CN112489142B - 一种颜色识别方法、装置、设备及存储介质 - Google Patents
一种颜色识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112489142B CN112489142B CN202011374500.3A CN202011374500A CN112489142B CN 112489142 B CN112489142 B CN 112489142B CN 202011374500 A CN202011374500 A CN 202011374500A CN 112489142 B CN112489142 B CN 112489142B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- sub
- image blocks
- image block
- 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 71
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims description 44
- 238000000638 solvent extraction Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 2
- 101100537629 Caenorhabditis elegans top-2 gene Proteins 0.000 description 2
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 2
- 101150107801 Top2a gene Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种颜色识别方法、装置、设备及存储介质,包括:利用图像分割模型对原始图像进行分割,得到各分割区域图像;基于预设规则对分割区域图像进行分块得到各个子图像块,并根据子图像块中预设位置的像素点的颜色值,确定子图像块的主颜色类别;根据子图像块的主颜色类别对子图像块进行分类,并分别从每类子图像块中筛选出若干子图像块,得到每类子图像块对应的第一图像块;基于第一图像块确定用于反映第一图像块的主颜色类别的第二图像块,并根据第二图像块确定分割区域图像的颜色类别序列。本申请基于自适应分块策略确定分割区域图像的包含主颜色类别的颜色类别序列,提高了颜色识别的准确度和完整度。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种颜色识别方法、装置、设备及存储介质。
背景技术
当前,计算机视觉被广泛地应用到人脸识别、安防、无人驾驶等各个领域,其中,图像识别技术是计算机视觉技术的一个重要分支,而颜色属性是图像中最显著的区分点之一,因此颜色识别在图像识别中尤为重要,但在实际应用中,颜色识别往往会受到较多因素的干扰导致识别准确度不高。例如,在人体结构化特征提取的应用场景中,行人身体各部位颜色的识别除了受到光照因素的干扰外,相较于对尺寸较大、边界较为规则且颜色较为单一的目标如对车辆进行颜色判断,对行人身体各部位的颜色识别主要还受到待识别对象尺寸较小、边界不规则以及同一个部位由多种颜色混搭等因素的影响,如衣物是拼色、条纹、格子、印花等样式的情况。上述因素直接导致行人结构化特征提取的应用场景下,行人各部位颜色识别准确率整体偏低,也间接影响了行人以图搜图、行人重识别(ReID,Person Re-identification)等业务的执行效率。
发明内容
有鉴于此,本发明的目的在于提供一种颜色识别方法、装置、设备及存储介质,能够提高颜色识别的准确度和完整度。其具体方案如下:
本申请的第一方面提供了一种颜色识别方法,包括:
利用图像分割模型对原始图像进行分割,得到各分割区域图像;
基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别;
根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
可选的,所述基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别,包括:
按照预设尺寸对所述分割区域图像进行分块,得到各个子图像块;
提取所述子图像块中预设位置的若干目标像素点并计算每个所述目标像素点的RGB值,以得到每个所述目标像素点的颜色类别;
统计不同颜色类别的所述目标像素点在所有所述目标像素点中的占比,得到不同颜色类别对应的目标占比;
若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别。
可选的,所述若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别之前,还包括:
判断所有所述目标占比中最大的所述目标占比是否大于预设阈值,如果否,则丢弃所述子图像块。
可选的,所述分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块,包括:
根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
相应的,所述基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,包括:
基于预设拼接规则对所述第一图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块。
可选的,所述基于预设拼接规则对所述第一图像块进行拼接,包括:
若所述第一图像块的数量小于所述预设拼接规则中实际要求的数量,则确定出相应的欠缺数量,并基于所述第一图像块的颜色值创建所述欠缺数量个补齐子图像块,按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接。
可选的,所述基于所述第一图像块的颜色值创建所述欠缺数量个补齐子图像块,包括:
计算所述第一图像块的颜色值的平均值,以得到平均颜色值;
通过将像素点的颜色值均设置为所述平均颜色值的图像创建方式,创建所述欠缺数量个图像块作为补齐子图像块。
可选的,所述分别从每类所述子图像块中筛选出若干所述子图像块之前,还包括:
按照每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分优先级,以得到每类所述子图像块的优先级;
相应的,所述根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别,包括:
将各所述第二图像块输入至训练后的颜色识别模型,以便所述颜色识别模型输出各所述第二图像块的颜色类别及对应的置信度;其中,所述颜色识别模型为利用训练集对基于深度学习算法构建的空白模型进行训练后得到的模型,所述训练集包括样本主颜色图像块和相应的作为样本标签的颜色类别;
获取所述颜色识别模型输出的各所述第二图像块的颜色类别及对应的置信度;
判断所述置信度是否大于预设阈值,如果所述置信度大于所述预设阈值,则将所述颜色识别模型输出的所述第二图像块的颜色类别确定为所述第二图像块的颜色类别,如果所述置信度小于或等于所述预设阈值,则计算所述第二图像块的颜色值以得到所述第二图像块的颜色类别;
根据各所述第二图像块对应的所述子图像块的优先级确定各所述第二图像块的优先级,并按照各所述第二图像块的优先级对各所述第二图像块的颜色类别进行排序,以得到所述分割区域图像的颜色类别序列。
本申请的第二方面提供了一种颜色识别装置,包括:
分割模块,用于利用图像分割模型对原始图像进行分割,得到各分割区域图像;
确定模块,用于基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别;
获取模块,用于根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
识别模块,用于基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本申请的第三方面提供了一种电子设备,所述电子设备包括处理器和存储器;其中所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现前述颜色识别方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述颜色识别方法。
本申请中,先利用图像分割模型对原始图像进行分割,得到各分割区域图像,然后基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别,其次根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块,最后基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的包含所述分割区域图像的主颜色类别的颜色类别序列。可见,本申请基于自适应分块策略对所述原始图像的分割区域图像进行分块得到子图像块,通过对所述子图像块进行分类、拼接及补齐得到所述分割区域图像的主颜色图像块,并根据主颜色图像块的颜色类别确定分割区域图像的包含所述分割区域图像的主颜色类别的颜色类别序列,上述方法提高了颜色识别的准确度和完整度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种颜色识别方法流程图;
图2为本申请提供的一种具体的颜色识别方法示意图;
图3为本申请提供的一种具体的图像分割过程示意图;
图4为本申请提供的对图像进行预处理得到分割区域图像的示意图;
图5为本申请提供的一种具体的颜色识别方法流程图;
图6为本申请提供的确定子图像块主颜色类别的过程示意图;
图7为本申请提供的一种具体的颜色识别方法流程图;
图8为本申请提供的一种具体的颜色识别方法流程图;
图9为本申请提供的对原始图像进行颜色识别的流程图;
图10为本申请提供的一种颜色识别装置结构示意图;
图11为本申请提供的一种颜色识别电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的颜色识别技术难以对配色较为复杂的图像中的颜色进行有效识别,如条纹、格子、碎花图案等,识别准确度相对较低,为了克服上述技术问题,本申请提供了一种基于自适应分块策略确定分割区域图像的主颜色图像块,并根据主颜色图像块的颜色类别确定分割区域图像的包含所述分割区域图像的主颜色类别的颜色类别序列的颜色识别方案,能有效提高颜色识别的准确度和完整度。
图1为本申请实施例提供的一种颜色识别方法流程图。参见图1所示,该颜色识别方法包括:
S11:利用图像分割模型对原始图像进行分割,得到各分割区域图像。
本实施例中,在得到原始图像后,为了对所述原始图像中的不同区域的目标对象进行准确定位,首先需要对原始图像进行分割处理,将图像划分成互不相交的区域,可以采用传统的图切割方法,但更多的是利用深度学习算法对所述原始图像进行语义分割等处理,本实施例利用基于分割算法构建的图像分割模型对所述原始图像进行分割,以得到所述原始图像的分割结果,基于所述分割结果中不同分割区域的位置,对原始图像进行预处理以得到所述原始图像的各个分割区域图像。需要说明的是,为了规避背景颜色干扰颜色识别的结果,在对所述原始图像进行预处理后获得的所述分割区域图像的背景为预设颜色值对应的纯色,降低后续颜色识别的难度,提高识别结果的准确度,其中,所述预设颜色值为所述分割区域图像背景对应的颜色值。不难理解,每一个所述分割区域图像上包含所述原始图像上单独一个区域的像素点。
S12:基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别。
本实施例中,基于自适应分块策略对所述分割区域图像进行分块处理,以得到所述分割区域图像的各个子图像块。通过直接把整个图像送入所述颜色识别模型进行颜色预测或者计算所述分割区域的颜色值来识别所述分割区域的颜色类别的方法对颜色为纯色的分割区域图像有相对较高的识别准确度,但对于颜色构成较复杂的分割区域图像,很难有效识别出正确的颜色或主颜色类别。本实施例按照预设规则进一步将构色复杂的所述分割区域图像划分成更小的单元,也即所述子图像块,然后根据所述子图像块中预设位置的像素点的颜色值确定所述子图像块的主颜色类别,其中,为了减少计算耗时,只需统计预设位置的像素点的颜色类别,所述预设位置在确保均匀性的前提下根据业务需求自行设定,当然,在计算能力允许的情况下,利用该子图像块中的所有像素点的颜色值确定出的主颜色类别最能代表所述子图像块的颜色类别。需要说明的是,确定出的所述子图像块的主颜色类别需要与后续步骤中利用所述颜色识别模型预测的颜色类别及计算颜色值确定的颜色类别的标准保持一致。不难理解,每个子图像块越小其所包含的像素点越少,当所述子图像块包含的像素点足够少时,用该子图像块上的像素点的颜色值确定该子图像块的主颜色类别的精确度就更高。
S13:根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
本实施例中,同一个分割区域图像可能对应多个子图像块,不同的子图像块对应的主颜色类别可能不同也可能相同,因此在获取到所述分割区域图像的子图像块及其主颜色类别后,需要根据所述子图像块的主颜色类别对所述子图像块进行分类,将具有相同的颜色类别的子图像块归为一类,主颜色类别的种类数与所述子图像块的种类数一致且对应。然后分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块,所述第一图像块的本质仍然是每类所述子图像块中的具有颜色代表性的不同的子图像块,当所述子图像块包含的像素点较多时,可以从每类所述子图像块中仅筛选出一个子图像块,相较于筛选多个子图像块的方式获得的颜色识别的准确度较低,本实施例从每类所述子图像块中筛选出多个所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
S14:基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本实施例中,基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,所述第二图像块的颜色类别由其对应的所述第一图像块的颜色类别决定,在一定程度上反映了对应的所述第一图像块的颜色类别,本实施例主要通过对所述第一图像块进行拼接的方式得到对应的所述第二图像块,当所述分割区域图像对应多个所述第二图像块且所述第二图像块的颜色类别不为单一颜色类别时,说明所述分割区域图像不是纯色,所述分割区域图像存在多个颜色类别,根据多个所述第二图像块的颜色类别可以确定出所述分割区域图像的颜色类别序列,此时各所述第二图像块的颜色类别的组合即为所述分割区域图像的颜色类别序列。再进一步的,也可以确定出所述分割区域图像的主颜色类别。不难理解,可以通过预先训练好的颜色识别模型对所述第二图像块的颜色类别进行预测,也可以计算所述第二图像块的颜色值确定其颜色类别,本实施例对确定所述第二图像块的颜色类别的方法不做限定。
可见,本申请实施例基于自适应分块策略对所述原始图像的分割区域图像进行分块得到子图像块,通过对所述子图像块进行分类、拼接等得到所述分割区域图像的第二图像块,也即所述区域图像的主颜色图像块,并根据各所述第二图像块的颜色类别确定所述分割区域图像的包含所述分割区域图像的主颜色类别的颜色类别序列,上述方法提高了颜色识别的准确度和完整度。
图2为本申请实施例提供的一种具体的颜色识别方法流程图。参见图2所示,该颜色识别方法包括:
S21:利用基于U-Net网络构建的图像分割模型对原始图像进行分割,以得到分割结果;所述分割结果为对所述原始图像的不同区域设置不同的灰度值得到的各个分割区域。
本实施例中,利用基于U-Net网络构建的图像分割模型对原始图像进行分割,以获得所述原始图像的带有像素类别标签的各个分割区域,其中所述像素类别标签为灰度值。当然,除了可以采用U-Net网络来构建上述图像分割模型,本实施例也可以采用其他的图像分割网络,如JPP-Net网络等。另外,本实施例可以利用现有的提前构建好的图像分割模型对所述原始图像进行分割,也可以根据业务需求利用实时构建的图像分割模型来进行图像分割。
本实施例以构建人像场景下的图像语义分割模型为例,首先需要预先准备大量的包含以人体为目标的图像,例如行人的监控图像等,然后根据分割任务需要,对人体的帽子、头发、眼镜、口罩、围巾、上衣、下衣、鞋子、各类包、雨伞等区域进行标注,语义分割标签为一张灰度图,尺寸与原图保持一致,不同区域设置不同的灰度值,比如帽子、头发、…、雨伞分别设置为1、2、…、10,背景的灰度值一般设置为0或255,本实施例将背景的灰度值设置为0,利用上述方法对图3(a)进行处理后的结果显示如图3(c)所示,便于视觉上能直观观察不同分割区域,将如图3(c)中的不同分割区域的灰度值设置不同的像素值后得到图3(d)所示的图3(a)的分割结果效果图。接着将标注好的图像送入已设计好的U-Net网络进行语义分割训练。语义分割模型训练好之后,即可将待识别的原始行人图像送入模型进行语义分割。如图3所示,即将行人图像经所述语义分割模型处理后得到各分割区域的过程,并将分割结果在原图上进行标注示意。
S22:获取所述分割区域的外接矩形,基于所述外接矩形在原始图像上截取所述外接矩形对应的外接矩形图像。
S23:将所述外接矩形图像中与所述外接矩形对应的分割区域外的区域的RGB值中的三个分量均设置为预设值,以得到各个所述分割区域图像。
本实施例中,基于所述分割区域中的像素点的分布计算出各个所述分割区域的外接矩形,然后在原始图像上截取所述外接矩形对应的外接矩形图像,也即基于所述外接矩形对所述原始图像进行抠图以得到所述外接矩形对应的图像。所述外接矩形图像上包含所述分割区域的所有像素点,由于所述分割区域的边界基本是不规则的,所述外接矩形图像上同时也可能包含其他分割区域的像素点,为了避免背景及其他分割区域带来的影响,在获取所述外接矩形图像的同时可以将所述外接矩形图像中与所述外接矩形对应的分割区域外的区域的RGB值中的三个分量均设置为预设值,例如可以设置为255,从颜色角度讲,也即将所述外接矩形图像的背景及其他分割区域的颜色设置为白色,以得到各个仅包含所述分割区域像素点的分割区域图像,也可以设置为0,对应的颜色为黑色,当然,具体业务中需要参考所述分割区域图像的背景颜色。具体的,上述过程如图4所示,图4(c)所示为基于图4(a)所示的人体图像及图4(b)所示的所述人体图像的分割结果图得到的图4(a)中的不同分割区域的外接矩形图像,进一步对图4(c)中的各个外接矩形图像的背景的颜色值进行重置后得到的仅包含所述分割区域的像素点的分割区域图像。
S24:基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别。
S25:根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
S26:基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本实施例中,关于上述步骤S24至步骤S26的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例利用基于U-Net网络构建的图像分割模型对原始图像进行分割,以得到包含所述原始图像的带有不同灰度值的各个分割区域,然后在原始图像上获取所述分割区域的外接矩形的外接矩形图像,并对所述外接矩形图像进行去背景化等处理,以得到仅包含所述分割区域的像素点的分割区域图像,通过上述对所述原始图像进行预处理的方法得到的各个所述分割区域图像在一定程度上避免了背景颜色及图像中其他区域的颜色对颜色识别结果产生的影响,提高了颜色识别的准确度。
图5为本申请实施例提供的一种具体的颜色识别方法流程图。参见图5所示,该颜色识别方法包括:
S31:利用图像分割模型对原始图像进行分割,得到各分割区域图像。
本实施例中,关于上述步骤S31的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
S32:按照预设尺寸对所述分割区域图像进行分块,得到各个子图像块。
本实施例中,主要是基于自适应分块策略对各个所述分割区域图像进行分块处理,也即基于所述分割区域图像的尺寸,按照业务需求确定分割后得到的所述子图像块的尺寸以得到预设尺寸,继而根据所述预设尺寸对所述分割区域图像进行分块以得到所述分割区域图像对应的具有所需尺寸的各个子图像块。在确定所述预设尺寸时,应尽量考虑到所述分割区域图像的大小及所述子图像包含的像素点的多少对颜色识别结果可能产生的影响,以得到合适数量及大小的子图像块。
图6(b)所示为本实施例提供的对图6(a)进行自适应分块的结果,具体的,本实施例的预设尺寸设置为宽W0和高H0均为10像素,也即图6(b)中的每个子图像块的宽W0和高H0均为10像素,在实际应用中,宽W0和高H0均为10像素的图像的颜色显示可视为最小的单元,有利于提高颜色识别的精确度。按照所述子图像块位置的行和列将所述子图像块命名为Bij(i为该子图像块的行号,j为该子图像块的列号,i≤n,j≤n),其中,n的值可以由下述公式计算得出,W、H分别为所述分割区域图像的长和高。需要注意的是,在某些极端情况下,如当W小于W0或H小于H0时,需利用白色像素点对宽和高为W和H的所述分割区域补齐为宽和高为W0和H0的图像,此时n为1。
S33:提取所述子图像块中预设位置的若干目标像素点并计算每个所述目标像素点的RGB值,以得到每个所述目标像素点的颜色类别。
本实施例中,为了得到各个所述子图像块的更准确的主颜色类别,在上述对所述分割区域图像进行分块得到所述子图像块的基础上,进一步提取所述子图像块中预设位置的若干目标像素点,本实施例针对6(b)中的每个10*10(pix)的子图像块,仅提取其中的25个像素点作为目标像素点,为了确保均匀性,取每行及每列位序为奇数的像素进行颜色值提取,如图6(c)中深色方块所示,当然,实际操作中也可以提取其他位序的像素进行计算,提取的目标像素的数量也可以不同,在不考虑耗时的情况下,可以计算所述子图像块中所有像素的颜色值,即计算次数为10*10次。然后计算提取到的所述目标像素点的RGB值,由于通过RGB的值判断颜色类别比较复杂,而转换为HSV后,调色变得更加简单,颜色类别可根据H(色调)、S(饱和度)、V(亮度)的取值范围确定。本实施例将计算得到的所述目标像素点的RGB值转换为HSV颜色空间值,利用HSV基准颜色确定所述目标像素点的颜色类别,需要注意的是,如果后续步骤中采用颜色识别模型预测颜色类型或者计算颜色值继而确定颜色类别,最终的颜色类别应该与上述HSV基准颜色保持一致,避免出现基准颜色不统一的现象。
在一种实施例中,考虑到所述分割区域图像可能进行了去背景化处理或者将其他的分割区域设置为白色,也即将背景像素的R、G、B值均设置为255,在实际处理中,存在上述情况的目标像素点不参与统计。
S34:统计不同颜色类别的所述目标像素点在所有所述目标像素点中的占比,得到不同颜色类别对应的目标占比,若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别。
本实施例中,所提取的各所述目标像素点计算完颜色值并确定好各所述像素点的颜色类别后即可进行统计,首先根据颜色类别对所述目标像素点进行归类,然后计算每个颜色类别中的目标像素点的个数占提取到的全部所述目标像素点个数的比率,得到不同颜色类别对应的目标占比,进一步的,判断所述目标占比中数值最大的占比对应的颜色类别是否是单一颜色类别,如果是,则将该颜色类别确定为所述子图像块的主颜色类别,如果不是单一颜色类别,也即所述目标占比中数值最大的占比对应的颜色类别存在多个,则丢弃所述子图像块,以禁止该子图像块参与后续的颜色识别过程。需要说明的是,对于一些颜色过于混杂以至于很难明确确定其主颜色类别的子图像块,可以选择直接丢弃该子图像块,因此,在一类实施例中,判断所述目标占比最大的颜色类别是否为单一颜色类别之前,还需要判断所有所述目标占比中最大的所述目标占比是否大于预设阈值,如果不大于,则丢弃所述子图像块。其中,所述预设阈值根据业务需求设定,本实施例中所述预设阈值设定为0.8,也即在提取出的25个所述目标像素点中,当最大所述目标占比对应的颜色类别的目标像素点的个数不少于20个时,再进一步将所述目标占比最大的颜色类别为单一颜色类别的颜色类别确定为所述子图像块的主颜色类别。
S35:根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
S36:基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本实施例中,关于上述步骤S35和S36的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例首先按照预设尺寸对所述分割区域进行分块得到各个子图像块,然后对所述子图像块中预设位置的目标像素点进行提取并计算颜色值以确定所述目标像素点的颜色类别,最后根据所述目标像素点及其颜色类别确定对应的子图像块的颜色类别。可见,本实施例在对所述分割区域图像进行分块基础上进一步对与所述分割区域图像对应的子图像块的像素点进行统计,以得到所述子图像块更加精确的主颜色类别。
图7为本申请实施例提供的一种具体的颜色识别方法流程图。参见图7所示,该颜色识别方法包括:
S41:利用图像分割模型对原始图像进行分割,得到各分割区域图像。
S42:基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别。
本实施例中,关于上述步骤S41和S42的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
S43:根据所述子图像块的主颜色类别对所述子图像块进行分类,并根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
S44:若所述第一图像块的数量小于预设拼接规则中实际要求的数量,则确定出相应的欠缺数量。
S45:计算所述第一图像块的颜色值的平均值,以得到平均颜色值,通过将像素点的颜色值均设置为所述平均颜色值的图像创建方式,创建所述欠缺数量个图像块作为补齐子图像块。
S46:按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本实施例中,同一个颜色类别的所述子图像块可能由于图像中色彩的色相、明度和饱和度不同而不同,本实施例将每类所述子图像块基于饱和度由强到若的顺序进行排序,然后按照所述排序分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。需要说明的是,筛选出的所述子图像块的数量可以根据后续预设拼接规则中实际需要的子图像块的数量进行确定,但对于一些颜色类别来说,其包含的子图像块的个数比所述预设拼接规则中实际需要的子图像块的数量还要少,就需要基于所述第一图像块的颜色值创建补齐子图像块,然后按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块。
如图9(d)所示,图中第一列图像块为将每类所述子图像块各自对应的第一图像块按照3*3的拼接规则进行拼接后得到的正方形拼接图像块,也即每列和每行的所述子图像块均为3个,对于颜色类别为黑色的子图像块,其数量不够9个,所述欠缺数量为2个,上述情况下,需要计算颜色类别为黑色的第一图像块的颜色值的平均值,以得到平均颜色值,然后通过将像素点的颜色值均设置为所述平均颜色值的图像创建方式,创建2个图像块作为补齐子图像块,最后对创建好的2个补齐子图像块与对应的所述第一图像块进行拼接得到完整的拼接补齐图像块,也即所述用于反映所述第一图像块的主颜色类别的第二图像块。需要注意的是,当某一类颜色类别对应的所述子图像块数量较少时,可以根据实际情况有取舍的生成所述第二图像块,如图9(c)中所列的各类所述子图像块,仅有两个子图像块的颜色类别为白色,此时可以考虑不生成与该子图像块对应的第二图像块,仅对颜色类别为红色和黑色的所述子图像块进行筛选及拼接补齐等,以得到与颜色类别为红色和黑色对应的第二图像块。
需要说明的是,根据所述第二图像块确定所述分割区域图像的颜色类别这一步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块,当所述第一图像块的数量小于预设拼接规则中实际要求的数量时,利用颜色值为所述第一图像块的颜色值的平均值的像素点创建所述补齐子图像块,并按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接。上述利用拼接、补齐方法获取用于反映所述第一图像块的主颜色类别的第二图像块,能有效提高颜色识别的准确度。
图8为本申请实施例提供的一种具体的颜色识别方法流程图。参见图8所示,该颜色识别方法包括:
S51:利用图像分割模型对原始图像进行分割,得到各分割区域图像。
S52:基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别。
本实施例中,关于上述步骤S51和S52的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
S53:根据所述子图像块的主颜色类别对所述子图像块进行分类,并按照每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分优先级,以得到每类所述子图像块的优先级。
本实施例中,统计到的所述子图像块都有对应的颜色类别,根据所述子图像块的颜色类别对所述子图像块进行分类,将具有相同颜色类别的所述子图像块归为一类,可以用该类中所述子图像块对应的颜色类别作为该类子图像块的类名,同时按照每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分优先级,所述划分优先级可以将所述类名也即该类子图像块的颜色类别按照其中的所述子图像块的数量进行排序,以得到所述分割区域图像的主颜色类别排序top_1、top_2、…、top_N,排序靠前的优先级就越高,排序靠后的优先级也相应越低,不难理解,上述主颜色类别的优先级也即是该主颜色类别对应的所述子图像块的优先级,也即是利用所述子图像块进行拼接补齐得到第二图像块的优先级。
S54:分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块。
S55:基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块。
本实施例中,关于上述步骤S54和S55的具体过程,可以参考前述实施例中公开的相应内容,在此不再进行赘述。
S56:将各所述第二图像块输入至训练后的颜色识别模型,以便所述颜色识别模型输出各所述第二图像块的颜色类别及对应的置信度。
本实施例中,在得到各所述第二图像块后,需要确定各所述第二图像块的颜色类别,本实施例利用颜色识别模型预测所述第二图像块的颜色类别并输出对应的置信度,其中,所述颜色识别模型为利用训练集对基于深度学习算法构建的空白模型进行训练后得到的模型,所述训练集包括样本图像块和相应的作为样本标签的颜色类别。本实施例在将所述第二图像块输入至训练后的颜色识别模型之前,预先构建所述颜色识别模型,具体的,基于上述实施例中的获取所述第二图像块的方式,搜集大量的人体目标图像,制作基于不同颜色的大量样本主颜色图像块,然后进行标注、训练,需要注意的是,颜色类别标签需和前述实施例中所述的HSV基准颜色类别对应,可以用m表示各类颜色类别标签,对应取值1、2、…、m等。
S57:获取所述颜色识别模型输出的所述第二图像块的颜色类别及对应的置信度,判断所述置信度是否大于预设阈值,如果所述置信度大于所述预设阈值,则将所述颜色识别模型输出的所述第二图像块的颜色类别确定为所述第二图像块的颜色类别。
S58:如果所述置信度小于或等于所述预设阈值,则计算所述第二图像块的颜色值以得到所述第二图像块的颜色类别。
本实施例中,获取到所述颜色识别模型输出的所述第二图像块的颜色类别及对应的置信度后,首先判断所述置信度是否大于预设阈值,如果所述置信度大于预设阈值,说明所述颜色识别模型预测的颜色类别是可信的,此时将所述颜色识别模型输出的所述第二图像块的颜色类别确定为所述第二图像块的颜色类别。如果所述置信度小于或等于预设阈值,说明所述颜色识别模型预测的颜色类别不可信,需要进一步计算所述第二图像块的颜色值以得到所述第二图像块的颜色类别,将通过计算颜色值确定的颜色类别确定为所述第二图像块的颜色类别,具体过程如图9所示。本实施例中通过计算所述第二图像块的RGB值,然后将得到的RGB值转化为HSV颜色空间值,根据HSV基准颜色类别确定所述第二图像块的颜色类别,所述HSV基准颜色类别与前述实施例中的HSV基准颜色类别一致。需要注意的是,在本实施例中,所述第二图像块的颜色类别与所述第二图像块对应的所述子图像块的颜色类别一致,也即基于前述实施例中利用传统方法计算所述子图像块的颜色值以得到所述子图像块的颜色类别并根据所述子图像块的颜色类别将所述子图像块进行分类,此处可以将所述第二图像块对应的所述子图像块的颜色类别确定为所述第二图像块的颜色类别,不用再次计算所述第二图像块的颜色值。需要说明的是,本实施例不限定所述预设阈值的取值范围,可以根据具体的业务需求进行设定,本实施例将所述预设阈值设置为0.95。
S59:根据各所述第二图像块对应的所述子图像块的优先级确定各所述第二图像块的优先级,并按照各所述第二图像块的优先级对各所述第二图像块的颜色类别进行排序,以得到所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
本实施例中,通过上述步骤得到了各所述第二图像块的颜色类别,不难理解,各所述第二图像块的颜色类别的组合即为所述分割区域图像的颜色类别,一个分割区域图像存在多个所述第二图像块说明对应的分割区域图像不是纯色,该分割区域图像包含多种颜色类别。在步骤S53中通过统计每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分了优先级top_1、top_2、…、top_N,所述第二图像块的优先级即为所述第二图像块对应的所述子图像块的优先级,并按照各所述第二图像块的优先级对各所述第二图像块的颜色类别进行排序,得到的所述分割区域图像的颜色类别序列即为按照所述第二图像块对应的颜色类别中包含的所述子图像块的数量进行的颜色类别的排列,排序越靠前优先级越高,所述颜色类别序列中第一位的颜色类别即为所述分割区域图像的主颜色类别。
可见,本申请实施例,采用深度学习算法和传统计算颜色值方法深度结合的方式综合判断所述分割区域图像的颜色类别,有效提高颜色识别的准确度。进一步的,本实施例中还通过对每类所述子图像块及其对应的颜色类别划分优先级的方法,确定出所述分割区域图像的颜色类别序列,进而确定所述分割区域图像的主颜色类别。
参见图10所示,本申请实施例还相应公开了一种颜色识别装置,包括:
分割模块11,用于利用图像分割模型对原始图像进行分割,得到各分割区域图像;
确定模块12,用于基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别;
获取模块13,用于根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
识别模块14,用于基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
可见,本申请实施例基于自适应分块策略确定分割区域图像的主颜色图像块,并根据主颜色图像块的颜色类别确定分割区域图像的包含所述分割区域图像的主颜色类别的颜色类别序列,进一步提高了颜色识别的准确度和完整度。
在一些具体实施例中,所述分割模块11,具体包括:
分割结果获取单元,用于利用基于U-Net网络构建的图像分割模型对原始图像进行分割,以得到分割结果;所述分割结果为对所述原始图像的不同区域设置不同的灰度值得到的各个分割区域图像;
预处理单元,用于获取所述分割区域的外接矩形,基于所述外接矩形在原始图像上截取所述外接矩形对应的外接矩形图像;将所述外接矩形图像中与所述外接矩形对应的分割区域外的区域的RGB值中的三个分量均设置为预设值,以得到各个所述分割区域图像。
在一些具体实施例中,所述确定模块12,具体包括:
分块单元,用于按照预设尺寸对所述分割区域图像进行分块,得到各个子图像块;
提取单元,用于提取所述子图像块中预设位置的若干目标像素点并计算每个所述目标像素点的RGB值,以得到每个所述目标像素点的颜色类别;
统计单元,用于统计不同颜色类别的所述目标像素点在所有所述目标像素点中的占比,得到不同颜色类别对应的目标占比;
判断单元,用于若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别。
在一些具体实施例中,所述获取模块13,具体包括:
筛选单元,用于根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
拼接单元,用于基于预设拼接规则对所述第一图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块;
补齐单元,用于若所述第一图像块的数量小于所述预设拼接规则中实际要求的数量,则确定出相应的欠缺数量,并基于所述第一图像块的颜色值创建所述欠缺数量个补齐子图像块,按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接;
在一些具体的实施例中,所述颜色识别装置还包括:
划分模块,用于按照每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分优先级,以得到每类所述子图像块的优先级;
在一些具体实施例中,所述识别模块14,具体包括:
输入单元,用于将所述第二图像块输入至训练后的颜色识别模型,以便所述颜色识别模型输出所述第二图像块的颜色类别及对应的置信度;
判定单元,用于判断所述置信度是否大于预设阈值;如果所述置信度大于所述预设阈值,则将所述颜色识别模型输出的所述第二图像块的颜色类别确定为所述第二图像块的颜色类别,如果所述置信度小于或等于所述预设阈值,则计算所述第二图像块的颜色值以得到所述第二图像块的颜色类别。
计算单元,用于计算所述第二图像块的RGB值,并将所述第二图像块的RGB值转换成对应的HSV颜色空间值,根据HSV基准颜色确定所述HSV颜色空间值对应的颜色类别,以确定所述第二图像块的颜色类别;
排序单元,用于根据各所述第二图像块对应的所述子图像块的优先级确定各所述第二图像块的优先级,并按照各所述第二图像块的优先级对各所述第二图像块的颜色类别进行排序,以得到所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别。
进一步的,本申请实施例还提供了一种电子设备。图11是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图11为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的颜色识别方法中的相关步骤。另外,本实施例中的电子设备20具体可以为服务器。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作***221、计算机程序222及图像数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作***221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量图像数据223的运算与处理,其可以是WindowsServer、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的颜色识别方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的各种图像。
进一步的,本申请实施例还公开了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的颜色识别方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的颜色识别方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种颜色识别方法,其特征在于,包括:
利用图像分割模型对原始图像进行分割,得到各分割区域图像;
基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别;
按照预设尺寸对所述分割区域图像进行分块,得到各个子图像块;
提取所述子图像块中预设位置的若干目标像素点并计算每个所述目标像素点的RGB值,以得到每个所述目标像素点的颜色类别;
统计不同颜色类别的所述目标像素点在所有所述目标像素点中的占比,得到不同颜色类别对应的目标占比;
若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别;
根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别;
其中,所述分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块,包括:
根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
所述基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,包括:
基于预设拼接规则对所述第一图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块。
2.根据权利要求1所述的颜色识别方法,其特征在于,所述若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别之前,还包括:
判断所有所述目标占比中最大的所述目标占比是否大于预设阈值,如果否,则丢弃所述子图像块。
3.根据权利要求1所述的颜色识别方法,其特征在于,所述基于预设拼接规则对所述第一图像块进行拼接,包括:
若所述第一图像块的数量小于所述预设拼接规则中实际要求的数量,则确定出相应的欠缺数量,并基于所述第一图像块的颜色值创建所述欠缺数量个补齐子图像块,按照所述预设拼接规则对所述第一图像块和所述补齐子图像块进行拼接。
4.根据权利要求3所述的颜色识别方法,其特征在于,所述基于所述第一图像块的颜色值创建所述欠缺数量个补齐子图像块,包括:
计算所述第一图像块的颜色值的平均值,以得到平均颜色值;
通过将像素点的颜色值均设置为所述平均颜色值的图像创建方式,创建所述欠缺数量个图像块作为补齐子图像块。
5.根据权利要求1-4任一项所述的颜色识别方法,其特征在于,所述分别从每类所述子图像块中筛选出若干所述子图像块之前,还包括:
按照每类所述子图像块中的所述子图像块的数量对每类所述子图像块划分优先级,以得到每类所述子图像块的优先级;
相应的,所述根据各所述第二图像块确定所述分割区域图像的颜色类别序列,包括:
将各所述第二图像块输入至训练后的颜色识别模型,以便所述颜色识别模型输出各所述第二图像块的颜色类别及对应的置信度;其中,所述颜色识别模型为利用训练集对基于深度学习算法构建的空白模型进行训练后得到的模型,所述训练集包括样本图像块和相应的作为样本标签的颜色类别;
获取所述颜色识别模型输出的各所述第二图像块的颜色类别及对应的置信度;
判断所述置信度是否大于预设阈值,如果所述置信度大于所述预设阈值,则将所述颜色识别模型输出的所述第二图像块的颜色类别确定为所述第二图像块的颜色类别,如果所述置信度小于或等于所述预设阈值,则计算所述第二图像块的颜色值以得到所述第二图像块的颜色类别;
根据各所述第二图像块对应的所述子图像块的优先级确定各所述第二图像块的优先级,并按照各所述第二图像块的优先级对各所述第二图像块的颜色类别进行排序,以得到所述分割区域图像的颜色类别序列。
6.一种颜色识别装置,其特征在于,包括:
分割模块,用于利用图像分割模型对原始图像进行分割,得到各分割区域图像;
确定模块,用于基于预设规则对所述分割区域图像进行分块得到各个子图像块,并根据所述子图像块中预设位置的像素点的颜色值,确定所述子图像块的主颜色类别;
所述确定模块,具体包括:
分块单元,用于按照预设尺寸对所述分割区域图像进行分块,得到各个子图像块;
提取单元,用于提取所述子图像块中预设位置的若干目标像素点并计算每个所述目标像素点的RGB值,以得到每个所述目标像素点的颜色类别;
统计单元,用于统计不同颜色类别的所述目标像素点在所有所述目标像素点中的占比,得到不同颜色类别对应的目标占比;
判断单元,用于若所述目标占比最大的颜色类别为单一颜色类别,则将该颜色类别确定为所述子图像块的主颜色类别;
获取模块,用于根据所述子图像块的主颜色类别对所述子图像块进行分类,并分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
识别模块,用于基于所述第一图像块确定用于反映所述第一图像块的主颜色类别的第二图像块,以得到每类所述子图像块各自对应的所述第二图像块,并根据各所述第二图像块确定所述分割区域图像的颜色类别序列;其中,所述颜色类别序列中包括所述分割区域图像的主颜色类别;
其中,所述获取模块,具体用于:
根据所述子图像块的颜色饱和度分别从每类所述子图像块中筛选出若干所述子图像块,以得到每类所述子图像块各自对应的第一图像块;
所述识别模块,具体用于:
基于预设拼接规则对所述第一图像块进行拼接,以得到用于反映所述第一图像块的主颜色类别的第二图像块。
7.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的颜色识别方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至5任一项所述的颜色识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374500.3A CN112489142B (zh) | 2020-11-30 | 2020-11-30 | 一种颜色识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374500.3A CN112489142B (zh) | 2020-11-30 | 2020-11-30 | 一种颜色识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112489142A CN112489142A (zh) | 2021-03-12 |
CN112489142B true CN112489142B (zh) | 2024-04-09 |
Family
ID=74937626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374500.3A Active CN112489142B (zh) | 2020-11-30 | 2020-11-30 | 一种颜色识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489142B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239939A (zh) * | 2021-05-12 | 2021-08-10 | 北京杰迈科技股份有限公司 | 一种轨道信号灯识别方法、模块及存储介质 |
CN114511770A (zh) * | 2021-12-21 | 2022-05-17 | 武汉光谷卓越科技股份有限公司 | 道路标识标牌识别方法 |
WO2024050760A1 (en) * | 2022-09-08 | 2024-03-14 | Intel Corporation | Image processing with face mask detection |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955952A (zh) * | 2014-05-04 | 2014-07-30 | 电子科技大学 | 一种服装图像颜色特征的提取与描述方法 |
CN107358242A (zh) * | 2017-07-11 | 2017-11-17 | 浙江宇视科技有限公司 | 目标区域颜色识别方法、装置及监控终端 |
CN110826418A (zh) * | 2019-10-15 | 2020-02-21 | 深圳和而泰家居在线网络科技有限公司 | 脸部特征提取方法及装置 |
CN111062993A (zh) * | 2019-12-12 | 2020-04-24 | 广东智媒云图科技股份有限公司 | 色彩合并的作画图像处理方法、装置、设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011374500.3A patent/CN112489142B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955952A (zh) * | 2014-05-04 | 2014-07-30 | 电子科技大学 | 一种服装图像颜色特征的提取与描述方法 |
CN107358242A (zh) * | 2017-07-11 | 2017-11-17 | 浙江宇视科技有限公司 | 目标区域颜色识别方法、装置及监控终端 |
CN110826418A (zh) * | 2019-10-15 | 2020-02-21 | 深圳和而泰家居在线网络科技有限公司 | 脸部特征提取方法及装置 |
CN111062993A (zh) * | 2019-12-12 | 2020-04-24 | 广东智媒云图科技股份有限公司 | 色彩合并的作画图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112489142A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112489142B (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN112489143A (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
CN105608455B (zh) | 一种车牌倾斜校正方法及装置 | |
CN109657715B (zh) | 一种语义分割方法、装置、设备及介质 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN106295645B (zh) | 一种车牌字符识别方法和装置 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
US20090148041A1 (en) | Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
CN113792827B (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
CN112749696B (zh) | 一种文本检测方法及装置 | |
Xiong et al. | Early smoke detection of forest fires based on SVM image segmentation | |
CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN114913525A (zh) | 一种交通信号灯识别方法、装置、设备及存储介质 | |
CN110334652A (zh) | 图像处理方法、电子设备及存储介质 | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
CN105102607A (zh) | 图像处理装置、程序、存储介质和图像处理方法 | |
Bell et al. | Reflections on connoisseurship and computer vision | |
CN108961357B (zh) | 一种交通信号灯过爆图像强化方法及装置 | |
CN115620259A (zh) | 一种基于交通非现场执法场景下的车道线检测方法 | |
CN114449362B (zh) | 视频封面的选取方法、装置、设备及存储介质 | |
CN111402185A (zh) | 一种图像检测方法及装置 |
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 |