CN113099202B - 一种自动白平衡优化方法、设备以及计算机可读存储介质 - Google Patents
一种自动白平衡优化方法、设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113099202B CN113099202B CN202110210020.1A CN202110210020A CN113099202B CN 113099202 B CN113099202 B CN 113099202B CN 202110210020 A CN202110210020 A CN 202110210020A CN 113099202 B CN113099202 B CN 113099202B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- white balance
- preset
- automatic white
- 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 57
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000003086 colorant Substances 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 3
- 238000012544 monitoring process Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Processing Of Color Television Signals (AREA)
- Color Television Image Signal Generators (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种自动白平衡优化方法、设备以及计算机可读存储介质,该自动白平衡优化方法包括:获取图像的YUV颜色空间的第一编码数据;将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;按照预设尺寸将图像划分为多个图像分块;利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。通过上述方法,本申请可以通过将图像转换到鲁棒性较好的其他颜色空间,然后对图像进行颜色识别,利用颜色识别结果提高自动白平衡处理的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种自动白平衡优化方法、设备以及计算机可读存储介质。
背景技术
由于人眼具有独特的适应性,在不同的色温及光照下,人们观察到的世界颜色计划是一样的。但是,对于视频监控的摄像机,由于摄像机中的sensor传感器、镜头等因素不能够在某些环境变化下保持相对稳定的特性,所以摄像机无法在不同色温下均能够将图像的颜色作准确的判断,导致无法真实地监控客观事物。自动白平衡技术就是将摄像机在低色温下拍摄到的图像整体颜色偏黄、在高色温下拍摄到的图像整体颜色偏蓝的色偏进行校正。
目前主流的自动白平衡算法为基于先验知识的自动白平衡算法,基于先验知识的自动白平衡算法主要通过预先设置一个白区,将落入该区的统计点记作白点,那么没有落入该白区的统计点记作非白点。这种方式通过色域映射法则可以将颜色进行校正,该算法色偏校正精度高,适用范围广。
但是,监控摄像机在实际的应用场景,例如,室外监控区域存在大面积绿色时,基于先验知识的自动白平衡算法会将绿色统计点误作为白点,导致整体图像颜色偏色。
发明内容
本申请提供一种自动白平衡优化方法、设备以及计算机可读存储介质。
本申请提供的一个技术方案是:提供一种自动白平衡优化方法,所述自动白平衡优化方法包括:
获取图像的YUV颜色空间的第一编码数据;
将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;
按照预设尺寸将所述图像划分为多个图像分块;
利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;
将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。
在一些可能的实施例中,所述利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块的步骤,包括:
获取所述第二编码数据的至少一个通道数据;
将所述至少一个通道数据输入预先训练的分类器,其中,所述分类器事先对所述预设颜色进行训练;
根据所述分类器的输出结果获取符合所述预设颜色的图像分块的坐标数据。
在一些可能的实施例中,所述自动白平衡优化方法,还包括:
提取所述图像中符合所述预设颜色的特征数据;
利用所述特征数据训练所述分类器;
其中,所述分类器为Weighted-KNN分类器。
在一些可能的实施例中,所述预设颜色空间为HSV颜色空间;
所述将所述至少一个通道数据输入预先训练的分类器的步骤,包括:
提取所述HSV颜色空间的第二编码数据的H通道数据;
计算每个图像分块的H通道数据的众数;
将所述每个图像分块对应的众数输入所述预先训练的分类器;
基于所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记。
在一些可能的实施例中,所述计算每个图像分块的H通道数据的众数的步骤,包括:
获取所述每个图像分块中像素点的H通道数据;
分别计算所述每个图像分块的H通道数据的平均值、中位数;
基于所述每个图像分块的H通道数据的平均值、中位数计算众数,其计算方式如下:
Mo=ξ-3(ξ-Md)
式中,ξ为平均值,Md为中位数。
在一些可能的实施例中,所述预设颜色空间为HSV颜色空间;
所述将所述至少一个通道数据输入预先训练的分类器的步骤,包括:
提取所述HSV颜色空间的第二编码数据的H通道数据、S通道数据以及V通道数据;
计算每个图像分块的H通道数据的众数、S通道数据的众数以及V通道数据的众数;
将所述每个图像分块对应的众数输入所述预先训练的分类器;
基于所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记。
在一些可能的实施例中,所述预设颜色空间为HSV颜色空间、RGB颜色空间、LAB颜色空间或YCrCb颜色空间。
在一些可能的实施例中,所述将标记出的图像分块的坐标数据以及图像进行自动白平衡处理的步骤之后,所述自动白平衡优化方法还包括:
统计所述预设颜色的图像分块的数量;
判断所述预设颜色的图像分块的数量是否小于预设的数量阈值;
若是,则停止迭代,完成自动白平衡处理;
若否,则执行以下步骤:利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;将标记出的图像分块的坐标数据以及图像进行自动白平衡处理;
直至统计到的所述预设颜色的图像分块的数量大于等于所述预设的数量阈值,或者迭代次数达到预设迭代次数阈值。
本申请提供的另一个技术方案是:提供一种终端设备,所述终端设备包括获取模块、转换模块、划分模块、识别模块以及处理模块;其中,
所述获取模块,用于获取图像的YUV颜色空间的第一编码数据;
所述转换模块,用于将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;
所述划分模块,用于按照预设尺寸将所述图像划分为多个图像分块;
所述识别模块,用于利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;
所述处理模块,用于将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。
本申请提供的另一个技术方案是:提供另一种终端设备,所述终端设备包括处理器和存储器,存储器中存储有计算机程序,处理器用于执行计算机程序以实现上述自动白平衡优化方法的步骤。
本申请采用的另一个技术方案是:提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机程序,计算机程序被执行时实现上述自动白平衡优化方法的步骤。
区别于现有技术,本申请的有益效果在于:终端设备获取图像的YUV颜色空间的第一编码数据;将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;按照预设尺寸将图像划分为多个图像分块;利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。通过上述方法,本申请可以通过将图像转换到鲁棒性较好的其他颜色空间,然后对图像进行颜色识别,利用颜色识别结果提高自动白平衡处理的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1是本申请提供的自动白平衡优化方法一实施例的流程示意图;
图2是本申请提供的图像划分情况的示意图;
图3是图1所示自动白平衡优化方法中步骤S14的具体流程示意图;
图4是本申请提供的分类图像效果的示意图;
图5是本申请自动白平衡优化方法另一实施例的流程示意图;
图6是本申请提供的终端设备一实施例的结构示意图;
图7是本申请提供的终端设备另一实施例的结构示意图;
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
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,所描述的实施例仅是本发明的一部分实施例,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。
具体请参阅图1,图1是本申请提供的自动白平衡优化方法一实施例的流程示意图。本申请的自动白平衡优化方法应用于一种终端设备,具体可以为例如智能手机、平板电脑、笔记本电脑、电脑或者可穿戴设备等终端设备,也可以是卡***通***中的监控***。在下述实施例的描述中,统一使用终端设备作为执行主体进行自动白平衡优化方法的描述。
如图1所示,本实施例的自动白平衡优化方法具体包括以下步骤:
步骤S11:获取图像的YUV颜色空间的第一编码数据。
其中,终端设备获取监控摄像头采集的监控图像或者从监控视频截取出来的监控图像,然后将监控图像经过ISP(Image Signal Processing,图像信号)处理,得到监控图像在YUV颜色空间的第一编码数据。ISP处理具体可以包括自动曝光控制、自动增益控制、自动白平衡、色彩校正等处理功能。
步骤S12:将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据。
其中,经过ISP处理后的第一编码数据可能会出现自动白平衡没有作准的情况,由于自动白平衡没有作准使得图像整体颜色存在偏差,这样对于颜色识别存在一定的困难。为了解决这一问题,本公开实施例采用转换颜色空间的方法进行处理。目前比较主流的颜色空间包括:HSV颜色空间、RGB颜色空间、LAB颜色空间或YCrCb颜色空间。
终端设备将YUV颜色空间的第二编码数据转换为预设颜色空间的第二编码数据,其中,预设颜色空间可以为上述主流颜色空间中的任一颜色空间。以HSV颜色空间为例,HSV颜色空间的H通道可以在不同的光照条件下完整地保存图像颜色信息,对于颜色识别有较好的鲁棒性。因此,终端设备可以将YUV颜色空间的第一编码数据转换为HSV颜色空间的第二编码数据。
步骤S13:按照预设尺寸将图像划分为多个图像分块。
其中,终端设备将HSV颜色空间的第二编码数据进行分块,将监控图像划分为m*n块,具体请参阅图2,图2是本申请提供的图像划分情况的示意图。本公开实施例将图像划分为多个图像分块,然后对每个图像分块进行颜色识别,能够有效提高颜色识别的效率以及减少运算量。
步骤S14:利用第二编码数据对多个图像分块进行颜色识别,标记出预设颜色的图像分块。
其中,终端设备将YUV颜色空间的第一编码数据转换为HSV颜色空间的第二编码数据,进而获得监控图像的H通道数据、S通道数据以及V通道数据。终端设备只需要对H通道数据的数值进行阈值区分即可识别出图像的大面积绿色部分或者其他大面积非白色部分。在其他实施例中,终端设备也可以同时对每个图像分块中的H通道数据、S通道数据以及V通道数据进行数据处理和颜色识别,结合S通道数据以及V通道数据能够有效提高颜色识别的准确性。
其中,本公开实施例可以将预设颜色设置为绿色颜色。
具体请参阅图3,图3是图1所示自动白平衡优化方法中步骤S14的具体流程示意图。如图3所示,步骤S14具体可以包括以下子步骤:
步骤S141:获取第二编码数据的至少一个通道数据。
其中,终端设备获取每个图像分块中的H通道数据、S通道数据以及V通道数据中的一种或多种通道数据。
步骤S142:将至少一个通道数据输入预先训练的分类器,其中,分类器事先对预设颜色进行训练。
其中,终端设备一方面可以只将每个图像分块的H通道数据输入预先训练的分类器,另一方面也可以将每个图像分块的H通道数据、S通道数据以及V通道数据同时输入预先训练的分类器。
以三种通道数据同时输入分类器为例,终端设备首先获取每个图像分块中像素点的通道数据,其中,此处的通道数据包括H通道数据、S通道数据以及V通道数据。
终端设备计算各个通道数据的众数,具体计算公式如下:
Mo=ξ-3(ξ-Md)
式中,ξ为各个通道数据的平均值,Md为各个通道数据的中位数。
由此,终端设备可以获得各个图像分块中H通道数据的众数HM、S通道数据的众数SM以及V通道数据的众数VM。然后,用HM、SM、VM来表示各图像分块的HSV数值,可以有效提高图像处理速度。
其中,本公开实施例中预先训练的分类器可以为Weighted-KNN分类器。由于KNN分类器在选择K个最近邻的估计采用算术平均值作为预测目标,即是否为绿色部分,但平均值引入的误差太大,而中位数无法适应极限数据影响。对于Weighted-KNN分类器而言,按照先验经验假设系数p,预设的绿色类别距离为p×zmedian+(1-p)×zmean,其中zmedian是K个最近邻的绿色类别距离的中位数,zmean是K个最近邻的绿色类别距离的平均值。
本公开实施例的Weighted-KNN分类器具体可以通过以下方式进行训练:
终端设备获取经过人工标记绿色图像分块后的监控图像,然后提取监控图像中与绿色颜色相关的特征数据。具体地,终端设备计算该监控图像的H、S、V颜色直方图数据Date,其中,训练的监控图像的条件为自动白平衡失效的绿色颜色,然后将Date作为特征进行特征提取。最后,终端设备根据直方图数据Date训练Weighted-KNN分类器。
步骤S143:根据分类器的输出结果获取符合预设颜色的图像分块的坐标数据。
其中,终端设备将每个图像分块的众数HM、SM、VM作为特征输入Weighted-KNN分类器,经过Weighted-KNN分类器进行颜色分类后,标记出监控图像中绿色颜色的图像分块,并输出绿色颜色的图像分块的坐标数据。分类的图像效果具体可以参阅图4,图4是本申请提供的分类图像效果的示意图。
步骤S15:将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。
其中,终端设备将标记为绿色颜色的图像分块坐标返回给自动白平衡,这样对于室外场景,自动白平衡便可以剔除这些大面积绿色场景干扰区域作为白区,使得自动白平衡方法可以提高处理的稳定性和准确性。
在本公开实施例中,终端设备获取图像的YUV颜色空间的第一编码数据;将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;按照预设尺寸将图像划分为多个图像分块;利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。通过上述方法,本申请可以通过将图像转换到鲁棒性较好的其他颜色空间,然后对图像进行颜色识别,利用颜色识别结果提高自动白平衡处理的准确性。
请继续参阅图5,图5是本申请自动白平衡优化方法另一实施例的流程示意图。具体而言,本公开实施例的自动白平衡优化方法可以包括以下步骤:
步骤S21:获取图像的YUV颜色空间的第一编码数据。
步骤S22:将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据。
步骤S23:按照预设尺寸将图像划分为多个图像分块。
步骤S24:利用第二编码数据对多个图像分块进行颜色识别,标记出预设颜色的图像分块。
步骤S25:将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。
其中,步骤S21~步骤S25与上述实施例中的步骤S11~步骤S15相同,在此不再赘述。
在本公开实施例中,为了优化自动白平衡优化方法在图像处理中所占有的内存资源,对于颜色识别的迭代参数T还可以进行以下的优化:
步骤S26:统计预设颜色的图像分块的数量。
其中,在步骤24中,终端设备对各个图像分块进行颜色识别后,统计标记为绿色颜色的图像分块的数量。
步骤S27:判断预设颜色的图像分块的数量是否小于预设的数量阈值。
其中,终端设备根据先验经验预先设定一个数量阈值M,然后将标记为绿色颜色的图像分块的数量NG与该数量阈值M进行比较,比较结果如下:
当NG<M时,迭代参数T=0,说明自动白平衡处理的效果已经达到要求,不需要对于颜色识别进行迭代,进入步骤S28。
当NG≥M时,迭代参数T=N,其中,N的取值范围为30~50,说明自动白平衡处理的效果还没达到预期,终端设备需要对颜色识别进行迭代优化,即重复执行步骤S24及其后续步骤,直至标记为绿色颜色的图像分块的数量NG小于数量阈值M,或者迭代次数达到N次。
本公开实施例通过预设迭代阈值N的方式,来确定优化方法的迭代次数,这样可以有效节省监控摄像头的内存资源。
步骤S28:停止迭代,完成自动白平衡处理。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为了实现上述实施例的自动白平衡优化方法,本申请还提供了一种终端设备,具体请参阅图6,图6是本申请提供的终端设备一实施例的结构示意图。
如图6所示,本实施例的终端设备400包括获取模块41、转换模块42、划分模块43、识别模块44以及处理模块45。
其中,所述获取模块41,用于获取图像的YUV颜色空间的第一编码数据;所述转换模块42,用于将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;所述划分模块43,用于按照预设尺寸将所述图像划分为多个图像分块;所述识别模块44,用于利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;所述处理模块45,用于将标记出的图像分块的坐标数据以及图像进行自动白平衡处理。
为了实现上述实施例的自动白平衡优化方法,本申请还提供了另一种终端设备,具体请参阅图7,图7是本申请提供的终端设备另一实施例的结构示意图。
如图7所示,本实施例的终端设备500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连,该存储器52中存储有计算机程序,处理器51用于执行计算机程序以实现上述实施例的自动白平衡优化方法。
在本实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器51还可以是GPU(Graphics Processing Unit,图形处理器),又称显示核心、视觉处理器、显示芯片,是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。GPU的用途是将计算机***所需要的显示信息进行转换驱动,并向显示器提供行扫描信号,控制显示器的正确显示,是连接显示器和个人电脑主板的重要元件,也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分,承担输出显示图形的任务,对于从事专业图形设计的人来说显卡非常重要。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机可读存储介质,如图8所示,计算机可读存储介质600用于存储计算机程序61,计算机程序61在被处理器执行时,用以实现如本申请自动白平衡优化方法实施例中所述的方法。
本申请自动白平衡优化方法实施例中所涉及到的方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在设备中,例如一个计算机可读取存储介质。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种自动白平衡优化方法,其特征在于,所述自动白平衡优化方法包括:
获取图像的YUV颜色空间的第一编码数据;
将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;
按照预设尺寸将所述图像划分为多个图像分块;
利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;
将标记出的图像分块的坐标数据以及图像进行自动白平衡处理;
所述利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块的步骤,包括:
获取所述第二编码数据的至少一个通道数据;
将所述至少一个通道数据输入预先训练的分类器,其中,所述分类器事先对所述预设颜色进行训练;
根据所述分类器的输出结果获取符合所述预设颜色的图像分块的坐标数据;
所述将所述至少一个通道数据输入预先训练的分类器,包括:
提取所述预设颜色空间的第二编码数据的至少一个通道数据;
计算每个图像分块的至少一个通道数据的众数;
将所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记,其中,所述众数由所述每个图像分块的至少一个通道数据的平均值和中位数计算得到。
2.根据权利要求1所述的自动白平衡优化方法,其特征在于,
所述自动白平衡优化方法,还包括:
提取所述图像中符合所述预设颜色的特征数据;
利用所述特征数据训练所述分类器;
其中,所述分类器为Weighted-KNN分类器。
3.根据权利要求1所述的自动白平衡优化方法,其特征在于,所述预设颜色空间为HSV颜色空间;
所述将所述至少一个通道数据输入预先训练的分类器的步骤,包括:
提取所述HSV颜色空间的第二编码数据的H通道数据;
计算每个图像分块的H通道数据的众数;
将所述每个图像分块对应的众数输入所述预先训练的分类器;
基于所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记。
4.根据权利要求3所述的自动白平衡优化方法,其特征在于,
所述计算每个图像分块的H通道数据的众数的步骤,包括:
获取所述每个图像分块中像素点的H通道数据;
分别计算所述每个图像分块的H通道数据的平均值、中位数;
基于所述每个图像分块的H通道数据的平均值、中位数计算众数,其计算方式如下:
式中,为平均值,为中位数。
5.根据权利要求1所述的自动白平衡优化方法,其特征在于,所述预设颜色空间为HSV颜色空间;
所述将所述至少一个通道数据输入预先训练的分类器的步骤,包括:
提取所述HSV颜色空间的第二编码数据的H通道数据、S通道数据以及V通道数据;
计算每个图像分块的H通道数据的众数、S通道数据的众数以及V通道数据的众数;
将所述每个图像分块对应的众数输入所述预先训练的分类器;
基于所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记。
6.根据权利要求1所述的自动白平衡优化方法,其特征在于,
所述预设颜色空间为HSV颜色空间、RGB颜色空间、LAB颜色空间或YCrCb颜色空间。
7.根据权利要求1所述的自动白平衡优化方法,其特征在于,
所述将标记出的图像分块的坐标数据以及图像进行自动白平衡处理的步骤之后,所述自动白平衡优化方法还包括:
统计所述预设颜色的图像分块的数量;
判断所述预设颜色的图像分块的数量是否小于预设的数量阈值;
若是,则停止迭代,完成自动白平衡处理;
若否,则执行以下步骤:利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;将标记出的图像分块的坐标数据以及图像进行自动白平衡处理;
直至统计到的所述预设颜色的图像分块的数量大于等于所述预设的数量阈值,或者迭代次数达到预设迭代次数阈值。
8.一种终端设备,其特征在于,所述终端设备包括获取模块、转换模块、划分模块、识别模块以及处理模块;其中,
所述获取模块,用于获取图像的YUV颜色空间的第一编码数据;
所述转换模块,用于将YUV颜色空间的第一编码数据转换为预设颜色空间的第二编码数据;
所述划分模块,用于按照预设尺寸将所述图像划分为多个图像分块;
所述识别模块,用于利用所述第二编码数据对所述多个图像分块进行颜色识别,标记出预设颜色的图像分块;
所述处理模块,用于将标记出的图像分块的坐标数据以及图像进行自动白平衡处理;
所述识别模块,还用于获取所述第二编码数据的至少一个通道数据;将所述至少一个通道数据输入预先训练的分类器,其中,所述分类器事先对所述预设颜色进行训练;根据所述分类器的输出结果获取符合所述预设颜色的图像分块的坐标数据;
所述识别模块,还用于提取所述预设颜色空间的第二编码数据的至少一个通道数据;计算每个图像分块的至少一个通道数据的众数;将所述预先训练的分类器的输出结果对所述每个图像分块的颜色进行标记,其中,所述众数由所述每个图像分块的至少一个通道数据的平均值和中位数计算得到。
9.一种终端设备,其特征在于,所述终端设备包括处理器和存储器;所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1~7中任一项所述自动白平衡优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被执行时实现如权利要求1~7中任一项所述自动白平衡优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210020.1A CN113099202B (zh) | 2021-02-24 | 2021-02-24 | 一种自动白平衡优化方法、设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210020.1A CN113099202B (zh) | 2021-02-24 | 2021-02-24 | 一种自动白平衡优化方法、设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113099202A CN113099202A (zh) | 2021-07-09 |
CN113099202B true CN113099202B (zh) | 2023-05-12 |
Family
ID=76667614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110210020.1A Active CN113099202B (zh) | 2021-02-24 | 2021-02-24 | 一种自动白平衡优化方法、设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113099202B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5041427A (zh) * | 1972-08-29 | 1975-04-15 | ||
CN103413276A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学深圳研究生院 | 一种基于纹理分布特征的深度增强方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7196724B2 (en) * | 2000-12-08 | 2007-03-27 | Nikon Corporation | Image signal processing device, digital camera and computer program product that perform white balance adjustment using pixel outputs from extracted areas |
JP4677226B2 (ja) * | 2004-12-17 | 2011-04-27 | キヤノン株式会社 | 画像処理装置及び方法 |
CN101212693A (zh) * | 2006-12-27 | 2008-07-02 | 兆宏电子股份有限公司 | 白平衡方法及图像调整装置 |
TW201738841A (zh) * | 2016-04-25 | 2017-11-01 | 宏碁股份有限公司 | 動態調整混色光源白平衡的方法 |
-
2021
- 2021-02-24 CN CN202110210020.1A patent/CN113099202B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5041427A (zh) * | 1972-08-29 | 1975-04-15 | ||
KR780000541B1 (en) * | 1972-08-29 | 1978-11-02 | Rca Corp | Service adjustment system for television receiver |
CN103413276A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学深圳研究生院 | 一种基于纹理分布特征的深度增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113099202A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176027B (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
EP3477931B1 (en) | Image processing method and device, readable storage medium and electronic device | |
CN108765278B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
WO2018149253A1 (zh) | 图像处理的方法和设备 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN106327488B (zh) | 一种自适应的前景检测方法及其检测装置 | |
CN111310727B (zh) | 对象检测方法及装置、存储介质、电子装置 | |
CN111179302B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN108965646B (zh) | 图像处理装置、图像处理方法 | |
CN105184771A (zh) | 一种自适应运动目标检测***及检测方法 | |
CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN109543487B (zh) | 一种基于条码边缘分割的自动感应触发方法及其*** | |
CN113436220B (zh) | 一种基于深度图分割的图像背景估计方法 | |
CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
CN112101148B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN111539975B (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
CN113099202B (zh) | 一种自动白平衡优化方法、设备以及计算机可读存储介质 | |
CN110910429B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN111160340A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
JP6044138B2 (ja) | 画像領域分割装置、方法、およびプログラム | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
CN112949423A (zh) | 物体识别方法、物体识别装置及机器人 | |
WO2015117464A1 (zh) | 一种视频图像处理装置和方法 | |
CN112529030A (zh) | 学习模型生成装置、图像校正装置及其方法、记录媒体 |
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 |