CN109523485A - 图像颜色校正方法、装置、存储介质及移动终端 - Google Patents
图像颜色校正方法、装置、存储介质及移动终端 Download PDFInfo
- Publication number
- CN109523485A CN109523485A CN201811377864.XA CN201811377864A CN109523485A CN 109523485 A CN109523485 A CN 109523485A CN 201811377864 A CN201811377864 A CN 201811377864A CN 109523485 A CN109523485 A CN 109523485A
- Authority
- CN
- China
- Prior art keywords
- image
- original image
- sample
- color
- white balance
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 21
- 241000532370 Atla Species 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005303 weighing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000003702 image correction Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请实施例公开了图像颜色校正方法、装置、存储介质及移动终端。该方法包括:获取待处理的原始图像;将所述原始图像输入至预先训练的图像颜色校正模型中;确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。本申请实施例通过采用上述技术方案,不仅可以简单、快速地对原始图像进行颜色校正,而且还可以有针对性对输入的不同的原始图像进行相应的颜色校正,可以有效提高图像的质量,增加图像的对比度,使图像更接近真实色彩。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及图像颜色校正方法、装置、存储介质及移动终端。
背景技术
随着移动终端的快速发展,对通过移动终端摄像头拍摄的图像的质量要求也越来越高。然而,摄像头采集的图像颜色与采集环境息息相关,在不同的采集环境下,对同一个采集目标采集的得到的图像颜色是不同的。采集环境的光照以及摄像头的图像传感器的RGB三分量,对不同颜色物体的响应都会影响最终的成像颜色,因此,在实际应用中,需要对摄像头采集的图像的颜色进行校正,以还原出采集目标的真实颜色。因此,有效的颜色校正方式对摄像头拍摄图像的效果好坏变得至关重要。
发明内容
本申请实施例提供图像颜色校正方法、装置、存储介质及移动终端,可以有效提高图像的质量,使图像更接近真实色彩。
第一方面,本申请实施例提供了一种图像颜色校正方法,包括:
获取待处理的原始图像;
将所述原始图像输入至预先训练的图像颜色校正模型中;
确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
第二方面,本申请实施例提供了一种图像颜色校正装置,包括:
原始图像获取模块,用于获取待处理的原始图像;
第一原始图像输入模块,用于将所述原始图像输入至预先训练的图像颜色校正模型中;
目标图像确定模块,用于确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例第一方面所述的图像颜色校正方法。
第四方面,本申请实施例提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的图像颜色校正方法。
本申请实施例中提供的图像颜色校正方案,获取待处理的原始图像;将所述原始图像输入至预先训练的图像颜色校正模型中;确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。通过采用上述技术方案,不仅可以简单、快速地对原始图像进行颜色校正,而且还可以有针对性对输入的不同的原始图像进行相应的颜色校正,可以有效提高图像的质量,使图像更接近真实色彩。
附图说明
图1为本申请实施例提供的一种图像颜色校正方法的流程示意图;
图2为本申请实施例提供的另一种图像颜色校正方法的流程示意图;
图3为本申请实施例提供的又一种图像颜色校正方法的流程示意图;
图4为本申请实施例提供的一种图像颜色校正装置的结构示意图;
图5为本申请实施例提供的一种移动终端的结构示意图;
图6为本申请实施例提供的另一种移动终端的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
CCM(Color Correction Matrix,颜色校正矩阵)是对图像进行颜色校正,恢复图像色彩,调整图像风格,提高图像质量的重要手段。传统技术中,主要针对不同场景下的图像使用不同的CCM矩阵,对于图像不同场景的切换容易导致颜色校正后的图像效果突变,使图像调整效果无法保证风格一致,尤其是针对利用摄像机对图像进行预览的阶段,在实际应用中,会大大影响用户体验。基于以上考虑,现提供如下图像颜色校正的方案。
图1为本申请实施例提供的图像颜色校正方法的流程示意图,该方法可以由图像颜色校正装置执行,其中该装置可由软件和/或硬件实现,一般可集成在移动终端中。如图1所示,该方法包括:
步骤101、获取待处理的原始图像。
示例性的,本申请实施例中的移动终端可包括手机、平板电脑及摄像机等具有拍照功能的移动设备。
在本申请实施例中,当检测到移动终端的摄像头处于打开状态时,即当检测到移动终端的摄像头处于拍摄预览状态或拍摄图像时,获取摄像头采集的raw图像,此时,可将摄像头采集的raw图像作为待处理的原始图像。可选的,摄像头采集raw图像,并基于预设白平衡处理算法对raw图像进行白平衡处理,则可将白平衡处理后的raw图像作为待处理的原始图像。可选的,还可获取其他终端设备传输的raw图像或待进行颜色校正的图像,并将其作为待处理的原始图像。当然,也可以直接从移动终端中存储的图像库中,获取需要进行颜色校正的图像,作为待处理的原始图像。需要说明的是,本申请实施例对待处理的原始图像的来源或获取方式,不做限定。
可选的,当检测到图像颜色校正事件被触发时,获取待处理的原始图像。可以理解的是,为了在合适的时机对图像进行颜色校正,可预先设置图像颜色校正事件的触发条件。示例性的,为了满足用户对采集图像的视觉需求,可在检测到摄像头处于开启状态时,触发图像颜色校正事件。可选的,当用户对移动终端中某图像的对比度不满意时,可在检测到用户主动打开图像颜色校正权限时,触发图像颜色校正事件。可选的,为了使图像颜色校正应用于更有价值的应用时机,以节省图像颜色校正所带来的额外功耗,可对图像颜色校正的应用时机和应用场景进行分析或调研等,设置合理的预设场景,在检测移动终端处于预设场景时,触发图像颜色校正事件。需要说明的是,本申请实施例对图像颜色校正事件被触发的具体表现形式不做限定。
步骤102、将所述原始图像输入至预先训练的图像颜色校正模型中。
在本申请实施例中,图像颜色校正模型可以理解为输入待处理的原始图像后,快速确定与该待处理的原始图像对应的目标图像的学习模型,其中,与该待处理的原始图像对应的目标图像为对原始图像进行图像颜色校正后的图像。图像颜色校正模型可以是对采集的样本原始图像及将样本原始图像调整到最好效果的图像颜色校正图像,进行训练生成的学习模型。可以理解的是,通过对样本原始图像及将样本原始图像调整到最好效果的图像颜色校正图像,及两者间的对应关系进行学习,可以生成图像颜色校正模型。图像颜色校正模型是端对端的学习模型,即输入及输出均为图像的学习模型。
步骤103、确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
示例性的,将待处理的原始图像输入至图像颜色校正模型后,图像颜色校正模型对所述待处理的原始图像进行分析,并根据分析结果对该原始图像进行颜色校正,得到对原始图像进行颜色校正后的目标图像,并输出。可以理解的是,将待处理的原始图像输入图像颜色校正模型后,图像颜色校正模型经分析后,直接输出图像,则可将该输出图像作为与原始图像对应的目标图像。即图像颜色校正模型的输出图像为图像颜色校正模型对待处理的原始图像进行颜色校正后的图像,即与原始图像对应的目标图像。
本申请实施例中提供的图像颜色校正方法,获取待处理的原始图像;将所述原始图像输入至预先训练的图像颜色校正模型中;确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。通过采用上述技术方案,不仅可以简单、快速地对原始图像进行颜色校正,而且还可以有针对性对输入的不同的原始图像进行相应的颜色校正,可以有效提高图像的质量,进一步增强图像的对比度,使图像更接近真实色彩。
在一些实施例中,在将所述输出图像作为与所述原始图像对应的目标图像之后,还包括:对所述目标图像进行Gamma校正,并输出Gamma校正后的目标图像。示例性的,对原始图像进行颜色校正后得到目标图像,为了进一步增加目标图像的对比度,可进一步对目标图像进行Gamma校正,并输出Gamma校正后的目标图像。这样设置的好处在于,可以对目标图像中的灰暗区域进行颜色的改善,能够进一步提高图像的对比度,提高图像的质量。
图2为本申请实施例提供的图像颜色校正方法的流程示意图,如图2所示,该方法包括:
步骤201、通过摄像头采集第一样本原始图像。
可选的,通过摄像头采集第一样本原始图像,包括:通过摄像头采集第一标准色卡在不同光照下的第一样本原始图像;其中,所述第一标准色卡为彩色色卡;或者通过摄像头采集至少两个拍摄场景在不同光照下的第一样本原始图像。
示例性的,第一标准色卡为彩色色卡,例如第一标准色卡可以为具有24个不同颜色的纯色块的标准色卡,则通过摄像头采集第一标准色卡在不同光照下的图像,作为第一样本原始图像。示例性的,通过摄像头采集第一标准色卡在不同色温下的raw图像,并基于预设白平衡处理算法对raw图像进行白平衡处理,则可将白平衡处理后的raw图像作为第一样本原始图像。
又示例性的,通过摄像头采集至少两个拍摄场景在不同光照下的图像,并将采集的图像作为第一样本原始图像。可选的,至少两个拍摄场景最好包含不同颜色的拍摄对象,使得拍摄场景的色彩丰富。可以理解的是,不同拍摄场景包含了不同拍摄对象的不同颜色,则通过摄像头采集至少两个拍摄场景在不同光照下的图像,作为第一样本原始图像,可使得拍摄的第一样本原始图像不仅可以模拟摄像头采集的第一标准色卡在不同光照下的图像,还可以包含更多的场景信息。
步骤202、对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像。
在本申请实施例中,可利用现有图像颜色校正方法对第一样本原始图像进行颜色校正,得到与第一样本原始图像对应的第一样本目标图像。可选的,将第一样本原始图像输入至ISP(Image Signal Processor,图像信号处理器)工具中,手动对第一样本原始图像进行颜色校正调节,将调节至颜色校正效果最好的图像作为与第一样本原始图像对应的第一样本目标图像。其中,对第一样本原始图像进行颜色校正调节时,是否调节至颜色校正效果最好的图像可通过人眼的第一直观感觉进行确认,还可以通过图像质量评估标准进行评估,直至获取颜色校正效果最好的图像。
可选的,在对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像之前,还包括:通过摄像头采集与所述第一样本原始图像对应的样本RGB图像;对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像,包括:以所述样本RGB图像为参考图像,对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像。这样设置的好处在于,可以有效掌控对第一样本原始图像进行颜色校正时的校正尺度,能够简单、快速地完成对第一样本原始图像的颜色校正,且能够达到较好的颜色校正效果。
示例性的,通过摄像头采集第一标准色卡在不同光照下的第一样本原始图像(raw图像或对raw图像进行过白平衡处理后的图像)时,可通过摄像头采集第一标准色卡在不同光照下的样本RGB图像,其中,第一样本原始图像与样本RGB图像一一对应,即第一样本原始图像和样本RGB图像均为采集的第一标准色卡在同一光照下的图像。又示例性的,通过摄像头采集至少两个拍摄场景在不同光照下的第一样本原始图像(raw图像或对raw图像进行过白平衡处理后的图像)时,可通过摄像头采集至少两个拍摄场景在不同光照下的样本RGB图像,其中,第一样本原始图像与样本RGB图像一一对应,即第一样本原始图像和样本RGB图像均为采集的同一拍摄场景在同一光照下的图像。
在对第一样本原始图像进行颜色校正时,以与第一样本原始图像对应的样本RGB图像为参考图像,可实现对第一样本原始图像较好的颜色校正效果。示例性的,将第一样本原始图像输入至ISP工具中,以样本RGB图像作为参考图像,手动对第一样本原始图像进行颜色校正,直至颜色校正后的图像与样本RGB图像差别不是很大时,可认为将第一样本原始图像调节至颜色校正效果较好的图像。
步骤203、将所述第一样本原始图像和所述第一样本目标图像作为第一训练样本集。
将第一样本原始图像及与第一样本原始图像对应的第一样本目标图像作为图像颜色校正模型的训练样本集,即第一训练样本集。
步骤204、利用所述第一训练样本集对第一预设机器学习模型进行训练,得到图像颜色校正模型。
示例性的,利用第一训练样本集对第一预设机器学习模型进行训练,生成图像颜色校正模型。其中,第一预设机器学习模型可以包括卷积神经网络模型或长短时记忆网络模型等机器学习模型,还可以包括朴素贝叶斯模型。需要说明的是,本申请实施例对第一预设机器学习模型不做限定。
步骤205、获取待处理的原始图像。
步骤206、将所述原始图像输入至预先训练的图像颜色校正模型中。
步骤207、确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
其中,在获取待处理的原始图像之前,获取图像颜色校正模型。需要说明的是,可以是移动终端获取上述第一训练样本集,利用第一训练样本集对第一预设机器学习模型进行训练,直接生成图像颜色校正模型。还可以是移动终端直接调用其他移动终端训练生成的图像颜色校正模型,例如,在出厂前利用一个移动终端获取第一训练样本集并生成图像颜色校正模型,然后将该图像颜色校正模型存储到与其他移动终端中,供其他移动终端直接使用。或者,服务器获取大量的第一样本原始图像及对第一样本原始图像进行颜色校正后的第一样本目标图像,得到第一训练样本集。服务器对基于第一预设机器学习模型对第一训练样本集进行训练,得到图像颜色校正模型。当移动终端需要进行图像颜色校正时,从服务器调用已训练好的图像颜色校正模型。
本申请实施例提供的图像颜色校正方法,获取待处理的原始图像,并将所述原始图像输入至预先训练的图像颜色校正模型中,然后确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像,其中,图像颜色校正模型是基于第一样本原始图像及对第一样本原始图像进行颜色校正后的第一样本目标图像进行训练生成的。通过采用上述技术方案,可以有效利用不同光照下采集的第一标准色卡的第一样本原始图像,或者不同光照下采集的至少两个拍摄场景的第一样本原始图像,及对第一样本原始图像进行颜色校正后的第一样本目标图像,进行图像颜色校正模型的训练学习,可以有效提高图像颜色校正模型的精确性,同时利用图像颜色校正模型可准确、快速地对待处理的原始图像进行颜色校正,能够有效提高图像质量。
图3为本申请实施例提供的图像颜色校正方法的流程示意图,如图3所示,该方法包括:
步骤301、通过摄像头采集第一标准色卡在不同光照下的第一样本原始图像;其中,所述第一标准色卡为彩色色卡;或者通过摄像头采集至少两个拍摄场景在不同光照下的第一样本原始图像。
步骤302、对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像。
步骤303、将所述第一样本原始图像和所述第一样本目标图像作为第一训练样本集。
步骤304、利用所述第一训练样本集对第一预设机器学习模型进行训练,得到图像颜色校正模型。
步骤305、获取待处理的原始图像。
示例性的,待处理的原始图像包括摄像头采集的raw图像。或者,待处理的原始图像包括需要进行颜色校正的图像,但是为了达到更好的颜色校正效果,需要对该原始图像预先进行白平衡处理。
步骤306、将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中。
在本申请实施例中,白平衡系数矩阵确定模型可以理解为在输入待处理的原始图像后,快速确定与该待处理的原始图像对应的白平衡系数矩阵的学***衡系数矩阵确定模型可以是对采集的第二样本原始图像及对应的样本白平衡系数矩阵进行训练生成的学***衡系数矩阵包括将样本原始图像调整到最好效果的白平衡处理图像时的矩阵。可以理解的是,通过对第二样本原始图像及对应的样本白平衡系数矩阵,及两者间的对应关系进行学***衡系数矩阵确定模型。
步骤307、根据所述白平衡系数矩阵确定模型的输出结果,确定与所述原始图像对应的白平衡系数矩阵。
示例性的,将待处理的原始图像输入至白平衡系数矩阵确定模型后,白平衡系数矩阵确定模型对该原始图像进行分析,并根据分析结果确定与待处理的原始图像对应的白平衡系数矩阵。
步骤308、根据所述白平衡系数矩阵对所述原始图像进行白平衡处理。
示例性的,基于白平衡系数矩阵对待处理的原始图像进行白平衡处理,例如,可将原始图像与白平衡系数矩阵的乘积作为对原始图像进行白平衡处理后的图像。
可选的,根据所述白平衡系数矩阵对所述原始图像进行白平衡处理,包括:获取所述原始图像中每个像素点的第一RGB分量值;针对所述原始图像中所有像素点,将每个像素点的第一RGB分量值与所述白平衡系数矩阵中对应位置的白平衡系数的乘积,作为与原始图像所述像素点对应的目标图像的像素点的第二RGB分量值。这样设置的好处在于,可针对待处理的原始图像中每个像素点确定一个独立的白平衡系数,并基于白平衡系数矩阵对原始图像中每个像素点进行白平衡处理,可以解决基于全局白平衡算法进行白平衡处理时,容易导致纯色物体的颜色偏差较大,混合色温下无法准确地检测出白色区块的技术问题,能够有效提高图像的质量,增加图像的饱和度。
示例性的,获取原始图像中每个像素点的第一RGB分量值,并针对原始图像中所有的像素点,将每个像素点的第一RGB分量值乘以与白平衡系数矩阵中对应位置的白平衡系数,并将乘积后的结果作为与原始图像所述像素点对应的目标图像像素点的第二RGB分量值,即将乘积后的结果作为对原始图像进行白平衡处理后的像素点的第二RGB分量值。示例性的,获取原始图像中第一个像素点(原始图像中第一行第一列的像素点)的第一RGB分量值,则将白平衡系数矩阵中第一行第一列的白平衡系数与该第一个像素点的第一RGB分量值的乘积,作为对原始图像进行白平衡处理后的图像中的第一个像素点(白平衡处理后的图像中第一行第一列的像素点)的第二RGB分量值。依次类推,基于白平衡系数矩阵,对原始图像中每个像素点做类似的处理操作,从而得到对原始图像进行白平衡处理后的图像。
步骤309、将经白平衡处理后的原始图像输入至预先训练的图像颜色校正模型中。
在本申请实施例中,将经白平衡处理后的原始图像输入至图像颜色校正模型中,使图像颜色校正模型对该图像进行分析,以进行颜色校正。
步骤310、确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
步骤311、对所述目标图像进行Gamma校正,并输出Gamma校正后的目标图像。
本申请实施例提供的图像颜色校正方法,获取待处理的原始图像,将原始图像输入至预先训练的白平衡系数矩阵确定模型中,并根据白平衡系数矩阵确定模型的输出结果,确定与原始图像对应的白平衡系数矩阵,然后根据白平衡系数矩阵对原始图像进行白平衡处理,将经白平衡处理后的原始图像输入至预先训练的图像颜色校正模型中,并确定图像颜色校正模型的输出图像,将输出图像作为与原始图像对应的目标图像。通过采用上述技术方案,能够利用白平衡系数矩阵确定模型对原始图像进行白平衡处理,并利用图像颜色校正模型对经白平衡处理后的图像进行颜色校正,不仅可以提高原始图像的对比度,还可以提高图像的饱和度,能够有效提高图像质量。
在一些实施例中,在将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中之前,还包括:获取白平衡系数矩阵确定模型;其中,所述白平衡系数矩阵确定模型由如下方式得到:通过摄像头采集第二标准色卡在不同色温下的第二样本原始图像;其中,所述第二标准色卡为白色色卡;对所述第二样本原始图像进行白平衡处理,得到与所述第二样本原始图像对应的第二样本目标图像;根据所述第二样本原始图像和所述第二样本目标图像,确定将所述第二样本原始图像变化为所述第二样本目标图像对应的样本白平衡系数矩阵;根据所述样本白平衡系数矩阵对所述第二样本原始图像进行标记,得到第二训练样本集;利用所述第二训练样本集对第二预设机器学***衡系数矩阵确定模型。
在本申请实施例中,第二标准色卡为白色色卡,通过摄像头采集第二标准色卡在不同色温下的图像,作为第二样本原始图像。示例性的,通过摄像头采集标准色卡在不同色温下的raw图像,作为第二样本原始图像。不同色温可通过人造光源来实现,示例性的,在实验室环境下,通过不同类型的光源营造不同的色温环境。例如,利用蜡烛作为光源可营造出2000k的色温环境,利用高压钠灯作为光源可营造出1950-2250k的色温环境,利用钨丝灯做为光源可营造出2700k的色温环境,利用卤素灯作为光源可营造出3000k的色温环境,利用暖色荧光灯作为光源可营造出4000k-4600k的色温环境等。可通过不同类型的光源提供一系列色温值连续的拍摄环境。利用摄像头在不同色温下拍摄第二标准色卡,得到每一色温下的色卡图像,从而获得第二标准色卡在不同色温下的第二样本原始图像。
示例性的,可利用现有白平衡处理方法对第二样本原始图像进行白平衡处理,得到与第二样本原始图像对应的第二样本目标图像。可选的,将第二样本原始图像输入至ISP工具中,手动对第二样本原始图像进行白平衡调节,将调节至白平衡效果最好的图像作为与第二样本原始图像对应的第二样本目标图像。其中,对第二样本原始图像进行白平衡调节时,是否调节至白平衡效果最好的图像可通过人眼的第二直观感觉进行确认,还可以通过图像质量评估标准进行评估,直至获取白平衡效果最好的图像。
在本申请实施例中,根据第二样本原始图像和与第二样本原始图像对应的第二样本目标图像,确定将第二样本原始图像变化为第二样本目标图像时,对应的样本白平衡系数矩阵,即确定对第二样本原始图像进行白平衡处理得到第二样本目标图像时,白平衡处理过程中采用的白平衡系数矩阵。
可选的,根据所述第二样本原始图像和所述第二样本目标图像,确定将所述第二样本原始图像变化为所述第二样本目标图像对应的样本白平衡系数矩阵,包括:获取所述第二样本原始图像中每个像素点的第三RGB分量值及所述第二样本目标图像中每个像素点的第四RGB分量值;针对所有像素点,将每个像素点对应的第四RGB分量值与第三RGB分量值的比值,作为样本白平衡系数矩阵中所述像素点对应的白平衡系数。这样设置的好处在于,可以准确地确定出不同色温环境下对第二标准色卡的原始图像进行白平衡处理时,对应的白平衡系数矩阵。
示例性的,分别获取第二样本原始图像中每个像素点的第三RGB分量值及第二样本目标图像中每个像素点的第四RGB分量值,对于每个像素点,分别计算对应像素点的第四RGB分量值与第三RGB分量值的比值,并将该比值作为该像素点的白平衡系数矩阵。示例性的,获取第二样本原始图像中第一个像素点(第二样本原始图像中第一行第一列的像素点)的第三RGB分量值,及第二样本目标图像中第一个像素点(第一样本目标图像中第一行第一列的像素点)的第四RGB分量值,并将该第四RGB分量值与该第三RGB分量值的比值,作为白平衡系数矩阵中第一行第一列的白平衡系数。按照上述方式,依次类推,分别确定白平衡系数矩阵中各个元素的白平衡系数。
示例性的,根据得到的每个样本白平衡系数矩阵分别对对应的第二样本原始图像进行标记,并将标记好对应样本白平衡系数矩阵的第二样本原始图像,作为白平衡系数矩阵确定模型的训练样本集,即第二训练样本集。示例性的,利用第二训练样本集对第二预设机器学***衡系数矩阵确定模型。其中,第二预设机器学习模型可以包括卷积神经网络模型或长短时记忆网络模型等机器学习模型。本申请实施例对第二预设机器学习模型不做限定,其中,第二预设机器学习模型与第一预设机器学习模型可以相同,也可以不同。
其中,在获取待处理的原始图像之前,获取白平衡系数矩阵确定模型。需要说明的是,可以是移动终端获取上述第二训练样本集,利用第二训练样本集对第二预设机器学***衡系数矩阵确定模型。还可以是移动终端直接调用其他移动终端训练生成的白平衡系数矩阵确定模型,例如,在出厂前利用一个移动终端获取第二训练样本集并生成白平衡系数矩阵确定模型,然后将该白平衡系数矩阵确定模型存储到与其他移动终端中,供其他移动终端直接使用。或者,服务器获取大量的第二样本原始图像及与第二样本原始图像对应的白平衡系数矩阵,并根据对应的白平衡系数矩阵对第二样本原始图像进行标记,得到第二训练样本集。服务器对基于第二预设机器学***衡系数矩阵确定模型。当移动终端需要进行图像白平衡处理时,从服务器调用已训练好的白平衡系数矩阵确定模型。
图4为本申请实施例提供的一种图像颜色校正装置的结构示意图,该装置可由软件和/或硬件实现,一般集成在移动终端中,可通过执行图像颜色校正方法来对待处理的原始图像进行颜色校正。如图4所示,该装置包括:
原始图像获取模块401,用于获取待处理的原始图像;
第一原始图像输入模块402,用于将所述原始图像输入至预先训练的图像颜色校正模型中;
目标图像确定模块403,用于确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
本申请实施例中提供的图像颜色校正装置,获取待处理的原始图像;将所述原始图像输入至预先训练的图像颜色校正模型中;确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。通过采用上述技术方案,不仅可以简单、快速地对原始图像进行颜色校正,而且还可以有针对性对输入的不同的原始图像进行相应的颜色校正,可以有效提高图像的质量,使图像更接近真实色彩。
可选的,所述装置还包括:
颜色校正模型获取模块,用于在获取待处理的原始图像之前,获取所述图像颜色校正模型;
其中,所述图像颜色校正模型由如下方式得到:
通过摄像头采集第一样本原始图像;
对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像;
将所述第一样本原始图像和所述第一样本目标图像作为第一训练样本集;
利用所述第一训练样本集对第一预设机器学习模型进行训练,得到图像颜色校正模型。
可选的,在对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像之前,还包括:
通过摄像头采集与所述第一样本原始图像对应的样本RGB图像;
对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像,包括:
以所述样本RGB图像为参考图像,对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像。
可选的,通过摄像头采集第一样本原始图像,包括:
通过摄像头采集第一标准色卡在不同光照下的第一样本原始图像;其中,所述第一标准色卡为彩色色卡;或者
通过摄像头采集至少两个拍摄场景在不同光照下的第一样本原始图像。
可选的,所述装置还包括:
第二原始图像输入模块,用于在将所述原始图像输入至预先训练的图像颜色校正模型中之前,将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中;
白平衡系数矩阵确定模块,用于根据所述白平衡系数矩阵确定模型的输出结果,确定与所述原始图像对应的白平衡系数矩阵;
白平衡处理模块,用于根据所述白平衡系数矩阵对所述原始图像进行白平衡处理;
所述第一原始图像输入模块,用于:
将经白平衡处理后的原始图像输入至预先训练的图像颜色校正模型中。
可选的,所述装置还包括:
系数矩阵确定模型获取模块,用于在将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中之前,获取白平衡系数矩阵确定模型;
其中,所述白平衡系数矩阵确定模型由如下方式得到:
通过摄像头采集第二标准色卡在不同色温下的第二样本原始图像;其中,所述第二标准色卡为白色色卡;
对所述第二样本原始图像进行白平衡处理,得到与所述第二样本原始图像对应的第二样本目标图像;
根据所述第二样本原始图像和所述第二样本目标图像,确定将所述第二样本原始图像变化为所述第二样本目标图像对应的样本白平衡系数矩阵;
根据所述样本白平衡系数矩阵对所述第二样本原始图像进行标记,得到第二训练样本集;
利用所述第二训练样本集对第二预设机器学***衡系数矩阵确定模型。
可选的,所述装置还包括:
Gamma校正模块,用于在将所述输出图像作为与所述原始图像对应的目标图像之后,对所述目标图像进行Gamma校正,并输出Gamma校正后的目标图像。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行图像颜色校正方法,该方法包括:
获取待处理的原始图像;
将所述原始图像输入至预先训练的图像颜色校正模型中;
确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的图像颜色校正操作,还可以执行本申请任意实施例所提供的图像颜色校正方法中的相关操作。
本申请实施例提供了一种移动终端,该移动终端中可集成本申请实施例提供的图像颜色校正装置。图5为本申请实施例提供的一种移动终端的结构示意图。移动终端500可以包括:存储器501,处理器502及存储在存储器上并可在处理器运行的计算机程序,所述处理器502执行所述计算机程序时实现如本申请实施例所述的图像颜色校正方法。
本申请实施例提供的移动终端,不仅可以简单、快速地对原始图像进行颜色校正,而且还可以有针对性对输入的不同的原始图像进行相应的颜色校正,可以有效提高图像的质量,使图像更接近真实色彩。
图6为本申请实施例提供的另一种移动终端的结构示意图,该移动终端可以包括:壳体(图中未示出)、存储器601、中央处理器(central processing unit,CPU)602(又称处理器,以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部;所述CPU602和所述存储器601设置在所述电路板上;所述电源电路,用于为所述移动终端的各个电路或器件供电;所述存储器601,用于存储可执行程序代码;所述CPU602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序,以实现以下步骤:
获取待处理的原始图像;
将所述原始图像输入至预先训练的图像颜色校正模型中;
确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
所述移动终端还包括:外设接口603、RF(Radio Frequency,射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子***609、其他输入/控制设备610、触摸屏612、其他输入/控制设备610以及外部端口604,这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是,图示移动终端600仅仅是移动终端的一个范例,并且移动终端600可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于图像颜色校正的移动终端进行详细的描述,该移动终端以手机为例。
存储器601,所述存储器601可以被CPU602、外设接口603等访问,所述存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603,所述外设接口603可以将设备的输入和输出外设连接到CPU602和存储器601。
I/O子***609,所述I/O子***609可以将设备上的输入输出外设,例如触摸屏612和其他输入/控制设备610,连接到外设接口603。I/O子***609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中,一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号,其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是,输入控制器6092可以与以下任一个连接:键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏612,所述触摸屏612是用户移动终端与用户之间的输入接口和输出接口,将可视输出显示给用户,可视输出可以包括图形、文本、图标、视频等。
I/O子***609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触,显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互,即实现人机交互,显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是,设备还可以包括光鼠,光鼠是不显示可视输出的触摸敏感表面,或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路605,主要用于建立手机与无线网络(即网络侧)的通信,实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地,RF电路605接收并发送RF信号,RF信号也称为电磁信号,RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号,并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路,其包括但不限于天线***、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder,编译码器)芯片组、用户标识模块(Subscriber Identity Module,SIM)等等。
音频电路606,主要用于从外设接口603接收音频数据,将该音频数据转换为电信号,并且将该电信号发送给扬声器611。
扬声器611,用于将手机通过RF电路605从无线网络接收的语音信号,还原为声音并向用户播放该声音。
电源管理芯片608,用于为CPU602、I/O子***及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的图像颜色校正装置、存储介质及移动终端可执行本申请任意实施例所提供的图像颜色校正方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的图像颜色校正方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像颜色校正方法,其特征在于,包括:
获取待处理的原始图像;
将所述原始图像输入至预先训练的图像颜色校正模型中;
确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
2.根据权利要求1所述的方法,其特征在于,在获取待处理的原始图像之前,还包括:
获取所述图像颜色校正模型;
其中,所述图像颜色校正模型由如下方式得到:
通过摄像头采集第一样本原始图像;
对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像;
将所述第一样本原始图像和所述第一样本目标图像作为第一训练样本集;
利用所述第一训练样本集对第一预设机器学习模型进行训练,得到图像颜色校正模型。
3.根据权利要求2所述的方法,其特征在于,在对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像之前,还包括:
通过摄像头采集与所述第一样本原始图像对应的样本RGB图像;
对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像,包括:
以所述样本RGB图像为参考图像,对所述第一样本原始图像进行颜色校正,得到与所述第一样本原始图像对应的第一样本目标图像。
4.根据权利要求2所述的方法,其特征在于,通过摄像头采集第一样本原始图像,包括:
通过摄像头采集第一标准色卡在不同光照下的第一样本原始图像;其中,所述第一标准色卡为彩色色卡;或者
通过摄像头采集至少两个拍摄场景在不同光照下的第一样本原始图像。
5.根据权利要求1所述的方法,其特征在于,在将所述原始图像输入至预先训练的图像颜色校正模型中之前,还包括:
将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中;
根据所述白平衡系数矩阵确定模型的输出结果,确定与所述原始图像对应的白平衡系数矩阵;
根据所述白平衡系数矩阵对所述原始图像进行白平衡处理;
所述将所述原始图像输入至预先训练的图像颜色校正模型中,包括:
将经白平衡处理后的原始图像输入至预先训练的图像颜色校正模型中。
6.根据权利要求5所述的方法,其特征在于,在将所述原始图像输入至预先训练的白平衡系数矩阵确定模型中之前,还包括:
获取白平衡系数矩阵确定模型;
其中,所述白平衡系数矩阵确定模型由如下方式得到:
通过摄像头采集第二标准色卡在不同色温下的第二样本原始图像;其中,所述第二标准色卡为白色色卡;
对所述第二样本原始图像进行白平衡处理,得到与所述第二样本原始图像对应的第二样本目标图像;
根据所述第二样本原始图像和所述第二样本目标图像,确定将所述第二样本原始图像变化为所述第二样本目标图像对应的样本白平衡系数矩阵;
根据所述样本白平衡系数矩阵对所述第二样本原始图像进行标记,得到第二训练样本集;
利用所述第二训练样本集对第二预设机器学***衡系数矩阵确定模型。
7.根据权利要求1-6任一所述的方法,其特征在于,在将所述输出图像作为与所述原始图像对应的目标图像之后,还包括:
对所述目标图像进行Gamma校正,并输出Gamma校正后的目标图像。
8.一种图像颜色校正装置,其特征在于,包括:
原始图像获取模块,用于获取待处理的原始图像;
第一原始图像输入模块,用于将所述原始图像输入至预先训练的图像颜色校正模型中;
目标图像确定模块,用于确定所述图像颜色校正模型的输出图像,并将所述输出图像作为与所述原始图像对应的目标图像。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的图像颜色校正方法。
10.一种移动终端,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的图像颜色校正方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811377864.XA CN109523485B (zh) | 2018-11-19 | 2018-11-19 | 图像颜色校正方法、装置、存储介质及移动终端 |
PCT/CN2019/107580 WO2020103570A1 (zh) | 2018-11-19 | 2019-09-24 | 图像颜色校正方法、装置、存储介质及移动终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811377864.XA CN109523485B (zh) | 2018-11-19 | 2018-11-19 | 图像颜色校正方法、装置、存储介质及移动终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523485A true CN109523485A (zh) | 2019-03-26 |
CN109523485B CN109523485B (zh) | 2021-03-02 |
Family
ID=65777998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811377864.XA Active CN109523485B (zh) | 2018-11-19 | 2018-11-19 | 图像颜色校正方法、装置、存储介质及移动终端 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109523485B (zh) |
WO (1) | WO2020103570A1 (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211065A (zh) * | 2019-05-23 | 2019-09-06 | 九阳股份有限公司 | 一种食材图像的颜色校正方法和装置 |
CN110428377A (zh) * | 2019-07-26 | 2019-11-08 | 北京百度网讯科技有限公司 | 数据扩充方法、装置、设备和介质 |
CN110796642A (zh) * | 2019-10-09 | 2020-02-14 | 陈浩能 | 水果品质程度确定方法及相关产品 |
CN110827317A (zh) * | 2019-11-04 | 2020-02-21 | 西安邮电大学 | 一种基于fpga的四目运动目标检测与识别设备及方法 |
CN111064963A (zh) * | 2019-11-11 | 2020-04-24 | 北京迈格威科技有限公司 | 图像数据解码方法、装置、计算机设备和存储介质 |
WO2020103570A1 (zh) * | 2018-11-19 | 2020-05-28 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
CN111461996A (zh) * | 2020-03-06 | 2020-07-28 | 合肥师范学院 | 一种图像快速智能调色方法 |
CN111476731A (zh) * | 2020-04-01 | 2020-07-31 | Oppo广东移动通信有限公司 | 图像矫正方法、装置、存储介质及电子设备 |
CN111681201A (zh) * | 2020-04-20 | 2020-09-18 | 深圳市鸿富瀚科技股份有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN111898449A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于监控视频的行人属性识别方法和*** |
CN111930987A (zh) * | 2020-08-11 | 2020-11-13 | 复旦大学 | 一种基于机器视觉颜色识别的智慧城域定位方法及*** |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
CN112752023A (zh) * | 2020-12-29 | 2021-05-04 | 深圳市天视通视觉有限公司 | 一种图像调整方法、装置、电子设备及存储介质 |
CN112884693A (zh) * | 2021-03-25 | 2021-06-01 | 维沃移动通信(深圳)有限公司 | 图像处理模型的训练方法和装置、白平衡处理方法和装置 |
WO2021114184A1 (zh) * | 2019-12-12 | 2021-06-17 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及其装置 |
CN113298726A (zh) * | 2021-05-14 | 2021-08-24 | 漳州万利达科技有限公司 | 一种图像显示调整方法、装置、显示设备和存储介质 |
CN113506332A (zh) * | 2021-09-09 | 2021-10-15 | 北京的卢深视科技有限公司 | 目标对象识别的方法、电子设备及存储介质 |
CN113516132A (zh) * | 2021-03-25 | 2021-10-19 | 杭州博联智能科技股份有限公司 | 基于机器学习的颜色校准方法、装置、设备及介质 |
CN115460391A (zh) * | 2022-09-13 | 2022-12-09 | 浙江大华技术股份有限公司 | 图像的模拟方法、装置、存储介质及电子装置 |
WO2023040725A1 (zh) * | 2021-09-15 | 2023-03-23 | 荣耀终端有限公司 | 白平衡处理方法与电子设备 |
CN116668656A (zh) * | 2023-07-24 | 2023-08-29 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN116721038A (zh) * | 2023-08-07 | 2023-09-08 | 荣耀终端有限公司 | 颜色修正方法、电子设备及存储介质 |
WO2024000473A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 色彩校正模型的生成方法、校正方法及装置、介质、设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244790A (zh) * | 2011-06-27 | 2011-11-16 | 展讯通信(上海)有限公司 | 图像信号处理器配套参数的自适应调整装置及方法 |
US20110279703A1 (en) * | 2010-05-12 | 2011-11-17 | Samsung Electronics Co., Ltd. | Apparatus and method for processing image by using characteristic of light source |
CN103839236A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种基于稀疏表示的图像白平衡方法 |
CN103905803A (zh) * | 2014-03-18 | 2014-07-02 | 中国科学院国家天文台 | 一种图像的颜色校正方法及装置 |
CN106651795A (zh) * | 2016-12-03 | 2017-05-10 | 北京联合大学 | 一种利用光照估计来校正图像颜色的方法 |
CN107613192A (zh) * | 2017-08-09 | 2018-01-19 | 深圳市巨龙创视科技有限公司 | 一种基于摄像机模组的数字图像处理算法 |
CN108600723A (zh) * | 2018-07-20 | 2018-09-28 | 长沙全度影像科技有限公司 | 一种全景相机的颜色校正方法及评价方法 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100412906C (zh) * | 2006-10-20 | 2008-08-20 | 清华大学 | 数字舌象色偏校正方法 |
CN102479382A (zh) * | 2010-11-23 | 2012-05-30 | 鸿富锦精密工业(深圳)有限公司 | 拍摄影像优化***及方法 |
CN109523485B (zh) * | 2018-11-19 | 2021-03-02 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
-
2018
- 2018-11-19 CN CN201811377864.XA patent/CN109523485B/zh active Active
-
2019
- 2019-09-24 WO PCT/CN2019/107580 patent/WO2020103570A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110279703A1 (en) * | 2010-05-12 | 2011-11-17 | Samsung Electronics Co., Ltd. | Apparatus and method for processing image by using characteristic of light source |
CN102244790A (zh) * | 2011-06-27 | 2011-11-16 | 展讯通信(上海)有限公司 | 图像信号处理器配套参数的自适应调整装置及方法 |
CN103839236A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种基于稀疏表示的图像白平衡方法 |
CN103905803A (zh) * | 2014-03-18 | 2014-07-02 | 中国科学院国家天文台 | 一种图像的颜色校正方法及装置 |
CN106651795A (zh) * | 2016-12-03 | 2017-05-10 | 北京联合大学 | 一种利用光照估计来校正图像颜色的方法 |
CN107613192A (zh) * | 2017-08-09 | 2018-01-19 | 深圳市巨龙创视科技有限公司 | 一种基于摄像机模组的数字图像处理算法 |
CN108712639A (zh) * | 2018-05-29 | 2018-10-26 | 凌云光技术集团有限责任公司 | 图像颜色校正方法、装置及*** |
CN108600723A (zh) * | 2018-07-20 | 2018-09-28 | 长沙全度影像科技有限公司 | 一种全景相机的颜色校正方法及评价方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020103570A1 (zh) * | 2018-11-19 | 2020-05-28 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
CN110211065A (zh) * | 2019-05-23 | 2019-09-06 | 九阳股份有限公司 | 一种食材图像的颜色校正方法和装置 |
CN110211065B (zh) * | 2019-05-23 | 2023-10-20 | 九阳股份有限公司 | 一种食材图像的颜色校正方法和装置 |
CN110428377A (zh) * | 2019-07-26 | 2019-11-08 | 北京百度网讯科技有限公司 | 数据扩充方法、装置、设备和介质 |
CN110428377B (zh) * | 2019-07-26 | 2023-06-30 | 北京康夫子健康技术有限公司 | 数据扩充方法、装置、设备和介质 |
CN110796642A (zh) * | 2019-10-09 | 2020-02-14 | 陈浩能 | 水果品质程度确定方法及相关产品 |
CN110827317A (zh) * | 2019-11-04 | 2020-02-21 | 西安邮电大学 | 一种基于fpga的四目运动目标检测与识别设备及方法 |
CN110827317B (zh) * | 2019-11-04 | 2023-05-12 | 西安邮电大学 | 一种基于fpga的四目运动目标检测与识别设备及方法 |
CN111064963A (zh) * | 2019-11-11 | 2020-04-24 | 北京迈格威科技有限公司 | 图像数据解码方法、装置、计算机设备和存储介质 |
WO2021114184A1 (zh) * | 2019-12-12 | 2021-06-17 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及其装置 |
CN111461996A (zh) * | 2020-03-06 | 2020-07-28 | 合肥师范学院 | 一种图像快速智能调色方法 |
CN111461996B (zh) * | 2020-03-06 | 2023-08-29 | 合肥师范学院 | 一种图像快速智能调色方法 |
CN111476731A (zh) * | 2020-04-01 | 2020-07-31 | Oppo广东移动通信有限公司 | 图像矫正方法、装置、存储介质及电子设备 |
CN111476731B (zh) * | 2020-04-01 | 2023-06-27 | Oppo广东移动通信有限公司 | 图像矫正方法、装置、存储介质及电子设备 |
CN111681201A (zh) * | 2020-04-20 | 2020-09-18 | 深圳市鸿富瀚科技股份有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN111681201B (zh) * | 2020-04-20 | 2023-06-23 | 深圳市鸿富瀚科技股份有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN111898449A (zh) * | 2020-06-30 | 2020-11-06 | 北京大学 | 一种基于监控视频的行人属性识别方法和*** |
CN111930987B (zh) * | 2020-08-11 | 2023-12-26 | 复旦大学 | 一种基于机器视觉颜色识别的智慧城域定位方法及*** |
CN111930987A (zh) * | 2020-08-11 | 2020-11-13 | 复旦大学 | 一种基于机器视觉颜色识别的智慧城域定位方法及*** |
CN112164005A (zh) * | 2020-09-24 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像颜色校正方法、装置、设备及存储介质 |
CN112752023A (zh) * | 2020-12-29 | 2021-05-04 | 深圳市天视通视觉有限公司 | 一种图像调整方法、装置、电子设备及存储介质 |
CN112884693A (zh) * | 2021-03-25 | 2021-06-01 | 维沃移动通信(深圳)有限公司 | 图像处理模型的训练方法和装置、白平衡处理方法和装置 |
CN113516132A (zh) * | 2021-03-25 | 2021-10-19 | 杭州博联智能科技股份有限公司 | 基于机器学习的颜色校准方法、装置、设备及介质 |
CN113516132B (zh) * | 2021-03-25 | 2024-05-03 | 杭州博联智能科技股份有限公司 | 基于机器学习的颜色校准方法、装置、设备及介质 |
CN113298726A (zh) * | 2021-05-14 | 2021-08-24 | 漳州万利达科技有限公司 | 一种图像显示调整方法、装置、显示设备和存储介质 |
CN113506332B (zh) * | 2021-09-09 | 2021-12-17 | 北京的卢深视科技有限公司 | 目标对象识别的方法、电子设备及存储介质 |
CN113506332A (zh) * | 2021-09-09 | 2021-10-15 | 北京的卢深视科技有限公司 | 目标对象识别的方法、电子设备及存储介质 |
WO2023040725A1 (zh) * | 2021-09-15 | 2023-03-23 | 荣耀终端有限公司 | 白平衡处理方法与电子设备 |
WO2024000473A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 色彩校正模型的生成方法、校正方法及装置、介质、设备 |
CN115460391A (zh) * | 2022-09-13 | 2022-12-09 | 浙江大华技术股份有限公司 | 图像的模拟方法、装置、存储介质及电子装置 |
CN115460391B (zh) * | 2022-09-13 | 2024-04-16 | 浙江大华技术股份有限公司 | 图像的模拟方法、装置、存储介质及电子装置 |
CN116668656B (zh) * | 2023-07-24 | 2023-11-21 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN116668656A (zh) * | 2023-07-24 | 2023-08-29 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN116721038A (zh) * | 2023-08-07 | 2023-09-08 | 荣耀终端有限公司 | 颜色修正方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109523485B (zh) | 2021-03-02 |
WO2020103570A1 (zh) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523485A (zh) | 图像颜色校正方法、装置、存储介质及移动终端 | |
CN109685746A (zh) | 图像亮度调整方法、装置、存储介质及终端 | |
CN109348206A (zh) | 图像白平衡处理方法、装置、存储介质及移动终端 | |
CN109547701A (zh) | 图像拍摄方法、装置、存储介质及电子设备 | |
CN109741279A (zh) | 图像饱和度调整方法、装置、存储介质及终端 | |
DE102019106252A1 (de) | Verfahren und System für Lichtquellenschätzung zur Bildverarbeitung | |
CN109068058A (zh) | 超级夜景模式下的拍摄控制方法、装置和电子设备 | |
CN109360254B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN109741281A (zh) | 图像处理方法、装置、存储介质及终端 | |
CN108986726B (zh) | 一种信息终端 | |
CN109167931A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN108566516A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN109120863A (zh) | 拍摄方法、装置、存储介质及移动终端 | |
CN109741288A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN108551552B (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN109729281A (zh) | 图像处理方法、装置、存储介质及终端 | |
CN112840636A (zh) | 一种图像处理方法和装置 | |
CN107424117B (zh) | 图像美颜方法、装置、计算机可读存储介质和计算机设备 | |
CN109327691A (zh) | 图像拍摄方法、装置、存储介质及移动终端 | |
CN102088539B (zh) | 一种预拍照画质评价方法和*** | |
CN109242794A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
WO2021068795A1 (zh) | 图像显示方法、图像识别方法、装置、介质、设备及*** | |
CN108881875A (zh) | 图像白平衡处理方法、装置、存储介质及终端 | |
CN108683845A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN109191398B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |