CN103366178A - 一种用于对目标图像进行颜色分类的方法与设备 - Google Patents
一种用于对目标图像进行颜色分类的方法与设备 Download PDFInfo
- Publication number
- CN103366178A CN103366178A CN2012100913538A CN201210091353A CN103366178A CN 103366178 A CN103366178 A CN 103366178A CN 2012100913538 A CN2012100913538 A CN 2012100913538A CN 201210091353 A CN201210091353 A CN 201210091353A CN 103366178 A CN103366178 A CN 103366178A
- Authority
- CN
- China
- Prior art keywords
- color
- target image
- classification
- hsv
- pixel
- 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
Images
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的目的是提供一种用于对目标图像进行颜色分类的方法与设备。具体地,本发明通过将HSV颜色空间划分成多个颜色子空间,根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类,根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类,解决了现有方法不能适用于各种不同应用场景的问题,提高颜色分类方法的准确性,进一步的提高目标图像的颜色分类方法效率和用户的使用体验。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于HSV颜色空间对图像进行颜色分类的技术。
背景技术
随着电子技术和数字处理技术的飞速发展,数字照相机、扫描仪等图像电子设备普及率的提高,图像内容正以惊人的速度增长。如何从海量的图像数据中有效地检索到所需的图像是一个非常关键的问题。例如用户想检索一张与贝多芬长相相似的照片,通常一般的文字搜索引擎对于图形图像来说,几乎束手无策。因此,对图像的有效检索成为了我们获取图像信息的关键问题。
目前的图像检索(Image Retrieval)通常采用两种方法:一是基于文本索引的图像检索,二是基于内容的图像检索。基于文本索引的图像检索的***,都是先用文本来描述图像的语义,然后在这些图像文本标注基础上应用成熟的文本搜索算法,如Page-Rank方法、概率方法、位置方法、摘要方法、分类或聚类方法、词性标注法等,为用户搜索预期的图像。但是随着图像数据库规模的增大,如数亿以上,基于文本索引的图像检索存在的问题就突显出来了,首先人工对图像进行标注太费时费力,其次人工标注具有主观性和不确定性,如对于同一幅图像,不同的人给出的标注可能完全不同,这使得准确地响应用户的查询非常困难。基于内容的图像检索,不需要用户的参与,而利用图像自身的特征,如颜色、纹理、形状等特征来进行检索,具有较强的客观性。通常,可以抽取图像库中所有图像的特征,用户检索的过程一般是提供一个样例图像,***抽取该样例图像的相应特征,然后同数据库中被检索对象所有的特征进行比较,并将与样例特征相似的图像返回给用户。
颜色特征是基于内容的图像检索中应用最为广泛的视觉特征,主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外,与其他的视觉特征相比,颜色特征对图像本身的尺寸、方向、视角的依赖性较小,从而具有较高的鲁棒性。目前常用颜色特征表示方法有颜色直方图、颜色矩、颜色集、颜色聚合向量以及颜色相关图等颜色特征的表示方法。目前对目标图像的颜色分类主要采用将目标图像通过图像处理技术转换成采用上述颜色特征的统计量,如将颜色空间划分成若干个小的颜色区间,然后通过计算颜色落在每个小区间内的像素数量可以得到目标图像的颜色统计信息。目前的颜色分类方法无法兼顾性能和效率要求,如颜色小区间的数目多,对颜色的分辨能力就越强,但是会增加计算负担,不利于应用在大型图像库检索中建立索引;颜色小区间的数目少,虽然计算开销较小,但是颜色的分辨能力较低,不利于应用在不能容忍对相关图像错漏的应用。兼顾性能和效率的颜色分类方法的一个核心关键技术是解决颜色空间子空间划分问题,以获得多个颜色子空间,然后确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。然而目前的目标图像颜色分类方法没有解决颜色空间子空间划分问题,进而导致目前的颜色分类方法不能适用于各种不同的应用场景;目前的颜色分类方法对目标图像中像素的位置区域也不作区分,目标图像中的每个像素在颜色分类中所占的权重一样,进而导致目前的颜色分类方法不能准确地对目标图像进行颜色分类,如一幅图像为左黑右白,另一幅图像为右黑左白,其中黑白颜色各占50%,所述两幅颜色的直方图是一样,但是这两幅图像差别是非常明显的。显然,现有的方法未解决颜色空间子空间划分问题,进而导致现有的方法不能适用于各种不同的应用场景;现有的方法对目标图像中像素的位置区域也不作区分,进而导致颜色分类方法的准确性也不高,降低了目标图像进行颜色分类的准确性,同时降低了用户使用体验。
因此,针对上述两方面的内容,如何即能使目标图像颜色分类的方法适用于各种不同应用场景,又能提高颜色分类方法的准确性成为本领域技术人员亟需解决的问题,然而当前尚未有针对这个问题的解决方案。
发明内容
本发明的目的是提供一种用于对目标图像进行颜色分类的方法与设备。
根据本发明的另一个方面,提供了一种由计算机实现的用于对目标图像进行颜色分类的方法,该方法包括以下步骤:
x对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;
其中,该方法还包括:
a 获取拟进行颜色分类的目标图像;
b 根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;
c 根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
根据本发明的一方面,还提供了一种用于对目标图像进行颜色分类的分类设备,该设备包括:
空间划分装置,用于对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;
其中,该设备还包括:
图像获取装置,用于获取拟进行颜色分类的目标图像;
空间映射装置,用于根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;
颜色确定装置,用于根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
根据本发明的再一方面,还提供了一种用于对目标图像进行颜色分类的浏览器。
根据本发明的再一方面,还提供了一种用于对目标图像进行颜色分类的搜索引擎。
与现有技术相比,本发明通过将HSV颜色空间划分成多个颜色子空间,其中支持通过机器学习的方法对颜色空间进行子空间划分,根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类,根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类,其中支持结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类,解决现有方法不能适用于各种不同应用场景的问题,提高颜色分类方法的准确性,进一步的提高目标图像的颜色分类方法效率和用户的使用体验。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明一个方面的用于对目标图像进行颜色分类的分类设备示意图;
图2示出根据本发明一个优选实施例的用于对目标图像进行颜色分类的分类设备示意图;
图3示出根据本发明另一个方面的由计算机实现的用于对目标图像进行颜色分类的方法流程图;
图4示出根据本发明一个优选实施例的由计算机实现的用于对目标图像进行颜色分类的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个方面的用于对目标图像进行颜色分类的分类设备1示意图。在此,分类设备1包括但不限于单个主机、小型机、大型机、多个主机集、网络主机、单个网络服务器、多个网络服务器集,以及多个服务器构成的云。在此,云由基于云计算(CloudComputing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
如图1所示,分类设备1包括空间划分装置101、图像获取装置102、空间映射装置103、颜色确定装置104。
具体地,空间划分装置101对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述HSV(Hue,Saturation,Value)颜色空间是根据色彩的三个基本属性:色相(Hue)、饱和度(Saturation)和明度(Value)来确定颜色的一种方法。HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集,锥体的圆形底面相当色相,饱和度则从圆心向边缘增加,明度则从底边向锥顶递减,H,S,V的取值范围分别为0≤V≤1,0≤S≤1,0≤H<360。圆锥的顶面对应于V=1,代表颜色较亮,色彩H由绕V轴的旋转角给定。红色对应于角度0°,绿色对应于角度120°,蓝色对应于角度240°。在HSV颜色模型中,每一种颜色和它的补色相差180°。饱和度S取值从0到1,所以圆锥顶面的半径为1,圆锥的顶点处,V=0,代表黑色,圆锥的顶面中心处S=0,V=1,代表白色,从圆锥的顶面中心到圆锥的顶点代表亮度渐暗的灰色,即具有不同灰度的灰色。其他常用的颜色空间还有RGB颜色空间,HSI色彩空间,HSL颜色空间,HSB颜色空间,YUV颜色空间,Lab颜色空间,XYZ颜色空间,Ycc颜色空间,CMYK颜色空间等。相对于其他颜色空间,HSV颜色空间更接近于人们对颜色的主观认识,符合视觉上的颜色连续性,颜色分布基本上是连续的,便于子空间的划分。
例如,在HSV颜色空间中,空间划分装置101用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间,如H取值为0-360,S取值为0-1,V取值为0-0.1的颜色空间为一个HSV颜色空间子空间,该子空间标记为HSV[0-360,0-1,0-0.1]。所述颜色子空间包括每种颜色在每个颜色空间子空间中所对应的空间范围,例如红色在颜色空间子空间HSV[0-360,0-1,0-0.1]中的曲线为f1(H,S)与f2(H,S),落在曲线f1(H,S)与f2(H,S)之间的范围内的像素即标记为红色。
本领域技术人员能理解上述以HSV颜色空间划分成10个的子空间的方法仅为举例,其他现有的或今后可能出现对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图像获取装置102获取拟进行颜色分类的目标图像。
其中,所述目标图像的格式包括但不限于:bmp,jpg,tiff,gif,pcx,tga,exif,fpx,svg,psd,cdr,pcd,dxf,ufo,eps,ai,raw。
其中,所述目标图像包括存储在本地和\或网络计算机或存储设备中,其中网络计算机或存储设备包括云计算。
其中,所述目标图像包括通过有线和\或无线的方式从所述计算机或存储设备中获取。
例如图像获取装置102通过互联网,使用HTTPs协议,从网络图片数据库中通过数据库提供的查询API,获取1000张拟进行颜色分类的目标图像,如“加菲猫”图像,其存储格式为jpg的图片。其中网络图片数据库包括存储在专用的服务器上,以及存储在云计算平台上等。
本领域技术人员能理解上述通过互联网,使用HTTPs协议,从网络图片数据库获取拟进行颜色分类的目标图像的方法仅为举例,其他现有的或今后可能出现用于获取拟进行颜色分类的目标图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
空间映射装置103,根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。
其中所述HSV赋值是指目标图像中每个像素所对应的HSV值,例如目标图像中的像素x对应的HSV为H=0,S=0.5,V=0.05,记为HSV[0,0.5,0.05]。
其中所述映射关系包括根据目标图像中的每个像素的HSV值,以及颜色空间子空间划分,确定该像素所属的子空间,然后与该子空间的颜色子空间进行映射。
例如,目标图像e中的像素r的HSV[0,0.5,0.05],HSV颜色空间用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间的一个子空间,其中一个所属子空间为HSV[0-360,0-1,0-0.1],空间映射装置103确定所述像素r属于子空间HSV[0-360,0-1,0-0.1],空间映射装置103将像素r的HSV值与该子空间的颜色子空间进行映射,确定该像素r落在红色曲线f1与f2之间,进而确定该像素r属于红色,空间映射装置103可以采用批处理的方式或是分布式处理的方式对目标图像中部分或全部像素进行映射,以确定所述部分或全部像素的颜色分类。
本领域技术人员能理解上述以目标图像e中的像素r的HSV值确定颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
颜色确定装置104,根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
例如,根据颜色分类的统计信息确定所述目标图像的颜色分类,目标图像的像素颜色分类的统计信息为:红色占60%,鲜红占15%,橙红占10%,朱红占2%,金色占2%,绿色占3%,深天蓝占3%,颜色确定装置104根据目标图像的像素颜色分类的统计信息,分析红色相关颜色占92%,确定所述目标图像的颜色分类为红色。
本领域技术人员能理解上述以通过颜色分类的统计信息确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,分类设备1的各个装置之间是持续工作的,具体地,空间划分装置11持续对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间;图像获取装置12,持续获取拟进行颜色分类的目标图像;空间映射装置13,持续根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;颜色确定装置14,持续根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。上述各装置之间是持续不断工作的,在此,本领域技术人员应理解“持续”是指上述各装置分别按照设定的或实时调整的工作模式要求进行HSV颜色空间进行子空间划分处理、获取拟进行颜色分类的目标图像、确定所述部分或全部像素的颜色分类,以及确定所述目标图像的颜色分类。
优选地,空间划分装置101:
-通过机器学习,对HSV颜色空间进行子空间划分处理,以获得所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述机器学习包括通过计算机模拟或实现人类的学习行为,并自我校正,自动改进。
例如,空间划分装置101通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间,机器学习的步骤如下:
步骤1:先收集好红颜色的正负样本,正样本为人们主观认为是红色的样本加入到正样本集合,负样本为人们主观认为不是红色的样本加入负样本集合,其中颜色样本收集可以通过多次迭代实现,该样本称已标记颜色样本;
步骤2:在HSV颜色空间中,用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间;
步骤3:在所述每个子空间中先设定初始的红色曲线,如红色曲线公式为:f1(H,S)=H+S^a1*b1+c1,f2(H,S)=H+S^a2*b2+c2,其中a,b,c为参数,a,b,c的取值范围分别为:a(1/10050),b(-360360),c(-360360),目标图像像素的HSV值落在两条曲线之间的标记为红色;
其中初始的曲线参数设置为f1(H,S)=H+S^0*0+0=0,f2(H,S)=H+S^0*0+30=0;
步骤4:使用初始公式对已标记颜色样本进行分类,获得分类正确和错误的比例;
步骤5:根据a,b,c的取值范围,按照步长不断更新公式f1和f2,每更新一次步长,对已标记颜色样本进行分类,获得一个正确和分类错误的比例,如对c取步长为5,a,b不变,获得一次新的公式:f(H,S)=H+5=0和f(H,S)=H+35=0,然后使用更新公式对已标记颜色样本进行分类,获得分类正确和错误的比例;
步骤6:对所有可能的步长组合都进行测试后,获得最优的一组参数,即分类错误率最小的一组;
步骤7:使用最优的一组参数,对未标记颜色样本进行分类,将分错的颜色样本加入到相应的已标记颜色样本中,例如红色样本的被分到负样本集合中,那么该样本就加入到已标记的正样本集合中,如果不是红色的颜色样本被分到正样本集合中,则加入到负样本集合中;
步骤8:根据更新的样本集合,继续执行步骤1,进行迭代,直到分类准确率达到预定阈值,停止迭代,比如准确率阈值为95%;
步骤9:对每一种颜色分别进行上述步骤1至8的训练。
本领域技术人员能理解上述以通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间的方法仅为举例,其他现有的或今后可能出现以通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
更优选地,空间划分装置101:
-根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述预置的颜色分类数目包括使用该方法的***或用户根据应用需要或需求,预先设置的颜色分类数目。
例如用户只对鲜红颜色感兴趣,预置颜色分类数目为1,空间划分装置101根据颜色分类数目执行上述步骤1至8,以获得鲜红颜色相对应的颜色子空间。
本领域技术人员能理解上述通过预置颜色分类数目为1,通过机器学习,以获得与所述颜色分类数目相对应的所述多个颜色子空间的方法仅为举例,其他现有的或今后可能出现根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此
优选地,颜色确定装置104:
-根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类。
例如,颜色确定装置104根据各像素的颜色分类,以及各像素的权重,加权确定所述目标图像的颜色分类。或者,例如,通过颜色分类的统计信息加权确定所述目标图像的颜色分类,其中红色权值为0.1,金色权值为0.4,绿色权值为0.4,蓝色权值为0.1,目标图像的像素颜色分类的统计信息为:红色占50%,金色占20%,绿色占20%,蓝色占10%,颜色确定装置104根据目标图像的像素颜色分类的统计信息及权值,计算加权后的目标图像的像素的统计信息为:红色占22.7%,金色占36.3%,绿色占36.3%,蓝色占4.5%,颜色确定装置104根据加权后的目标图像的像素统计信息,确定所述目标图像的颜色分类为金色+绿色。
本领域技术人员能理解上述以通过颜色分类的统计信息加权确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
更优选地,颜色确定装置104:
-根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类。
例如,通过颜色分类的统计信息以及像素在所述目标图像中的位置区域加权确定所述目标图像的颜色分类,一幅目标图像为正方形,其图像内容为一寸照,人物图像主要集中在中间部分,用垂直于底边的直线将目标图像平局分成3个区域,分别为左,中,右,其中黄色在左,中,右的权值分别为0.1,0.8,0.1,黑色在左,中,右的权值分别为0.1,0.8,0.1,蓝色在左,中,右的权值分别为0.1,0.8,0.1,目标图像的像素颜色分类的统计信息为:黄色占30%,黑色占30%,蓝色占40%,其中黄色在左,中,右分别占10%,80%,10%,黑色在左,中,右分别占10%,80%,10%,蓝色在左,中,右分别占40%,20%,40%,颜色确定装置104根据目标图像的像素颜色分类的统计信息及所处位置的权值,计算加权后的目标图像像素的统计信息为:黄色占40.2%,黑色占40.2%,蓝色占19.6%,颜色确定装置104根据加权后的目标图像的像素统计信息,确定所述目标图像的颜色分类为黄色+黑色。
本领域技术人员能理解上述通过颜色分类的统计信息以及像素在所述目标图像中的位置区域加权确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,分类设备1还包括预处理装置111(未示出),预处理装置111对所述目标图像进行预处理,以获得预处理后的所述目标图像。
其中,所述预处理装置111中的预处理操作包括以下至少任一项:
-对所述目标图像进行压缩处理;
-对所述目标图像进行颜色空间映射处理,以获得所述目标图像在HSV颜色空间下的HSV赋值;
-对所述目标图像进行截取处理。
其中,所述预处理包括在确定图像的颜色分类前,对该图像进行预处理,如压缩、截取或者颜色空间转换等,根据不同的应用场景,对目标图像进行一定的转换,例如目标图像颜色空间为RGB颜色空间,需要转换到HSV图像空间。
其中,所述压缩处理包括对目标图像在不损失过多的视觉信息的情况下进行压缩,如图像的无损压缩方法有Shannon-Fano编码,Huffman编码,游程(Run-length)编码,LZW(Lempel-Ziv-Welch)编码和算术编码等,图像的有损压缩方法有K-L变换编码和DCT编码等。通过压缩处理以减少图像颜色分类的工作量,提高颜色分类效率。
其中,所述颜色空间映射处理包括将目标图像的颜色空间转换成HSV颜色空间,如将RGB颜色空间转换成HSV颜色空间。
其中,所述截取处理包括通过截取目标图像的部分区域或者黄金视觉区域,以图像的三分法为例,三分法将一幅图像垂直、水平分成三部分,即一幅图像被平均分成9个大小相等的部分,直线的交汇点所在位置,即中间的位置,用来布局重要的视觉要素,该区域通常称黄金视觉区域,图像的黄金分割率和三分法相似,黄金分割率的直线的交汇点所在位置要比三分法的交点更接近图像中心。
例如,将目标图像的RGB颜色空间转换成HSV颜色空间的颜色空间映射处理,定义目标图像中的像素s在RGB空间的赋值为(R,G,B),其中分别R,G,B分别代表红、绿和蓝的赋值,RGB的取值范围已做归一化,为0至1之间的实数,设max为R,G,B中的最大者,min为R,G,B中的最小者,预处理装置111,对所述目标图像的每个像素进行颜色空间映射处理,RGB颜色空间到HSV颜色空间的映射处理方法如下:
max=max(R,G,B)
min=min(R,G,B)
ifR=max,H=(G-B)/(max-min)
ifG=max,H=2+(B-R)/(max-min)
ifB=max,H=4+(R-G)/(max-min)
H=H*60
ifH<0,H=H+360
V=max(R,G,B)
S=(max-min)/max
更优选地,空间映射装置103:
-根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。
例如,预处理装置111将目标图像e的RGB颜色空间经过颜色空间映射处理转换成HSV颜色空间,其中处理后的像素r的HSV[0,0.5,0.05],HSV颜色空间用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间的一个子空间,其中一个所属子空间为HSV[0-360,0-1,0-0.1],空间映射装置103确定所述像素r属于子空间HSV[0-360,0-1,0-0.1],空间映射装置103将像素r的HSV值与该子空间的颜色空间进行映射,确定该像素r落在红色曲线f1与f2之间,进而确定该像素r属于红色,空间映射装置103可以采用批处理的方式或是分布式处理的方式对目标图像中部分或全部像素进行映射,以确定所述部分或全部像素的颜色分类。
本领域技术人员能理解上述通过将目标图像e的RGB颜色空间经过颜色空间映射处理转换成HSV颜色空间以确定所述部分或全部像素的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图2示出根据本发明一个优选实施例的用于对目标图像进行颜色分类的分类设备1示意图,其中,分类设备1还包括图像提供装置205。以下参照图2对该优选实施例进行描述:具体地,空间划分装置201对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;图像获取装置202获取与用户通过用户设备输入的查询序列相对应的所述目标图像;空间映射装置203根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;颜色确定装置204根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类;图像提供装置205将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。其中,空间划分装置201、图像获取装置202、空间映射装置203和颜色确定装置204分别与图1所示对应装置相同或相似,故此处不再赘述,并通过引用的方式包含于此。其中,所述用户设备包括PDA、手机终端、计算机、具有联网功能的数字终端等。
具体地,图像获取装置202获取与用户通过用户设备输入的查询序列相对应的所述目标图像。例如,用户使用手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,图像获取装置202使用HTTPs协议,调用网络图片数据库提供的API,获取与“蓝色加菲猫”相关的目标图像。
本领域技术人员能理解上述通过获取与用户通过手机终端输入的查询序列相对应的所述目标图像的方法仅为举例,其他现有的或今后可能出现获取与用户通过用户设备输入的查询序列相对应的所述目标图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图像提供装置205将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。例如,用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,图像获取装置202,使用HTTPs协议,调用网络图片数据库提供的查询API,获取1000张与“蓝色加菲猫”相关的目标图像,其存储格式为jpg的图片;空间映射装置203根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;颜色确定装置204根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;图像提供装置205将所述目标图像与所述目标图像的颜色分类提供给所述用户设备,如颜色分类通过表格的形式,图形的方式,目标图像通过文件的形式,网页的形式等。
本领域技术人员能理解上述通过手机终端将所述目标图像与所述目标图像的颜色分类提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现将所述目标图像与所述目标图像的颜色分类提供给所述用户设备的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,图像提供装置205,根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,图像获取装置102,使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;空间映射装置203根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;颜色确定装置204根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;图像提供装置205根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备,如目标图像根据颜色分类生成不同的文件,目标图像根据颜色分类在网页的不同位置上呈现等。
本领域技术人员能理解上述通过手机终端根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,分类设备1还包括需求获取装置206与图像匹配装置207,其中,需求获取装置206通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息;图像匹配装置207根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像;图像提供装置205将所述匹配图像提供给所述用户设备。
具体地,需求获取装置206通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息。其中,语义分析包括使用统计计算的方法对大量的文本集进行分析,从而提取出词与词之间潜在的语义结构,并用这种潜在的语义结构,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,需求获取装置206通过语义分析获取用户查询需求为“加菲猫”,颜色为“蓝色”。
本领域技术人员能理解上述通过手机终端通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息的方法仅为举例,其他现有的或今后可能出现通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图像匹配装置207根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像。例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,需求获取装置206通过语义分析获取用户查询需求为加菲猫,颜色为蓝色,图像获取装置102,使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;空间映射装置203根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;颜色确定装置204根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;图像匹配装置207根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与蓝色相匹配的加菲猫图像。
本领域技术人员能理解上述通过手机终端根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像的方法仅为举例,其他现有的或今后可能出现根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图像提供装置205将所述匹配图像提供给所述用户设备。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,需求获取装置206通过语义分析获取用户查询需求为加菲猫,颜色为蓝色,图像获取装置102,使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;空间映射装置203根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;颜色确定装置204根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;图像匹配装置207根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类为与蓝色相匹配的加菲猫图像,图像提供装置205将所述匹配图像提供给所述用户设备。
本领域技术人员能理解上述通过手机终端将所述匹配图像提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现将所述匹配图像提供给所述用户设备的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,上述用于对目标图像进行颜色分类的设备1可以与现有的浏览器相结合,构成一种新的浏览器,现有的浏览器可以是例如Microsoft公司的IE浏览器、Netscape公司的Netscape浏览器等。
更优选地,上述用于对目标图像进行颜色分类的设备1还可以与现有的搜索引擎相结合,构成一种新的搜索引擎。
图3示出根据本发明另一个方面的由计算机实现的用于对目标图像进行颜色分类的方法流程图。在此,实现该方法的分类设备1包括但不限于单个主机、小型机、大型机、多个主机集、网络主机、单个网络服务器、多个网络服务器集,以及多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
具体地,在步骤S301中,分类设备1对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述HSV(Hue,Saturation,Value)颜色空间是根据色彩的三个基本属性:色相(Hue)、饱和度(Saturation)和明度(Value)来确定颜色的一种方法。HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集,锥体的圆形底面相当色相,饱和度则从圆心向边缘增加,明度则从底边向锥顶递减,H,S,V的取值范围分别为0≤V≤1,0≤S≤1,0≤H<360。圆锥的顶面对应于V=1,代表颜色较亮,色彩H由绕V轴的旋转角给定。红色对应于角度0°,绿色对应于角度120°,蓝色对应于角度240°。在HSV颜色模型中,每一种颜色和它的补色相差180°。饱和度S取值从0到1,所以圆锥顶面的半径为1,圆锥的顶点处,V=0,代表黑色,圆锥的顶面中心处S=0,V=1,代表白色,从圆锥的顶面中心到圆锥的顶点代表亮度渐暗的灰色,即具有不同灰度的灰色。其他常用的颜色空间还有RGB颜色空间,HSI色彩空间,HSL颜色空间,HSB颜色空间,YUV颜色空间,Lab颜色空间,XYZ颜色空间,Ycc颜色空间,CMYK颜色空间等。相对于其他颜色空间,HSV颜色空间更接近于人们对颜色的主观认识,符合视觉上的颜色连续性,颜色分布基本上是连续的,便于子空间的划分。
例如,在HSV颜色空间中,在步骤S301中,分类设备1用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间,如H取值为0-360,S取值为0-1,V取值为0-0.1的颜色空间为一个HSV颜色空间子空间,该子空间标记为HSV[0-360,0-1,0-0.1]。所述颜色子空间包括每种颜色在每个颜色空间子空间中所对应的空间范围,例如红色在颜色空间子空间HSV[0-360,0-1,0-0.1]中的曲线为f1(H,S)与f2(H,S),落在曲线f1(H,S)与f2(H,S)之间的范围内的像素即标记为红色。
本领域技术人员能理解上述以HSV颜色空间划分成10个的子空间的方法仅为举例,其他现有的或今后可能出现对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S302中,分类设备1获取拟进行颜色分类的目标图像。
其中,所述目标图像的格式包括但不限于:bmp,jpg,tiff,gif,pcx,tga,exif,fpx,svg,psd,cdr,pcd,dxf,ufo,eps,ai,raw。
其中,所述目标图像包括存储在本地和\或网络计算机或存储设备中,其中网络计算机或存储设备包括云计算。
其中,所述目标图像包括通过有线和\或无线的方式从所述计算机或存储设备中获取。
例如在步骤S302中,分类设备1通过互联网,使用HTTPs协议,从网络图片数据库中通过数据库提供的查询API,获取1000张拟进行颜色分类的目标图像,如“加菲猫”图像,其存储格式为jpg的图片。其中网络图片数据库包括存储在专用的服务器上,以及存储在云计算平台上等。
本领域技术人员能理解上述通过互联网,使用HTTPs协议,从网络图片数据库获取拟进行颜色分类的目标图像的方法仅为举例,其他现有的或今后可能出现用于获取拟进行颜色分类的目标图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S303中,分类设备1根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。
其中所述HSV赋值是指目标图像中每个像素所对应的HSV值,例如目标图像中的像素x对应的HSV为H=0,S=0.5,V=0.05,记为HSV[0,0.5,0.05]。
其中所述映射关系包括根据目标图像中的每个像素的HSV值,以及颜色空间子空间划分,确定该像素所属的子空间,然后与该子空间的颜色子空间进行映射。
例如,目标图像e中的像素r的HSV[0,0.5,0.05],HSV颜色空间用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间的一个子空间,其中一个所属子空间为HSV[0-360,0-1,0-0.1],在步骤S303中,分类设备1确定所述像素r属于子空间HSV[0-360,0-1,0-0.1],分类设备1将像素r的HSV值与该子空间的颜色子空间进行映射,确定该像素r落在红色曲线f1与f2之间,进而确定该像素r属于红色,在步骤S301中,分类设备1可以采用批处理的方式或是分布式处理的方式对目标图像中部分或全部像素进行映射,以确定所述部分或全部像素的颜色分类。
本领域技术人员能理解上述以目标图像e中的像素r的HSV值确定颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S304中,分类设备1根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
例如,根据颜色分类的统计信息确定所述目标图像的颜色分类,目标图像的像素颜色分类的统计信息为:红色占60%,鲜红占15%,橙红占10%,朱红占2%,金色占2%,绿色占3%,深天蓝占3%,在步骤S304中,分类设备1根据目标图像的像素颜色分类的统计信息,分析红色相关颜色占92%,确定所述目标图像的颜色分类为红色
本领域技术人员能理解上述以通过颜色分类的统计信息确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,各步骤之间是持续工作的,具体地,在步骤S301中,分类设备1持续对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间;在步骤S302中,分类设备1持续获取拟进行颜色分类的目标图像;在步骤S303中,分类设备1持续根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;在步骤S304中,分类设备1持续根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。上述各步骤之间是持续不断工作的,在此,本领域技术人员应理解“持续”是指上述各步骤分别按照设定的或实时调整的工作模式要求进行HSV颜色空间进行子空间划分处理、获取拟进行颜色分类的目标图像、确定所述部分或全部像素的颜色分类,以及确定所述目标图像的颜色分类。
优选地,在步骤S301中,分类设备1:
-通过机器学习,对HSV颜色空间进行子空间划分处理,以获得所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述机器学习包括通过计算机模拟或实现人类的学习行为,并自我校正,自动改进。
例如,在步骤S301中,分类设备1通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间,机器学习的步骤如下:
步骤1:先收集好红颜色的正负样本,正样本为人们主观认为是红色的样本加入到正样本集合,负样本为人们主观认为不是红色的样本加入负样本集合,其中颜色样本收集可以通过多次迭代实现,该样本称已标记颜色样本;
步骤2:在HSV颜色空间中,用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间;
步骤3:在所述每个子空间中先设定初始的红色曲线,如红色曲线公式为:f1(H,S)=H+S^a1*b1+c1,f2(H,S)=H+S^a2*b2+c2,其中a,b,c为参数,a,b,c的取值范围分别为:a(1/100 50),b(-360 360),c(-360 360),目标图像像素的HSV值落在两条曲线之间的标记为红色;
其中初始的曲线参数设置为f1(H,S)=H+S^0*0+0=0,f2(H,S)=H+S^0*0+30=0;
步骤4:使用初始公式对已标记颜色样本进行分类,获得分类正确和错误的比例;
步骤5:根据a,b,c的取值范围,按照步长不断更新公式f1和f2,每更新一次步长,对已标记颜色样本进行分类,获得一个正确和分类错误的比例,如对c取步长为5,a,b不变,获得一次新的公式:f(H,S)=H+5=0和f(H,S)=H+35=0,然后使用更新公式对已标记颜色样本进行分类,获得分类正确和错误的比例;
步骤6:对所有可能的步长组合都进行测试后,获得最优的一组参数,即分类错误率最小的一组;
步骤7:使用最优的一组参数,对未标记颜色样本进行分类,将分错的颜色样本加入到相应的已标记颜色样本中,例如红色样本的被分到负样本集合中,那么该样本就加入到已标记的正样本集合中,如果不是红色的颜色样本被分到正样本集合中,则加入到负样本集合中;
步骤8:根据更新的样本集合,继续执行步骤1,进行迭代,直到分类准确率达到预定阈值,停止迭代,比如准确率阈值为95%;
步骤9:对每一种颜色分别进行上述步骤1至8的训练。
本领域技术人员能理解上述以通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间的方法仅为举例,其他现有的或今后可能出现以通过机器学习,对HSV颜色空间进行子空间划分处理,以获得红色颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
更优选地,在步骤S301中,分类设备1:
-根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
其中,所述预置的颜色分类数目包括使用该方法的***或用户根据应用需要或需求,预先设置的颜色分类数目。
例如用户只对鲜红颜色感兴趣,预置颜色分类数目为1,在步骤S301中,分类设备1根据颜色分类数目执行上述步骤1至8,以获得鲜红颜色相对应的颜色子空间。
本领域技术人员能理解上述通过预置颜色分类数目为1,通过机器学习,以获得与所述颜色分类数目相对应的所述多个颜色子空间的方法仅为举例,其他现有的或今后可能出现根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,在步骤S304中,分类设备1:
-根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类。
例如,在步骤S304中,分类设备1根据各像素的颜色分类,以及各像素的权重,加权确定所述目标图像的颜色分类。或者,例如,通过颜色分类的统计信息加权确定所述目标图像的颜色分类,其中红色权值为0.1,金色权值为0.4,绿色权值为0.4,蓝色权值为0.1,目标图像的像素颜色分类的统计信息为:红色占50%,金色占20%,绿色占20%,蓝色占10%,在步骤S304中,分类设备1根据目标图像的像素颜色分类的统计信息及权值,计算加权后的目标图像的像素的统计信息为:红色占22.7%,金色占36.3%,绿色占36.3%,蓝色占4.5%,在步骤S304中,分类设备1根据加权后的目标图像的像素统计信息,确定所述目标图像的颜色分类为金色+绿色。
本领域技术人员能理解上述以通过颜色分类的统计信息加权确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
更优选地,在步骤S304中,分类设备1:
-根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类。
例如,通过颜色分类的统计信息以及像素在所述目标图像中的位置区域加权确定所述目标图像的颜色分类,一幅目标图像为正方形,其图像内容为一寸照,人物图像主要集中在中间部分,用垂直于底边的直线将目标图像平局分成3个区域,分别为左,中,右,其中黄色在左,中,右的权值分别为0.1,0.8,0.1,黑色在左,中,右的权值分别为0.1,0.8,0.1,蓝色在左,中,右的权值分别为0.1,0.8,0.1,目标图像的像素颜色分类的统计信息为:黄色占30%,黑色占30%,蓝色占40%,其中黄色在左,中,右分别占10%,80%,10%,黑色在左,中,右分别占10%,80%,10%,蓝色在左,中,右分别占40%,20%,40%,在步骤S304中,分类设备1根据目标图像的像素颜色分类的统计信息及所处位置的权值,计算加权后的目标图像像素的统计信息为:黄色占40.2%,黑色占40.2%,蓝色占19.6%,在步骤S301中,分类设备1根据加权后的目标图像的像素统计信息,确定所述目标图像的颜色分类为黄色+黑色。
本领域技术人员能理解上述通过颜色分类的统计信息以及像素在所述目标图像中的位置区域加权确定所述目标图像的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,分类设备1还包括在步骤S311(未示出),在步骤S311中,分类设备1对所述目标图像进行预处理,以获得预处理后的所述目标图像。
其中,所述步骤S311的预处理操作包括以下至少任一项:
-对所述目标图像进行压缩处理;
-对所述目标图像进行颜色空间映射处理,以获得所述目标图像在HSV颜色空间下的HSV赋值;
-对所述目标图像进行截取处理。
其中,所述预处理包括在确定图像的颜色分类前,对该图像进行预处理,如压缩、截取或者颜色空间转换等,根据不同的应用场景,对目标图像进行一定的转换,例如目标图像颜色空间为RGB颜色空间,需要转换到HSV图像空间。
其中,所述压缩处理包括对目标图像在不损失过多的视觉信息的情况下进行压缩,如图像的无损压缩方法有Shannon-Fano编码,Huffman编码,游程(Run-length)编码,LZW(Lempel-Ziv-Welch)编码和算术编码等,图像的有损压缩方法有K-L变换编码和DCT编码等。通过压缩处理以减少图像颜色分类的工作量,提高颜色分类效率。
其中,所述颜色空间映射处理包括将目标图像的颜色空间转换成HSV颜色空间,如将RGB颜色空间转换成HSV颜色空间。
其中,所述截取处理包括通过截取目标图像的部分区域或者黄金视觉区域,以图像的三分法为例,三分法将一幅图像垂直、水平分成三部分,即一幅图像被平均分成9个大小相等的部分,直线的交汇点所在位置,即中间的位置,用来布局重要的视觉要素,该区域通常称黄金视觉区域,图像的黄金分割率和三分法相似,黄金分割率的直线的交汇点所在位置要比三分法的交点更接近图像中心。
例如,将目标图像的RGB颜色空间转换成HSV颜色空间的颜色空间映射处理,定义目标图像中的像素s在RGB空间的赋值为(R,G,B),其中分别R,G,B分别代表红、绿和蓝的赋值,RGB的取值范围已做归一化,为0至1之间的实数,设max为R,G,B中的最大者,min为R,G,B中的最小者,在步骤S311中,分类设备1对所述目标图像的每个像素进行颜色空间映射处理,RGB颜色空间到HSV颜色空间的映射处理方法如下:
max=max(R,G,B)
min=min(R,G,B)
ifR=max,H=(G-B)/(max-min)
ifG=max,H=2+(B-R)/(max-min)
ifB=max,H=4+(R-G)/(max-min)
H=H*60
ifH<0,H=H+360
V=max(R,G,B)
S=(max-min)/max
更优选地,在步骤S303中,分类设备1:
-根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。
例如,在步骤S311中,分类设备1将目标图像e的RGB颜色空间经过颜色空间映射处理转换成HSV颜色空间,其中处理后的像素r的HSV[0,0.5,0.05],HSV颜色空间用与V轴垂直的空间平面将V轴平分成10等分,即将所述HSV颜色空间划分成10个子空间的一个子空间,其中一个所属子空间为HSV[0-360,0-1,0-0.1],在步骤S303中,分类设备1确定所述像素r属于子空间HSV[0-360,0-1,0-0.1],分类设备1将像素r的HSV值与该子空间的颜色空间进行映射,确定该像素r落在红色曲线f1与f2之间,进而确定该像素r属于红色,在步骤S303中,分类设备1可以采用批处理的方式或是分布式处理的方式对目标图像中部分或全部像素进行映射,以确定所述部分或全部像素的颜色分类。
本领域技术人员能理解上述通过将目标图像e的RGB颜色空间经过颜色空间映射处理转换成HSV颜色空间以确定所述部分或全部像素的颜色分类的方法仅为举例,其他现有的或今后可能出现根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图4示出根据本发明一个优选实施例的由计算机实现的用于对目标图像进行颜色分类的方法流程图,其中,该方法还包括步骤S405。以下参照图4对该优选实施例进行描述:具体地,在步骤S401中,分类设备1对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;在步骤S402中,分类设备1获取与用户通过用户设备输入的查询序列相对应的所述目标图像;在步骤S403中,分类设备1根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;在步骤S404中,分类设备1根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类;在步骤S405中,分类设备1将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。其中,步骤S401、步骤S402、步骤S403和步骤S404分别与图3所示对应步骤相同或相似,故此处不再赘述,并通过引用的方式包含于此。其中,所述用户设备包括PDA、手机终端、计算机、具有联网功能的数字终端等。
具体地,在步骤S402中,分类设备1获取与用户通过用户设备输入的查询序列相对应的所述目标图像。例如,用户使用手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S402中,分类设备1使用HTTPs协议,调用网络图片数据库提供的API,获取与“蓝色加菲猫”相关的目标图像。
本领域技术人员能理解上述通过获取与用户通过手机终端输入的查询序列相对应的所述目标图像的方法仅为举例,其他现有的或今后可能出现获取与用户通过用户设备输入的查询序列相对应的所述目标图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S405中,分类设备1将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。例如,用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S402中,分类设备1使用HTTPs协议,调用网络图片数据库提供的查询API,获取1000张与“蓝色加菲猫”相关的目标图像,其存储格式为jpg的图片;在步骤S403中,分类设备1根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;在步骤S404中,分类设备1根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;在步骤S405中,分类设备1将所述目标图像与所述目标图像的颜色分类提供给所述用户设备,如颜色分类通过表格的形式,图形的方式,目标图像通过文件的形式,网页的形式等。
本领域技术人员能理解上述通过手机终端将所述目标图像与所述目标图像的颜色分类提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现将所述目标图像与所述目标图像的颜色分类提供给所述用户设备的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,在步骤S405中,分类设备1根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S402中,分类设备1使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;在步骤S403中,分类设备1根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;在步骤S404中,分类设备1根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;在步骤S405中,分类设备1根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备,如目标图像根据颜色分类生成不同的文件,目标图像根据颜色分类在网页的不同位置上呈现等。
本领域技术人员能理解上述通过手机终端根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,该方法还包括步骤S406与步骤S407,其中,在步骤S406中,分类设备1通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息;在步骤S407中,分类设备1根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像;在步骤S405中,分类设备1将所述匹配图像提供给所述用户设备。
具体地,在步骤S406中,分类设备1通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息。其中,语义分析包括使用统计计算的方法对大量的文本集进行分析,从而提取出词与词之间潜在的语义结构,并用这种潜在的语义结构,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S406中,分类设备1通过语义分析获取用户查询需求为加菲猫,颜色为蓝色。
本领域技术人员能理解上述通过手机终端通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息的方法仅为举例,其他现有的或今后可能出现通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S407中,分类设备1根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S406中,分类设备1通过语义分析获取用户查询需求为加菲猫,颜色为蓝色,在步骤S402中,分类设备1使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;在步骤S403中,分类设备1根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;在步骤S404中,分类设备1根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;在步骤S407中,分类设备1根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与蓝色相匹配的加菲猫图像。
本领域技术人员能理解上述通过手机终端根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像的方法仅为举例,其他现有的或今后可能出现根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S405中,分类设备1将所述匹配图像提供给所述用户设备。
例如用户通过手机终端,通过WiFi方式连接到互联网,在网络图片数据库的手机客户端中输入文本查询信息“蓝色加菲猫”,在步骤S406中,分类设备1通过语义分析获取用户查询需求为加菲猫,颜色为蓝色,在步骤S402中,分类设备1使用HTTPs协议,调用网络图片数据库提供的API,获取1000张“加菲猫”的图像,其存储格式为jpg的图片;在步骤S403中,分类设备1根据获取的目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中全部像素与所述多个颜色子空间的映射关系,以确定所述全部像素的颜色分类;在步骤S404中,分类设备1根据所述全部像素的颜色分类,确定所述目标图像的颜色分类;在步骤S407中,分类设备1根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类为与蓝色相匹配的加菲猫图像,在步骤S405中,分类设备1将所述匹配图像提供给所述用户设备。
本领域技术人员能理解上述通过手机终端将所述匹配图像提供给所述用户设备的方法仅为举例,其他现有的或今后可能出现将所述匹配图像提供给所述用户设备的方法如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (22)
1.一种由计算机实现的用于对目标图像进行颜色分类的方法,其中,该方法包括以下步骤:
x对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;
其中,该方法还包括:
a获取拟进行颜色分类的目标图像;
b根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;
c根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
2.根据权利要求1所述的方法,其中,所述步骤x还包括:
-通过机器学习,对HSV颜色空间进行子空间划分处理,以获得所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
3.根据权利要求2所述的方法,其中,所述步骤x还包括:
-根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
4.根据权利要求1至3中任一项所述的方法,其中,所述步骤c还包括:
-根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类。
5.根据权利要求4所述的方法,其中,所述步骤c还包括:
-根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类。
6.根据权利要求1至5中任一项所述的方法,其中,该方法还包括:
h对所述目标图像进行预处理,以获得预处理后的所述目标图像;
其中,所述步骤b还包括:
-根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类。
7.根据权利要求6所述的方法,其中,所述步骤h中的预处理操作包括以下至少任一项:
-对所述目标图像进行压缩处理;
-对所述目标图像进行颜色空间映射处理,以获得所述目标图像在HSV颜色空间下的HSV赋值;
-对所述目标图像进行截取处理。
8.根据权利要求1至7中任一项所述的方法,其中,所述步骤a还包括:
-获取与用户通过用户设备输入的查询序列相对应的所述目标图像;
其中,该方法还包括:
r将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。
9.根据权利要求8所述的方法,其中,所述步骤r还包括:
-根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备。
10.根据权利要求8或9所述的方法,其中,该方法还包括:
-通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息;
-根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像;
其中,所述步骤r还包括:
-将所述匹配图像提供给所述用户设备。
11.一种用于对目标图像进行颜色分类的分类设备,其中,该设备 包括:
空间划分装置,用于对HSV颜色空间进行子空间划分处理,以获得多个颜色子空间,其中,每个颜色子空间对应一种颜色;
其中,该设备还包括:
图像获取装置,用于获取拟进行颜色分类的目标图像;
空间映射装置,用于根据所述目标图像在所述HSV颜色空间下的HSV赋值,确定所述目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;
颜色确定装置,用于根据所述部分或全部像素的颜色分类,确定所述目标图像的颜色分类。
12.根据权利要求11所述的设备,其中,所述空间划分装置还用于:
-通过机器学习,对HSV颜色空间进行子空间划分处理,以获得所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
13.根据权利要求12所述的设备,其中,所述空间划分装置还用于:
-根据预置的颜色分类数目,通过机器学习,对HSV颜色空间进行子空间划分处理,以获得与所述颜色分类数目相对应的所述多个颜色子空间,其中,每个颜色子空间对应一种颜色。
14.根据权利要求11至13中任一项所述的设备,其中,所述颜色确定装置还用于:
-根据所述部分或全部像素的颜色分类及其相应权重,加权确定所述目标图像的颜色分类。
15.根据权利要求14所述的设备,其中,所述颜色确定装置还用于:
-根据所述部分或全部像素的颜色分类,并结合所述部分或全部像素在所述目标图像中的位置区域,加权确定所述目标图像的颜色分类。
16.根据权利要求11至15中任一项所述的设备,其中,该设备还包括:
预处理装置,用于对所述目标图像进行预处理,以获得预处理后的所述目标图像;
其中,所述空间映射装置还用于:
-根据所述预处理后的目标图像在所述HSV颜色空间下的HSV赋值,确定所述预处理后的目标图像中部分或全部像素与所述多个颜色子空间的映射关系,以确定所述部分或全部像素的颜色分类;
17.根据权利要求16所述的设备,其中,所述预处理装置中的预处理操作包括以下至少任一项:
-对所述目标图像进行压缩处理;
-对所述目标图像进行颜色空间映射处理,以获得所述目标图像在HSV颜色空间下的HSV赋值;
-对所述目标图像进行截取处理。
18.根据权利要求11至17中任一项所述的设备,其中,所述图像获取装置还用于:
-获取与用户通过用户设备输入的查询序列相对应的所述目标图像;
其中,该设备还包括:
图像提供装置,用于将所述目标图像与所述目标图像的颜色分类提供给所述用户设备。
19.根据权利要求18所述的设备,其中,所述图像提供装置还用于:
-根据所述目标图像的颜色分类,将所述目标图像提供给所述用户设备。
20.根据权利要求18或19所述的设备,其中,该设备还包括:
需求获取装置,用于通过语义分析,获取所述查询序列所对应的所述用户对所述目标图像的颜色需求信息;
图像匹配装置,用于根据所述目标图像的颜色分类与所述颜色需求信息,从所述目标图像中选择所述颜色分类与所述颜色需求信息相匹配的匹配图像;
其中,所述图像提供装置还用于将所述匹配图像提供给所述用户设备。
21.一种浏览器,包括:如权利要求11至20中任一项所述的对目标图像进行颜色分类的图像分类装置。
22.一种搜索引擎,包括:如权利要求11至20中任一项所述的对目标图像进行颜色分类的图像分类装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210091353.8A CN103366178B (zh) | 2012-03-30 | 2012-03-30 | 一种用于对目标图像进行颜色分类的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210091353.8A CN103366178B (zh) | 2012-03-30 | 2012-03-30 | 一种用于对目标图像进行颜色分类的方法与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366178A true CN103366178A (zh) | 2013-10-23 |
CN103366178B CN103366178B (zh) | 2017-12-29 |
Family
ID=49367479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210091353.8A Active CN103366178B (zh) | 2012-03-30 | 2012-03-30 | 一种用于对目标图像进行颜色分类的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366178B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022752A (zh) * | 2014-04-29 | 2015-11-04 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
CN106296757A (zh) * | 2015-06-09 | 2017-01-04 | 中兴通讯股份有限公司 | 一种图像处理方法和装置 |
CN107169105A (zh) * | 2017-05-17 | 2017-09-15 | 北京品智能量科技有限公司 | 用于车辆的问答装置及方法 |
CN111314614A (zh) * | 2020-03-11 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
GB2585971A (en) * | 2019-07-22 | 2021-01-27 | Adobe Systems Inc | Classifying colors of objects in digital images |
CN112766278A (zh) * | 2020-12-25 | 2021-05-07 | 杭州祐全科技发展有限公司 | 一种后厨色标识别及预警方法 |
US11055566B1 (en) | 2020-03-12 | 2021-07-06 | Adobe Inc. | Utilizing a large-scale object detector to automatically select objects in digital images |
US11107219B2 (en) | 2019-07-22 | 2021-08-31 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
US11302033B2 (en) | 2019-07-22 | 2022-04-12 | Adobe Inc. | Classifying colors of objects in digital images |
US11367273B2 (en) | 2018-03-14 | 2022-06-21 | Adobe Inc. | Detecting objects using a weakly supervised model |
US11468110B2 (en) | 2020-02-25 | 2022-10-11 | Adobe Inc. | Utilizing natural language processing and multiple object detection models to automatically select objects in images |
US11468550B2 (en) | 2019-07-22 | 2022-10-11 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
US11587234B2 (en) | 2021-01-15 | 2023-02-21 | Adobe Inc. | Generating class-agnostic object masks in digital images |
US11631234B2 (en) | 2019-07-22 | 2023-04-18 | Adobe, Inc. | Automatically detecting user-requested objects in images |
US11972569B2 (en) | 2021-01-26 | 2024-04-30 | Adobe Inc. | Segmenting objects in digital images utilizing a multi-object segmentation model framework |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231757A (zh) * | 2007-12-07 | 2008-07-30 | 北京搜狗科技发展有限公司 | 一种图片主色调分析方法、装置及其在图片搜索中的应用 |
CN101339556A (zh) * | 2008-08-18 | 2009-01-07 | 福建四通石材有限公司 | 一种利用圆锥坐标实现图像颜色相似对比的方法 |
CN101763429A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 一种基于颜色和形状特征的图像检索方法 |
US20110050934A1 (en) * | 2008-01-25 | 2011-03-03 | Sony Corporation | Image processing apparatus, image processing method, and program |
-
2012
- 2012-03-30 CN CN201210091353.8A patent/CN103366178B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231757A (zh) * | 2007-12-07 | 2008-07-30 | 北京搜狗科技发展有限公司 | 一种图片主色调分析方法、装置及其在图片搜索中的应用 |
US20110050934A1 (en) * | 2008-01-25 | 2011-03-03 | Sony Corporation | Image processing apparatus, image processing method, and program |
CN101339556A (zh) * | 2008-08-18 | 2009-01-07 | 福建四通石材有限公司 | 一种利用圆锥坐标实现图像颜色相似对比的方法 |
CN101763429A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 一种基于颜色和形状特征的图像检索方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022752A (zh) * | 2014-04-29 | 2015-11-04 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN105022752B (zh) * | 2014-04-29 | 2019-04-05 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN106296757A (zh) * | 2015-06-09 | 2017-01-04 | 中兴通讯股份有限公司 | 一种图像处理方法和装置 |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
WO2017136996A1 (zh) * | 2016-02-14 | 2017-08-17 | 广州神马移动信息科技有限公司 | 图片主色提取方法及装置、计算***和机器可读存储介质 |
CN105761283B (zh) * | 2016-02-14 | 2018-12-25 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
CN107169105A (zh) * | 2017-05-17 | 2017-09-15 | 北京品智能量科技有限公司 | 用于车辆的问答装置及方法 |
US11367273B2 (en) | 2018-03-14 | 2022-06-21 | Adobe Inc. | Detecting objects using a weakly supervised model |
GB2585971B (en) * | 2019-07-22 | 2021-12-15 | Adobe Systems Inc | Classifying colors of objects in digital images |
US11468550B2 (en) | 2019-07-22 | 2022-10-11 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
US12020414B2 (en) | 2019-07-22 | 2024-06-25 | Adobe Inc. | Utilizing deep neural networks to automatically select instances of detected objects in images |
US11107219B2 (en) | 2019-07-22 | 2021-08-31 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
GB2585971A (en) * | 2019-07-22 | 2021-01-27 | Adobe Systems Inc | Classifying colors of objects in digital images |
US11302033B2 (en) | 2019-07-22 | 2022-04-12 | Adobe Inc. | Classifying colors of objects in digital images |
US11797847B2 (en) | 2019-07-22 | 2023-10-24 | Adobe Inc. | Selecting instances of detected objects in images utilizing object detection models |
US11631234B2 (en) | 2019-07-22 | 2023-04-18 | Adobe, Inc. | Automatically detecting user-requested objects in images |
US11886494B2 (en) | 2020-02-25 | 2024-01-30 | Adobe Inc. | Utilizing natural language processing automatically select objects in images |
US11468110B2 (en) | 2020-02-25 | 2022-10-11 | Adobe Inc. | Utilizing natural language processing and multiple object detection models to automatically select objects in images |
CN111314614A (zh) * | 2020-03-11 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
US11681919B2 (en) | 2020-03-12 | 2023-06-20 | Adobe Inc. | Automatically selecting query objects in digital images |
US11055566B1 (en) | 2020-03-12 | 2021-07-06 | Adobe Inc. | Utilizing a large-scale object detector to automatically select objects in digital images |
CN112766278A (zh) * | 2020-12-25 | 2021-05-07 | 杭州祐全科技发展有限公司 | 一种后厨色标识别及预警方法 |
US11587234B2 (en) | 2021-01-15 | 2023-02-21 | Adobe Inc. | Generating class-agnostic object masks in digital images |
US11900611B2 (en) | 2021-01-15 | 2024-02-13 | Adobe Inc. | Generating object masks of object parts utlizing deep learning |
US11972569B2 (en) | 2021-01-26 | 2024-04-30 | Adobe Inc. | Segmenting objects in digital images utilizing a multi-object segmentation model framework |
Also Published As
Publication number | Publication date |
---|---|
CN103366178B (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366178A (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
CN102819582B (zh) | 一种海量图片快速检索方法 | |
Sergyan | Color histogram features based image classification in content-based image retrieval systems | |
CN102012939B (zh) | 综合颜色和局部不变特征匹配的动画场景自动标注方法 | |
CN102073748B (zh) | 一种基于视觉关键词的遥感影像语义检索方法 | |
JP4366119B2 (ja) | 文書処理装置 | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN106960182B (zh) | 一种基于多特征集成的行人再识别方法 | |
CN101763429A (zh) | 一种基于颜色和形状特征的图像检索方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
CN106250431B (zh) | 一种基于分类服装的颜色特征提取方法及服装检索*** | |
CN105022752A (zh) | 图像检索方法与装置 | |
CN110188217A (zh) | 图像查重方法、装置、设备和计算机可读储存介质 | |
CN106228554A (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
CN103955952A (zh) | 一种服装图像颜色特征的提取与描述方法 | |
CN105512175A (zh) | 一种基于颜色特征和纹理特征的快速图像检索方法 | |
CN103678552A (zh) | 基于显著区域特征的遥感影像检索方法及*** | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN104346630A (zh) | 一种异构特征融合的云花卉识别方法 | |
Reta et al. | Color uniformity descriptor: An efficient contextual color representation for image indexing and retrieval | |
CN109213886A (zh) | 基于图像分割和模糊模式识别的图像检索方法及*** | |
CN107818341A (zh) | 一种基于改进K‑means算法的颜色提取方法 | |
Utaminingrum et al. | Alphabet Sign Language Recognition Using K-Nearest Neighbor Optimization. | |
CN104881668A (zh) | 一种基于代表性局部模式的图像指纹提取方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |