-03-02 | 信利光电股份有限公司 | 触控显示模组、电子设备及调节触控显示模组亮度的方法 |
JP2019012090A (ja) * | 2016-05-24 | 2019-01-24 | 株式会社オクテック | 画像処理方法、画像表示装置 |
CN116778876A (zh) * | 2023-06-20 | 2023-09-19 | 广东志慧芯屏科技有限公司 | 图形显示方法、显示屏及显示设备 |
-
2023
- 2023-12-28 CN CN202311823667.7A patent/CN117475965B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101031022A (zh) * | 2006-01-05 | 2007-09-05 | 夏普株式会社 | 图像处理装置,图像形成装置,图像处理装置的控制方法 |
WO2009020115A1 (ja) * | 2007-08-07 | 2009-02-12 | Konica Minolta Holdings, Inc. | 情報変換方法、情報変換装置、および、情報変換プログラム |
WO2009150946A1 (ja) * | 2008-06-09 | 2009-12-17 | コニカミノルタホールディングス株式会社 | 情報変換方法、情報変換装置、および、情報変換プログラム |
CN104809974A (zh) * | 2015-04-22 | 2015-07-29 | 信利(惠州)智能显示有限公司 | 一种显示装置的gamma和白平衡自动校正方法及装置 |
JP2019012090A (ja) * | 2016-05-24 | 2019-01-24 | 株式会社オクテック | 画像処理方法、画像表示装置 |
CN107749290A (zh) * | 2017-11-30 | 2018-03-02 | 信利光电股份有限公司 | 触控显示模组、电子设备及调节触控显示模组亮度的方法 |
CN116778876A (zh) * | 2023-06-20 | 2023-09-19 | 广东志慧芯屏科技有限公司 | 图形显示方法、显示屏及显示设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117475965A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN102845071B (zh) | 高动态范围、视觉动态范围和宽色域的图像与视频的质量评估 | |
JP4685864B2 (ja) | 画像処理方法、表示画像処理方法、画像処理装置、画像処理プログラム、およびその画像処理装置を含む集積回路 | |
CN109472270A (zh) | 图像风格转换方法、装置及设备 | |
CN100596165C (zh) | 图像处理装置及其方法 | |
CN105957111B (zh) | 序列遥感影像的色调一致性校正方法及系统 | |
JP4993093B2 (ja) | 画像処理装置および画像処理プログラム | |
Bianco et al. | Color correction pipeline optimization for digital cameras | |
CN101669145B (zh) | 测量图像质量调节能力的方法、装置以及调节图像质量的方法、装置 | |
CN115547270B (zh) | 基于光谱分析的色差调整方法、装置、设备及存储介质 | |
CN110533117B (zh) | 图像比对方法、装置、设备和存储介质 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 | |
CN102088539B (zh) | 一种预拍照画质评价方法和系统 | |
CN116485785A (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
US9179041B2 (en) | Colour encoding clustering | |
CN114299036B (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
CN117475965B (zh) | 一种低功耗反射屏色彩增强方法 | |
CN111291778A (zh) | 深度分类模型的训练方法、曝光异常检测方法以及装置 | |
Narwaria et al. | An objective method for high dynamic range source content selection | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
CN117095417A (zh) | 一种屏摄表单图像文本识别方法、装置、设备及存储介质 | |
CN113065407B (zh) | 基于注意力机制和生成对抗网络的财务票据印章擦除方法 | |
Wang et al. | Measuring Perceptual Color Differences of Smartphone Photographs | |
JP5067224B2 (ja) | オブジェクト検出装置、オブジェクト検出方法、オブジェクト検出プログラムおよび印刷装置 | |
CN114255193A (zh) | 一种板卡图像增强方法、装置、设备及可读存储介质 |
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 |