CN115514948A - Ai自动白平衡和自动白平衡的融合算法以及电子设备 - Google Patents
Ai自动白平衡和自动白平衡的融合算法以及电子设备 Download PDFInfo
- Publication number
- CN115514948A CN115514948A CN202110634365.XA CN202110634365A CN115514948A CN 115514948 A CN115514948 A CN 115514948A CN 202110634365 A CN202110634365 A CN 202110634365A CN 115514948 A CN115514948 A CN 115514948A
- Authority
- CN
- China
- Prior art keywords
- color temperature
- correlated color
- image
- distance
- value
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 170
- 230000004927 fusion Effects 0.000 title claims abstract description 76
- 230000002596 correlated effect Effects 0.000 claims description 251
- 238000000034 method Methods 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 44
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 60
- 230000008569 process Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 101100098985 Caenorhabditis elegans cct-3 gene Proteins 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 201000000760 cerebral cavernous malformation Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Processing Of Color Television Signals (AREA)
Abstract
本申请提供了一种AI自动白平衡和自动白平衡的融合算法以及电子设备。其中,所述融合算法包括:电子设备将自动白平衡算法输出的CCT、AI自动白平衡算法输出的CCT进行融合,得到融合后的CCT。电子设备将自动白平衡算法输出的Duv、AI自动白平衡算法输出的Duv进行融合,得到融合后的Duv。电子设备根据融合后的CCT和融合后的Duv计算图像的RGB_GAIN。通过上述融合算法得到的RGB_GAIN准确度高,解决了AI自动白平衡算法应用场景有限,自动白平衡算法准确度不高的问题。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种AI自动白平衡和自动白平衡的融合算法以及电子设备。
背景技术
白平衡是数码相机设备或相关软件能够对捕获图像进行的一种调整,用于确保图像中的白色能够适当地反映拍摄图像的真实世界场景中的实际白色。白平衡与色温相关,色温是基于图像和场景中的蓝光量与红光量的比率来衡量光的质量,以开尔文为单位。具有较高色温的图像或场景比具有较低色温的图像和场景具有更多的蓝色。因此,“较冷”的光具有较高的色温,“较热”的光具有较低的色温。
人眼和大脑可以适应不同的色温。例如,不管是在阳光下还是在各种灯光下,人眼将白色的物体视为白色,即人眼具有颜色恒常性。由于摄像机内用于将光信号转化为电信号的电荷耦合元件电路(Charge-coupled Device,CCD)或CMOS电路没有办法像人眼一样会对光源的颜色变化进行修正。因此,需要通过白平衡算法来估计捕获图像光源的色度,并通过估计的光源色度来调整图像颜色,使得调整后的图像的色彩与人眼真实观察的色彩一致。如何提高白平衡算法的准确度,即如何提高估计的光源色度更加准确,是技术人员日益关注的问题。
发明内容
本申请实施例提供了一种AI自动白平衡和自动白平衡的融合算法,解决了AI自动白平衡算法应用场景有限,自动白平衡算法准确度不高的问题。
第一方面,本申请实施例提供了一种AI自动白平衡和自动白平衡的融合算法,包括:基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到第一图像的第三相关色温;基于色度距离融合表,将第一图像的第一色度距离和第一图像的第二色度距离基于色度距离融合表进行计算,得到第一图像的第三色度距离;基于第三相关色温和第三色度距离计算得到第一图像的调节值,所述调节值用于调节第一图像的颜色;其中,第一相关色温为通过自动白平衡算法计算得到的第一图像的CCT,第一色度距离为通过自动白平衡算法计算得到的第一图像的Duv,第二相关色温为通过AI自动白平衡算法计算得到的第一图像的CCT,第二色度距离为通过AI自动白平衡算法计算得到的第一图像的Duv。
在上述实施例中,所述AI自动白平衡和自动白平衡的融合算法分别将AI自动白平衡算法和自动白平衡算法输出的CCT进行融合,得到融合后的CCT(第三相关色温)。将AI自动白平衡算法和自动白平衡算法输出的Duv进行融合,得到融合后的Duv(第三色度距离)。电子设备基于所述融合后的CCT和融合后的Duv计算该图像的调节值(RGB_GAIN)。在不同拍摄环境下,通过上述融合算法计算出的RGB_GAIN准确度极高。解决了传统的自动白平衡算法输出的RGB_GAIN准确度不高,AI自动白平衡算法应用场景有限的问题。
结合第一方面,在一种实施例中,基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温之前,还包括:根据第二相关色温、第二色度距离以及第一图像的亮度值,在相关色温转换表中确定第一相关色温修正值;对第一相关色温修正值进行三线性插值计算,得到第二相关色温修正值;将第二相关色温设置为所述第二相关色温修正值。
在上述实施例中,通过将AI自动白平衡算法输出的CCT进行修正,避免了因AI自动白平衡算法输出的CCT误差过大,而影响第三相关色温的准确度的问题。
结合第一方面,在一种实施例中,基于相关色温融合表,将第一图像的第一相关色温和第一图像的第二相关色温进行计算,得到第一图像的第三相关色温之前,还包括:根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离转换表中确定第一色度距离修正值;对第一色度距离修正值进行三线性插值计算,得到第二色度距离修正值;将第二色度距离设置为第二色度距离修正值。
在上述实施例中,通过将AI自动白平衡算法输出的Duv进行修正,避免了因AI自动白平衡算法输出的Duv误差过大,而影响第三色度距离的准确度的问题。
结合第一方面,在一种实施例中,基于相关色温融合表,将第一图像的第一相关色温和第一图像的第二相关色温进行计算,得到第一图像的第三相关色温之前,还包括:根据第二相关色温、第二色度距离以及第一图像的亮度值在置信度修正表中确定第一置信度调节值;对第一置信度调节值进行三线性插值计算,得到第二置信度调节值;根据公式Conf_new=Conf*Mult_Conf,计算得到置信度修正值;其中,Conf为AI自动白平衡算法的置信度,Mult_Conf为第二置信度调节值,Conf_new为置信度修正值;将AI自动白平衡算法的置信度设置为置信度修正值。
在上述实施例中,通过将AI自动白平衡算法输出的Conf进行修正,避免了因AI自动白平衡算法输出的Conf误差过大,而影响第三相关色温和第三色度距离的准确度的问题。
结合第一方面,在一种实施例中,基于相关色温融合表,将第一图像的第一相关色温和第一图像的第二相关色温进行计算,得到第一图像的第三相关色温,具体包括:根据第二相关色温、第二色度距离以及第一图像的亮度值在相关色温融合表中确定第一概率值;或根据第二相关色温、第二色度距离以及第一图像的亮度值在相关色温融合表中确定第一概率值;对第一概率值进行三线性插值计算,得到第二概率值;根据公式CCT_new=Conf*X′*CCT_ai+(1-Conf*X′)*CCT_stat,计算得到第三相关色温;其中,CCT_new为第三相关色温,CCT_stat为第一相关色温,CCT_ai为第二相关色温,Conf为AI自动白平衡算法的置信度,X′为第二概率值。
在上述实施例中,电子设备通过上述公式将第一相关色温和第二相关色温进行融合,得到准确度高的第三相关色温,有利于电子设备基于所述准确度高的第三相关色温计算该图像高准确度的RGB_GAIN。
结合第一方面,在一种实施例中,基于色度距离融合表,将第一图像的第一色度距离和第一图像的第二色度距离基于色度距离融合表进行计算,得到第一图像的第三色度距离,具体包括:根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离融合表中确定第三概率值;或根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离融合表中确定第三概率值;对第三概率值进行三线性插值计算,得到第四概率值;根据公式Duv_new=Conf*Y′*Duv_ai+(1-Conf*Y′)*Duv_stat,计算得到第三色度距离;其中,Duv_new为第三色度距离,Duv_stat为第一色度距离,Duv_ai为第二色度距离,Conf为AI自动白平衡算法的置信度,Y′为第四概率值。
在上述实施例中,电子设备通过上述公式将第一色度距离和第二色度距离进行融合,得到准确度高的第三色度距离,有利于电子设备基于所述准确度高的第三色度距离计算该图像高准确度的RGB_GAIN。
结合第一方面,在一种实施例中,基于第三相关色温和第三色度距离计算得到第一图像的调节值之前,还包括:根据第三相关色温、第三色度距离以及第一图像的亮度值在相关色温倾向调节表中,确定第一相关色温调节值;对第一相关色温调节值进行三线性插值计算,得到第二相关色温调节值;通过公式CCT_new=CCT_new*(1+Delta_CCT′),得到调节后的第三相关色温;其中,所述公式等号左边的CCT_new为调节后的第三相关色温,所述公式等号右边的CCT_new为调节前的第三相关色温,Delta_CCT′为所述第二相关色温调节值。
在上述实施例中,通过对第三相关色温的倾向度进行调节,电子设备基于调节后的第三相关色温计算该图像的RGB_GAIN,以便电子设备基于该RGB_GAIN调节图像的颜色,使得该图像的颜色符合用户预期。
结合第一方面,在一种实施例中,基于第三相关色温和所述第三色度距离计算得到第一图像的调节值之前,还包括:根据第三相关色温、第三色度距离以及第一图像的亮度值在色度距离倾向调节表中,确定第一色度距离调节值;对第一色度距离调节值进行三线性插值计算,得到第二色度距离调节值;通过公式Duv_new=Duv_new*(1+Delta_Duv′),得到调节后的第三色度距离;其中,所述公式等号左边的Duv_new为调节后的第三色度距离,所述公式等号右边的Duv_new为调节前的第三色度距离,Delta_Duv′为所述第二色度距离调节值。
在上述实施例中,通过对第三色度距离的倾向度进行调节,电子设备基于调节后的第三色度距离计算该图像的RGB_GAIN,以便电子设备基于该RGB_GAIN调节图像的颜色,使得该图像的颜色符合用户预期。
第二方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该电子设备执行:基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到第一图像的第三相关色温;基于色度距离融合表,将第一图像的第一色度距离和第一图像的第二色度距离基于色度距离融合表进行计算,得到第一图像的第三色度距离;基于第三相关色温和第三色度距离计算得到第一图像的调节值,所述调节值用于调节第一图像的颜色;其中,第一相关色温为通过自动白平衡算法计算得到的第一图像的CCT,第一色度距离为通过自动白平衡算法计算得到的第一图像的Duv,第二相关色温为通过AI自动白平衡算法计算得到的第一图像的CCT,第二色度距离为通过AI自动白平衡算法计算得到的第一图像的Duv。
在上述实施例中,电子设备将所述AI自动白平衡和自动白平衡的融合算法分别将AI自动白平衡算法和自动白平衡算法输出的CCT进行融合,得到融合后的CCT(第三相关色温)。将AI自动白平衡算法和自动白平衡算法输出的Duv进行融合,得到融合后的Duv(第三色度距离)。电子设备基于所述融合后的CCT和融合后的Duv计算该图像的调节值(RGB_GAIN)。在不同拍摄环境下,通过上述融合算法计算出的RGB_GAIN准确度极高。解决了传统的自动白平衡算法输出的RGB_GAIN准确度不高,AI自动白平衡算法应用场景有限的问题。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第二相关色温、第二色度距离以及第一图像的亮度值,在相关色温转换表中确定第一相关色温修正值;对第一相关色温修正值进行三线性插值计算,得到第二相关色温修正值;将第二相关色温设置为所述第二相关色温修正值。
在上述实施例中,电子设备通过将AI自动白平衡算法输出的CCT进行修正,避免了因AI自动白平衡算法输出的CCT误差过大,而影响第三相关色温的准确度的问题。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离转换表中确定第一色度距离修正值;对第一色度距离修正值进行三线性插值计算,得到第二色度距离修正值;将第二色度距离设置为第二色度距离修正值。
在上述实施例中,电子设备通过将AI自动白平衡算法输出的Duv进行修正,避免了因AI自动白平衡算法输出的Duv误差过大,而影响第三色度距离的准确度的问题。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第二相关色温、第二色度距离以及第一图像的亮度值在置信度修正表中确定第一置信度调节值;对第一置信度调节值进行三线性插值计算,得到第二置信度调节值;根据公式Conf_new=Conf*Mult_Conf,计算得到置信度修正值;其中,Conf为AI自动白平衡算法的置信度,Mult_Conf为第二置信度调节值,Conf_new为置信度修正值;将AI自动白平衡算法的置信度设置为置信度修正值。
在上述实施例中,电子设备通过将AI自动白平衡算法输出的Conf进行修正,避免了因AI自动白平衡算法输出的Conf误差过大,而影响第三相关色温和第三色度距离的准确度的问题。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第二相关色温、第二色度距离以及第一图像的亮度值在相关色温融合表中确定第一概率值;或根据第二相关色温、第二色度距离以及第一图像的亮度值在相关色温融合表中确定第一概率值;对第一概率值进行三线性插值计算,得到第二概率值;根据公式CCT_new=Conf*X′*CCT_ai+(1-Conf*X′)*CCT_stat,计算得到第三相关色温;其中,CCT_new为第三相关色温,CCT_stat为第一相关色温,CCT_ai为第二相关色温,Conf为AI自动白平衡算法的置信度,X′为第二概率值。
在上述实施例中,电子设备通过上述公式将第一相关色温和第二相关色温进行融合,得到准确度高的第三相关色温,有利于电子设备基于所述准确度高的第三相关色温计算该图像高准确度的RGB_GAIN。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离融合表中确定第三概率值;或根据第二相关色温、第二色度距离以及第一图像的亮度值在色度距离融合表中确定第三概率值;对第三概率值进行三线性插值计算,得到第四概率值;根据公式Duv_new=Conf*Y′*Duv_ai+(1-Conf*Y′)*Duv_stat,计算得到第三色度距离;其中,Duv_new为第三色度距离,Duv_stat为第一色度距离,Duv_ai为第二色度距离,Conf为AI自动白平衡算法的置信度,Y′为第四概率值。
在上述实施例中,电子设备通过上述公式将第一色度距离和第二色度距离进行融合,得到准确度高的第三色度距离,有利于电子设备基于所述准确度高的第三色度距离计算该图像高准确度的RGB_GAIN。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第三相关色温、第三色度距离以及第一图像的亮度值在相关色温倾向调节表中,确定第一相关色温调节值;对第一相关色温调节值进行三线性插值计算,得到第二相关色温调节值;通过公式CCT_new=CCT_new*(1+Delta_CCT′),得到调节后的第三相关色温;其中,所述公式等号左边的CCT_new为调节后的第三相关色温,所述公式等号右边的CCT_new为调节前的第三相关色温,Delta_CCT′为所述第二相关色温调节值。
在上述实施例中,电子设备通过对第三相关色温的倾向度进行调节,电子设备基于调节后的第三相关色温计算该图像的RGB_GAIN,以便电子设备基于该RGB_GAIN调节图像的颜色,使得该图像的颜色符合用户预期。
结合第二方面,在一种实施方式中,该一个或多个处理器还用于调用该计算机指令以使得该电子设备执行:根据第三相关色温、第三色度距离以及第一图像的亮度值在色度距离倾向调节表中,确定第一色度距离调节值;对第一色度距离调节值进行三线性插值计算,得到第二色度距离调节值;通过公式Duv_new=Duv_new*(1+Delta_Duv′),得到调节后的第三色度距离;其中,所述公式等号左边的Duv_new为调节后的第三色度距离,所述公式等号右边的Duv_new为调节前的第三色度距离,Delta_Duv′为所述第二色度距离调节值。
在上述实施例中,电子设备通过对第三色度距离的倾向度进行调节,电子设备基于调节后的第三色度距离计算该图像的RGB_GAIN,以便电子设备基于该RGB_GAIN调节图像的颜色,使得该图像的颜色符合用户预期。
第三方面,本申请实施例提供了一种芯片***,该芯片***应用于电子设备,该芯片***包括一个或多个处理器,该处理器用于调用计算机指令以使得该电子设备执行如第一方面或第一方面的任意一种实施方式所描述的方法。
在上述实施例中,所述AI自动白平衡和自动白平衡的融合算法分别将AI自动白平衡算法和自动白平衡算法输出的CCT进行融合,得到融合后的CCT(第三相关色温)。将AI自动白平衡算法和自动白平衡算法输出的Duv进行融合,得到融合后的Duv(第三色度距离)。电子设备基于所述融合后的CCT和融合后的Duv计算该图像的调节值(RGB_GAIN)。在不同拍摄环境下,通过上述融合算法计算出的RGB_GAIN准确度极高。解决了传统的自动白平衡算法输出的RGB_GAIN准确度不高,AI自动白平衡算法应用场景有限的问题。
第四方面,本申请实施例提供了一种包含指令的计算机程序产品,当该计算机程序产品在电子设备上运行时,使得该电子设备执行如第一方面或第一方面的任意一种实施方式所描述的方法。
在上述实施例中,所述AI自动白平衡和自动白平衡的融合算法分别将AI自动白平衡算法和自动白平衡算法输出的CCT进行融合,得到融合后的CCT(第三相关色温)。将AI自动白平衡算法和自动白平衡算法输出的Duv进行融合,得到融合后的Duv(第三色度距离)。电子设备基于所述融合后的CCT和融合后的Duv计算该图像的调节值(RGB_GAIN)。在不同拍摄环境下,通过上述融合算法计算出的RGB_GAIN准确度极高。解决了传统的自动白平衡算法输出的RGB_GAIN准确度不高,AI自动白平衡算法应用场景有限的问题。
第五方面,本申请实施例提供了一种计算机可读存储介质,包括指令,当该指令在电子设备上运行时,使得该电子设备执行如第一方面或第一方面的任意一种实施方式所描述的方法。
在上述实施例中,所述AI自动白平衡和自动白平衡的融合算法分别将AI自动白平衡算法和自动白平衡算法输出的CCT进行融合,得到融合后的CCT(第三相关色温)。将AI自动白平衡算法和自动白平衡算法输出的Duv进行融合,得到融合后的Duv(第三色度距离)。电子设备基于所述融合后的CCT和融合后的Duv计算该图像的调节值(RGB_GAIN)。在不同拍摄环境下,通过上述融合算法计算出的RGB_GAIN准确度极高。解决了传统的自动白平衡算法输出的RGB_GAIN准确度不高,AI自动白平衡算法应用场景有限的问题。
附图说明
图1是本申请实施例提供的一种电子设备100的硬件结构示意图;
图2A-图2D是本申请实施例提供的一种AWB和AI AWB融合算法的应用场景图;
图3是本申请实施例提供的一种AWB和AI AWB融合算法的***架构图;
图4是本申请实施例提供的一种AWB和AI AWB融合算法的流程图;
图5是本申请实施例提供的一种uv色度坐标图;
图6是本申请实施例提供的一种相关色温转换表;
图7是本申请实施例提供的一种Duv转换表;
图8是本申请实施例提供的一种置信度表;
图9是本申请实施例提供的一种CCT融合表;
图10是本申请实施例提供的一种Duv融合表;
图11是本申请实施例提供的一种相关色温倾向度调节表;
图12是本申请实施例提供的一种色度距离倾向度调节表;
图13是本申请实施例提供的一种普朗克轨迹图;
图14是本申请实施例提供的一种电子设备100的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例,也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元,或者可选地,还包括没有列出的步骤或单元,或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
附图中仅示出了与本申请相关的部分而非全部内容。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。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以并行地、并发地或者同时实施。此外,各项操作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。
在本说明书中使用的术语“部件”、“模块”、“***”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如,单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外,这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组(例如来自与本地***、分布式***和/或网络间的另一单元交互的第二单元数据。例如,通过信号与其它***交互的互联网)的信号通过本地和/或远程进程来通信。
下面,对本申请实施例涉及的一些专有名词进行解释。
(1)普朗克轨迹:在辐射作用下既不反射也不完全投射,而能把落在它上面的辐射全部吸收的物体称为黑体或完全辐射体。当黑体连续加热时,它的相对光谱功率分布的最大值将向短波方向移动,相应的光色将按照红、黄、白、蓝的顺序进行变化,在不同温度下,黑体对应的光色变化在色度坐标图上形成的弧形轨迹,叫做黑体轨迹或普朗克轨迹。
(2)相关色温(Correlated Colour Temperature,CCT):是指与具有相同亮度刺激的颜色最相近的黑体辐射体的温度,用K氏温度表示,用于描述位于普朗克轨迹附近的光的颜色的度量。除热辐射光源以外的其它光源具有线状光谱,其辐射特性与黑体辐射特性差别较大,所以这些光源的光色在色度图上不一定准确地落在黑体轨迹上,对这样一类光源,通常用CCT来描述光源的颜色特性。
(3)Duv:是指从测试光源的色度坐标到普朗克轨迹上的最近点的距离,Duv表征了测试光源的色度坐标与普朗克轨迹的颜色偏移(绿色或粉红色)和方向的信息。
(4)RGB:RGB是一个三维向量(R,G,B)。其中,R、G、B分别代表在红(Red)、绿(Green)、蓝(Blue)三个颜色通道上的幅值。
(5)RGB_GAIN:RGB_GAIN是一个三维向量(GAIN_R,GAIN_G,GAIN_B),GAIN_R、GAIN_G、GAIN_B分别代表在红(Red)、绿(Green)、蓝(Blue)三个颜色通道上的比例,也叫作RGB增益值,当图像光源的RGB_GAIN与图像光源的RGB相乘后,得到一个三维向量(R*GAIN_R,G*GAIN_G,B*GAIN_B)。其中,R*GAIN_R=G*GAIN_G=B*GAIN_B。
(6)亮度值(Lighting Value,LV):用于估计环境亮度,其具体计算公式如下:
其中,Exposure为曝光时间,Aperture为光圈大小,Iso为感光度,Luma为图像在XYZ颜色空间中,Y的平均值。
(7)XYZ空间:本申请实施例中的RGB是DeviceRGB,DeviceRGB颜色空间是与设备相关的颜色空间,即:不同设备对RGB的理解不同。因此,DeviceRGB不适合用于计算亮度值等参数。计算LV需要将DeviceRGB颜色空间转换为与设备无关的XYZ空间,即:将RGB转换为XYZ。
RGB颜色空间转换为XYZ空间的常用方法为:在不同光源环境下(典型的光源包括A、H、U30、TL84、D50、D65、D75等等)标定出一个大小为3*3的颜色校正矩阵(ColorCorrcction Matrix,CCM),并将不同光源的CCM存储在电子设备的内存中,通过公式:
得到图像在XYZ空间对应的三维向量,从而实现RGB空间到XYZ空间的转化。在拍摄过程中,往往根据图像中的白平衡基准点来匹配对应的光源,并选择该光源对应的CCM。若存在白平衡基准点的RGB在两个光源之间(例如图像的RGB落在D50和D65之间),CCM可由D50和D65进行双线性插值所得到。例如,D50的颜色校正矩阵为CCM1,相关色温为CCT1,D60的颜色校正矩阵为CCM2,相关色温为CCT2,图像光源的相关色温为CCTa。电子设备可以根据公式:
计算出比例值g,基于比例值,根据公式:
CCM=g*CCM1+(1-g)*CCM2
可以计算出图像的CCM。
(8)快速傅里叶颜色恒常性(Fast Fourier Color Constancy,FFCC)模型:使用快速傅里叶算法在图像的uv色度图上进行卷积计算,最大响应的位置对应光源的uv色度坐标,从而获取该图像光源的RGB或RGB_GAIN或光源的uv色度坐标。
请参见图1,图1是本申请实施例提供的一种电子设备100的硬件结构示意图。电子设备100可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,距离传感器180F,接近光传感器180G,指纹传感器180H,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
可以理解的是,本发明实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中,电子设备100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了***的效率。
电子设备100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备100可以包括1个或N个显示屏194,N为大于1的正整数。
电子设备100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,电子设备100可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当电子设备100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行电子设备100的各种功能应用以及数据处理。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作***,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121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,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。
陀螺仪传感器180B可以用于确定电子设备100的运动姿态。在一些实施例中,可以通过陀螺仪传感器180B确定电子设备100围绕三个轴(即,x,y和z轴)的角速度。陀螺仪传感器180B可以用于拍摄防抖。陀螺仪传感器180B还可以用于导航,体感游戏场景。
气压传感器180C用于测量气压。在一些实施例中,电子设备100通过气压传感器180C测得的气压值计算海拔高度,辅助定位和导航。
磁传感器180D包括霍尔传感器。电子设备100可以利用磁传感器180D检测翻盖皮套的开合。
加速度传感器180E可检测电子设备100在各个方向上(一般为三轴)加速度的大小。当电子设备100静止时可检测出重力的大小及方向。还可以用于识别终端设备姿态,应用于横竖屏切换,计步器等应用。
距离传感器180F,用于测量距离。电子设备100可以通过红外或激光测量距离。在一些实施例中,拍摄场景,电子设备100可以利用距离传感器180F测距以实现快速对焦。
接近光传感器180G可以包括例如发光二极管(LED)和光检测器,例如光电二极管。发光二极管可以是红外发光二极管。电子设备100通过发光二极管向外发射红外光。电子设备100使用光电二极管检测来自附近物体的红外反射光,以便自动熄灭屏幕达到省电的目的。接近光传感器180G也可用于皮套模式,口袋模式自动解锁与锁屏。
环境光传感器180L用于感知环境光亮度。电子设备100可以根据感知的环境光亮度自适应调节显示屏194亮度。环境光传感器180L也可用于拍照时自动调节白平衡。环境光传感器180L还可以与接近光传感器180G配合,检测电子设备100是否在口袋里,以防误触。
指纹传感器180H用于采集指纹。电子设备100可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
温度传感器180J用于检测温度。在一些实施例中,电子设备100利用温度传感器180J检测的温度,执行温度处理策略。
触摸传感器180K,也称“触控面板”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于电子设备100的表面,与显示屏194所处的位置不同。
骨传导传感器180M可以获取振动信号。在一些实施例中,骨传导传感器180M可以获取人体声部振动骨块的振动信号。
由于,数码相机或手机等电子设备中的CCD电路或CMOS电路不能对光源的颜色变化作出修正,为了防止拍摄出的图像出现色温等问题,需要将图像进行白平衡处理。应用最多的白平衡算法主要有两种,一种是自动白平衡(Automatic white balance,AWB)算法,另一种是AIAWB算法。下面对两种白平衡速算法进行介绍。
传统的AWB算法采用流行的灰度世界算法。该算法以灰度世界假设为基础的,即对于一幅有着大量色彩变化的图像,其RGB三颜色分量的平均值趋近于同一灰度值K。其中,灰度值K用于表征单个颜色的亮暗程度。假设自然界景物对于光线的平均反射的均值在总体上是个定值,这个定值近似地为“灰色”。灰度世界算法将这一假设强制应用于待处理图像,可以从图像中消除环境光的影响,获得原始场景图像。灰度世界算法的步骤如下:
1、计算灰度值K。具体地,灰度值K的计算方式有两种:一种是取最亮灰度值的一半(灰度值的取值范围为0~255),即灰度值K为128。另一种是计算图像R、G、B的平均值然后,通过公式(1)得到灰度值K,公式(1)如下所示:
2、根据公式(2)~公式(4)计算该图像光源的RGB_Gain(GainR,GainG,GainB),公式(2)~公式(4)如下所示:
3、根据Von Kries对角模型,计算该图像每个像素调整后的RGB:
其中,公式(5)中的Ri、Gi和Bi分别为该图像每个像素的在红、绿、蓝三颜色通道上的幅值,R′i、G′i和B′i分别为该图像每个像素在红、绿、蓝三颜色通道上调整后的幅值。
AI AWB算法则是将图像作为训练好的模型的输入,例如,快速傅里叶颜色恒常性(Fast Fourier Color Constancy,FFCC)模型(FFCC模型)、神经网络模型等。本申请实施例以AI AWB算法中的模型为FFCC模型为例,进行说明。当将图像输入FFCC模型后,FFCC模型会输出该图像光源的RGB_GAIN以及该FFCC模型的置信度(Conf)。然后,ISP可以基于通过FFCC模型输出的图像光源的RGB_GAIN对图像的RGB进行调整。例如,图像光源的RGB为(25,150,50),FFCC模型输出的RGB_GAIN为(6,1,3),ISP用(6,1,3)乘以该图像每个像素的RGB,纠正该图像的色偏,从而实现对图像的白平衡调节。
使用传统的AWB算法计算图像光源的RGB_GAIN,计算量小且AWB算法的应用场景广。但是,由于计算逻辑简单且计算量一般较小,不能覆盖大范围的复杂场景,导致经过传统AWB算法得到的图像光源的RGB_GAIN的准确度不高,当ISP使用该RGB_GAIN对图像的RGB进行调节时,仍然不能很好地解决图像的偏色问题,导致白平衡处理的效果不佳。
对于AI AWB算法,由于使用FFCC模型或神经网络模型对图像进行复杂的计算处理,其在绝大部分的场景下输出的图像光源的RGB_GAIN准确度很高。但是,FFCC模型或神经网络模型需要预先在电脑端或其它设备上使用训练样本对其进行训练。由于训练样本有限,使得FFCC模型或神经网络模型不能适用于所有的应用场景。当用户在泛化场景不好的应用场景下进行拍照时,通过FFCC模型或神经网络模型得到的光源的RGB_GAIN准确度降低。因此,AI AWB算法的输出结果的准确度呈现两极分化的情况,即:在泛化场景较好的应用场景下拍摄图像,通过AI AWB算法得到的光源RGB_GAIN准确度极高,在泛化场景不好的应用场景下拍摄图像,通过AI AWB算法得到的光源RGB_GAIN准确度极低。
为了解决通过传统的AWB算法得到图像光源的RGB_GAIN准确度不足,以及AI AWB算法的应用场景有限的问题,本申请实施例提供一种AWB和AI AWB的融合算法。该融合算法的原理为:将图像分别通过AWB算法和AI AWB算法进行处理,得到这两种AWB算法计算的图像光源的Duv和CCT。然后,将通过AWB算法计算得到的Duv和通过AI AWB算法计算得到的Duv进行融合,得到融合后的Duv。将通过AWB算法计算得到的CCT和通过AI AWB算法计算得到的CCT进行融合,得到融合后的CCT。最后,基于融合后的Duv和CCT计算得到融合后的RGB_GAIN。
下面,结合图2A-图2D对AWB和AI AWB融合算法的应用场景进行介绍。
图2A是电子设备100的拍照界面图,在该拍照界面中,包括拍照控件1011和预览控件1012。当电子设备100检测到针对拍照控件1011的输入操作后(例如,单击),电子设备100开始拍照,并显示如图2B所示的拍照处理界面。如图2B所示,拍照处理界面显示“拍照中,请持稳手机”的提示字样,当拍照完成后,电子设备100检测到针对预览控件1012的输入操作(例如,单击)后,显示如图2C所示的照片预览界面。
当用户单击拍照控件1011后,电子设备开始拍照,在显示图2B的拍照处理界面的过程中,电子设备100对其拍摄的图像进行白平衡的调节。具体过程为:电子设备将图像通过AI AWB算法进行计算处理,得到该图像光源的RGB增益值(RGB_GAIN)。然后,给图像每个像素的RGB乘以所述RGB增益值,实现对图像的白平衡调节。如图2D所示,由于拍摄环境光源的色温不同,导致图像1出现色偏(图像1整体颜色偏灰),当把图像1的70个像素的RGB都乘以AI AWB和AWB融合算法计算的图像1的RGB增益值后,实现对图像1的颜色补偿,经过颜色补偿后的图像1其整体颜色不再偏灰,与人眼真实观察的颜色一致。
上述图2A-图2D对AWB算法和AI AWB算法融合的应用场景进行介绍,下面结合图3对AWB和AI AWB融合算法的***架构图进行介绍。请参见图3,图3是本申请实施例提供的一种通过AWB和AI AWB融合算法输出图像光源RGB_GAIN的***架构图。
如图3所示,在该***架构中包括AWB模块、AI AWB模块、CCT融合模块、Duv融合模块以及计算模块。将图像分别作为AWB模块和AI AWB模块的输入,AWB模块基于其AWB算法输出所述图像的CCT1和Duv1,AI AWB模块基于其AI AWB算法输出所述图像的CCT2、Duv2以及所述AI AWB算法的置信度Conf。将CCT1和CCT2进行融合,将Duv1和Duv2进行融合,分别得到CCT3和Duv3。其中,CCT3为融合后的CCT,Duv3为融合后的Duv。然后,将CCT3和Duv3作为计算模块的输入,通过计算模块计算得到图像的RGB_GAIN。
上述图2A-图2D实施例介绍了AWB和AIAWB的融合算法的应用场景。下面,结合附图介绍传统AWB和AI AWB融合算法的流程图。请参见图4,图4是本申请实施例提供的一种AWB和AI AWB的融合算法的流程图,具体流程如下:
步骤S401:电子设备分别将图像通过AWB算法和AI AWB算法进行处理,得到第一相关色温、第二相关色温、第一色度距离以及第二色度距离。
具体地,所述图像为第一图像,第一相关色温和第一色度距离为所述图像通过AWB算法得到的CCT和Duv,第二相关色温和第二色度距离为所述图像通过AI AWB得到的CCT和Duv。
电子设备将所述图像通过AWB算法计算处理,得到第一相关色温和第一色度距离的具体过程为:电子设备将所述图像通过AWB算法计算处理,得到所述图像的第一调节值。其中,该第一调节值可以是所述图像光源的RGB,可以是所述图像光源的RGB_GAIN,也可以是所述图像光源的色度坐标(u′,v′),本申请实施例对此不做限制。若第一调节值为所述图像光源的RGB,电子设备需要将该RGB转换为(u′,v′),RGB与色度坐标的转换公式如下:
若第一调节值为该图像光源的RGB_GAIN,电子设备需要将该RGB_GAIN换算成该图像光源的RGB,换算的方法为将该图像光源的RGB_GAIN中的三个向量分别取倒数。例如,该图像光源的RGB_GAIN为(1/25、1/50、1/150)将1/25、1/50、1/150分别取倒数,得到一个三维向量(25,50,150),该三维向量(25,50,150)为所述图像光源的RGB。然后,再将光源RGB转换为光源色度坐标,转换公式请参考公式(7)~公式(8),在此不再叙述。
电子设备在获取所述图像光源的色度坐标(u′,v′)后,基于(u′,v′)计算第一相关色温和第一色度距离。下面,对第一色度距离(Duv)和第一相关色温(CCT)的计算方法进行介绍:
首先,介绍第一色度距离的计算方法,第一色度距离的计算方法主要有两种:
第一种方法,在色度坐标图上获取在普朗克轨迹上与(u′,v′)最短距离点的坐标(u0,v0)。然后,根据公式(8)计算第一色度距离(Duv),公式(8)如下所示:
Duv=sgn(v′-v0)*[(u′-u0)2+(v′-v0)2]1/2 (8);
其中,当v′-v0≥0时,sgn(v′-v0)=1;当v′-v0<0时,sgn(v′-v0)=-1。
第二种方法,电子设备基于(u′,v′),根据公式(9)计算LFP,公式(9)如下所示:
然后,电子设备根据公式(10)计算得到第一参数a,公式(10)如下所示:
然后,电子设备根据公式(11),计算得到LBB,公式(11)如下所示:
LBB=k6*a6+k5*a5+k4*a4+k3*a3+k2*a2+k1*a1+k0 (11)
其中,k6=-0.00616793,k5=0.0893944,k3=1.5317403,k2=-0.5179722,k1=1.925865,k0=-0.475106。在计算出LBB后,电子设备根据公式(12)计算得到所述图像光源的Duv值,公式(12)如下所示:
Duv=LFP-LBB (12)。
电子设备计算第一相关色温(CCT)的方法主要采用图像法,如图5所示,图5是本申请实施例提供的一种uv色度坐标图。在图5的色度坐标图中找到色度坐标(u′,v′)对应的点P。然后,在普朗克轨迹上找与点P距离最近的点M,点M对应的CCT为该图像光源的第一相关色温。例如,在图5中,点M对应的CCT直线为3500K,则该图像光源的第一相关色温为3500K。
电子设备将所述图像通过AWB算法计算处理,得到第一相关色温和第一色度距离的具体过程为:电子设备将图像通过AI AWB算法进行计算处理后,得到第二条调节值和置信度Conf。其中,Conf用于表征AI AWB算法中对图像进行计算处理的模型的可靠程度,本申请实施例以AI AWB算法中的模型为FFCC模型为例,进行说明。与第一调节值类似,第二调节值可以是通过AI AWB算法计算出的所述图像光源的RGB,可以是该图像光源的RGB_GAIN,也可以是该图像光源的色度坐标(u″,v″),本申请实施例对此不做限制。当第二调节值为该图像光源的RGB时,需要将其转换为该图像光源的色度坐标(u″,v″)。其中,RGB_GAIN转换为RGB、RGB转换为色度坐标的方法和公式请参考上述AWB算法中的相关描述,在此不做赘述。然后,电子设备通过(u″,v″)计算第二相关色温和第二色度距离。电子设备通过(u″,v″)计算第二相关色温和第二色度距离的方法和过程,请参考电子设备计算第一相关色温和第一色度距离的过程,在此不再赘述。
步骤S402:电子设备根据相关色温转换表对第二相关色温进行修正。
具体地,由于AI AWB算法中的FFCC模型对图像进行复杂的计算处理,其在绝大部分的场景下输出的图像的第二调节值准确度很高。但是,FFCC模型需要预先在电脑端或其它设备上进行训练,由于训练样本有限,使得FFCC模型不能适用于所有的应用场景。当用户在FFCC模型未被训练过的应用场景下进行拍照时,FFCC模型输出的第二调节值准确性低,进而造成第二相关色温(CCT)准确度也很低。为了有效解决上述问题,电子设备需要将第二相关色温进行修正,在第二相关色温与修正值偏离程度过大的情况下,将其限制在合理的数值范围内。
电子设备对第二相关色温的修正过程为:在电子设备内存储有CCT转换表(CCTShift Table)。如图6所示,CCT Shift Table是一个三维坐标表,有三个坐标轴,分别是:CCT轴、Duv轴以及LV轴。在CCT Shift Table的三维空间中,存在许多单元格,每个单元格对应一个CCT修正值,在CCT Shift Table包含的CCT修正值几乎涵盖了所有拍摄场景中光源的CCT。电子设备基于所述图像的LV、第二相关色温以及第二色度距离在CCT Shift Table三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的CCT为第一相关色温修正值。然后通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一相关色温修正值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二相关色温修正值(CCT_new)。最后,电子设备将第二相关色温设置为CCT_new,实现对第二相关色温的修正。
步骤S403:电子设备根据色度距离转换表对第二色度距离进行修正。
具体地,当用户在FFCC模型未被训练过的应用场景下进行拍照时,FFCC模型输出第二色度距离(Duv)准确度很低。为了有效解决上述问题,电子设备需要将第二色度距离进行修正,在第二色度距离与修正值偏离程度过大的情况下,将其限制在合理的数值范围内。
电子设备对第二色度距离的修正过程为:在电子设备内存储有Duv转换表(DuvShift Table)。如图7所示,Duv Shift Table是一个三维坐标表,有三个坐标轴,分别是:Duv轴、CCT轴以及LV轴。在Duv Shift Table的三维空间中,存在许多单元格,每个单元格对应一个Duv修正值,在Duv Shift Table包含的Duv修正值几乎涵盖了所有拍摄场景中光源的Duv。电子设备基于所述图像的LV、第二色度距离以及第二色度距离在Duv Shift Table三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的Duv为第一色度距离修正值。然后通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一色度距离修正值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二色度距离修正值(Duv_new)。最后,电子设备将第二色度距离设置为Duv_new,实现对第二色度距离的修正。
步骤S404:电子设备根据置信度修正表对所述AI自动白平衡算法的置信度进行修正。
具体地,当用户在FFCC模型未被训练过的应用场景下进行拍照时,FFCC模型输出的置信度(Conf)与其实际的Conf相比,差异较大。为了有效解决该问题,电子设备可以对Conf进行修正,在FFCC模型输出的Conf与其实际的Conf相差较大的情况下,将Conf限制在合理的数值范围之内。
电子设备对Conf的修正过程为:在电子设备内存储有置信度表(ConfidenceTable)。如图8所示,Confidence Table是一个三维坐标表,有三个坐标轴,分别是:CCT轴、Duv轴以及LV轴。在Confidence Table的三维空间中,存在许多单元格,每个单元格对应一个置信度调节值(Mult_Conf)。电子设备基于所述图像的LV、第二相关色温以及第二色度距离在Confidence Table这个三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的Mult_Conf为第一置信度调节值。然后通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一置信度调节值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二置信度调节值。然后,电子设备根据公式(13)计算置信度修正值,并将AI自动白平衡算法的置信度设置为置信度修正值,实现对置信度的修正。公式(13)如下所示:
Conf_new=Conf*Mult_Conf (13)
在公式(13)中,所述Conf_new为置信度修正值,所述Mult_Conf为置信度调节值,所述Conf为修正前的置信度。需要说明的是,Conf_new可能存在大于1的情况,当Conf_new大于1时,将Conf_new置1。
步骤S405:电子设备基于相关色温融合表,将第一相关色温和第二相关色温进行计算,得到第三相关色温。
具体地,在电子设备内存储有CCT融合表(CCT Merging Table)。如图9所示,CCTMerging Table是一个三维坐标表,有三个坐标轴,分别是:Duv轴、CCT轴以及LV轴。在CCTMerging Table的三维空间中,存在许多单元格,每个单元格对应一个概率值X。电子设备基于所述图像的LV、第二相关色温以及第二色度距离在CCT Merging Table三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的概率值为第一概率值。然后,电子设备通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一概率值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二概率值。最后,电子设备通过公式(14)计算第三相关色温。公式(14)如下所示:
CCT_3=Conf*X′*CCT_ai+(1-Conf*X′)*CCT_stat (14)
其中,所述CCT_3为第三相关色温,所述CCT_stat为第一相关色温,所述CCT_ai为第二相关色温,所述Conf为AI自动白平衡算法的置信度,所述X′为第二概率值。
在一些实施例中,电子设备可以基于所述图像的LV、第一相关色温以及第一色度距离在CCT Merging Table三维坐标系中找到对应的点,确定与这个点相关的单元格。然后,基于相关的单元格进行三线性插值计算得到第二概率值,在根据公式(14)计算第三相关色温。
步骤S406:电子设备基于色度距离融合表,将第一色度距离和第二色度进行计算,得到第三色度距离。
具体地,在电子设备内存储有Duv融合表(Duv Merging Table)。如图10所示,DuvMerging Table是一个三维坐标表,有三个坐标轴,分别是:Duv轴、CCT轴以及LV轴。在CCTMerging Table的三维空间中,存在许多单元格,每个单元格对应一个概率值Y。电子设备基于所述图像的LV、第二相关色温以及第二色度距离在CCT Merging Table三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的概率值为第三概率值。然后,电子设备通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第三概率值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第四概率值。最后,电子设备通过公式(15)计算第三相关色温。公式(15)如下所示:
Duv_3=Conf*Y′*Duv_ai+(1-Conf*Y′)*Duv_stat (15)
其中,所述Duv_3为第三色度距离,所述Duv_stat为第一色度距离,所述Duv_ai为第二色度距离,所述Conf为AI自动白平衡算法的置信度,所述Y′为第四概率值。
在一些实施例中,电子设备可以基于所述图像的LV、第一相关色温以及第一色度距离在Duv Merging Table三维坐标系中找到对应的点,确定与这个点相关的单元格。然后,基于相关的单元格进行三线性插值计算得到第二概率值,在根据公式(15)计算第三色度距离。
步骤S407:电子设备根据相关色温倾向度调节表,对第三相关色温进行倾向度调节,得到调节后的第三相关色温。
具体地,对于部分用户而言,在使用电子设备拍照后,对图像的颜色有其他的要求。例如,有些用户希望图像的颜色整体呈现暖色系,有些用户希望图像的颜色整体呈现冷色系等等。为了令图像的整体颜色更倾向于用户希望的颜色,电子设备需要对图像的CCT和Duv进行倾向度的调节。电子设备对第三相关色温进行倾向度调节的具体过程为:在电子设备中存储有如图11所示的CCT Propensity Table(相关色温倾向度调节表),CCTPropensity Table是一个三维坐标表,有三个坐标轴,分别是:CCT轴、Duv轴以及LV轴。在CCT Propensity Table的三维空间中,存在许多单元格,每个单元格对应一个CCT调节值(Delta_CCT)。电子设备基于所述图像的LV、第三相关色温以及第三色度距离在CCTPropensity Table这个三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的Delta_CCT为第一相关色温调节值。然后通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一相关色温调节值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二相关色温调节值。然后,电子设备根据公式(16)计算调节后的第三相关色温,公式(16)如下所示:
CCT_3=CCT_3*(1+Delta_CCT′) (16)
在公式(16)中,等式左边的CCT_3为调节后的第三相关色温,等式右边的CCT_3为调节前的第三相关色温,所述Delta_CCT′为第二相关色温调节值。
步骤S408:电子设备根据色度距离倾向度调节表,对第三色度距离进行倾向度调节,得到调节后的第三色度距离。
具体地,对于部分用户而言,在使用电子设备拍照后,对图像的颜色有其他的要求。例如,有些用户希望图像的颜色整体呈现暖色系,有些用户希望图像的颜色整体呈现冷色系等等。为了令图像的整体颜色更倾向于用户希望的颜色,电子设备需要对图像的CCT和Duv进行倾向度的调节。电子设备对第三色度距离进行倾向度调节的具体过程为:在电子设备中存储有如图12所示的DuvPropensity Table(色度距离倾向度调节表),DuvPropensityTable是一个三维坐标表,有三个坐标轴,分别是:CCT轴、Duv轴以及LV轴。在DuvPropensityTable的三维空间中,存在许多单元格,每个单元格对应一个Duv调节值(Delta_Duv)。电子设备基于所述图像的LV、第三相关色温以及第三色度距离在CCT Propensity Table这个三维坐标系中找到对应的点,确定与这个点相关的单元格。其中,每个相关单元格对应的Delta_Duv为第一色度距离调节值。然后通过Trilinear插值(三线性插值)计算每个相关单元格的权值,并将单元格的权值与其对应的第一色度距离调节值相乘,得到每个相关单元格的乘积,将每个相关单元格的乘积进行求和,得到第二色度距离调节值。然后,电子设备根据公式(17)计算调节后的第三相关色温,公式(17)如下所示:
Duv_3=Duv_3*(1+Delta_Duv′) (17)
在公式(17)中,所述等式左边的Duv_3为调节后的第三色度距离,所述等式右边的Duv_3为调节前的第三色度距离,所述Delta_Duv′为第二色度距离调节值。
步骤S409:电子设备基于第三相关色温和第三色度距离计算得到所述图像光源的RGB增益值。
具体地,步骤S407和步骤S408是可选步骤。若电子设备对第三相关色温和第三色度距离进行倾向度调节,计算所述图像光源的RGB增益值的第三相关色温和第三色度坐标为经过步骤S407和步骤S408调节后的第三相关色温和第三色度坐标。
所述图像光源的RGB增益值需要通过所述图像光源的uv色度坐标转换得到。下面,对电子设备通过使用CCT_3和Duv_3计算所述图像光源的色度坐标(u,v)的具体过程进行介绍,具体过程为:首先,在如图13所示的普朗克轨迹上找到相关色温为CCT_3的点N,并计算出点N的色度坐标(u0,v0)。将点N作为普朗克轨迹的切点,作出普朗克轨迹的切线L,确定点F的色度坐标(u,v),使得线段FN的长度等于Duv_3。然后,在切线L上计算出ΔT处的点R的色度坐标(u1,v1)。其中,ΔT为CCT_3的微小变化。然后,电子设备使用公式(18)和公式(19)计算所述图像光源的色度坐标(u,v),公式(18)和公式(19)如下所示:
在计算出所述图像光源的色度坐标(u,v)后,电子设备通过公式(20)~公式(22)计算得到所述图像光源的RGB_GAIN(GainR,GainG,GainB),公式(20)~公式(22)如下所示:
本申请实施例,电子设备将通过AWB算法计算得到的第一相关色温、通过AI AWB算法计算得到的第二相关色温基于相关色温融合表进行计算,得到第三相关色温。将通过AWB算法计算得到第一色度距离、通过AI AWB算法计算得到的第二色度距离基于色度距离融合表进行计算,得到第三色度距离。并基于第三相关色温和第三色度距离计算出所述图像光源的RGB增益值。其中,该RGB增益值是准确度高的RGB增益值。通过上述方法,实现了AWB算法与AI AWB算法的融合,既解决了AWB算法计算图像光源RGB增益值准确度不高的问题,又解决AI AWB算法的应用场景有限的问题,通过所述融合算法计算出的RGB增益值,在各种场景下的准确度极高,从而有利于ISP利用该RGB增益值对图像的RGB进行调节,解决图像的偏色问题。
上述实施例详细阐述了本申请实施例的方法,下面介绍本实施例的相关设备。
请参见图14,图14是本申请实施例提供的一种电子设备100的结构示意图。所述电子设备100包括处理器1401和存储器1402,其中,各个单元的详细描述如下:
存储器1402用于存储程序代码;
处理器1401用于调用存储器存储的程序代码执行如下步骤:
分别将图像通过AWB算法和AI AWB算法进行处理,得到第一相关色温、第二相关色温、第一色度距离以及第二色度距离;
根据相关色温转换表对第二相关色温进行修正;
根据色度距离转换表对第二色度距离进行修正;
根据置信度修正表对所述AI自动白平衡算法的置信度进行修正;
基于相关色温融合表,将第一相关色温和第二相关色温进行计算,得到第三相关色温;
基于色度距离融合表,将第一色度距离和第二色度进行计算,得到第三色度距离;
根据相关色温倾向度调节表,对第三相关色温进行倾向度调节,得到调节后的第三相关色温;
根据色度距离倾向度调节表,对第三色度距离进行倾向度调节,得到调节后的第三色度距离;
基于第三相关色温和第三色度距离计算得到所述图像光源的RGB增益值。
本申请实施例还提供一种包含指令的计算机程序产品,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行如上述图4实施例步骤S401-步骤S409中任意一项所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
总之,以上所述仅为本发明技术方案的实施例而已,并非用于限定本发明的保护范围。凡根据本发明的揭露,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种AI自动白平衡和自动白平衡的融合算法,其特征在于,包括:
基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温;
基于色度距离融合表,将所述第一图像的第一色度距离和所述第一图像的第二色度距离基于色度距离融合表进行计算,得到所述第一图像的第三色度距离;
基于所述第三相关色温和所述第三色度距离计算得到所述第一图像的调节值,所述调节值用于调节所述第一图像的颜色;
其中,所述第一相关色温为通过自动白平衡算法计算得到的所述第一图像的CCT,所述第一色度距离为通过自动白平衡算法计算得到的所述第一图像的Duv,所述第二相关色温为通过AI自动白平衡算法计算得到的所述第一图像的CCT,所述第二色度距离为通过AI自动白平衡算法计算得到的所述第一图像的Duv。
2.如权利要求1所述的方法,其特征在于,所述基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温之前,还包括:
根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值,在相关色温转换表中确定第一相关色温修正值;
对所述第一相关色温修正值进行三线性插值计算,得到第二相关色温修正值;
将所述第二相关色温设置为所述第二相关色温修正值。
3.如权利要求1或2任一项所述的方法,其特征在于,所述基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温之前,还包括:
根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在色度距离转换表中确定第一色度距离修正值;
对所述第一色度距离修正值进行三线性插值计算,得到第二色度距离修正值;
将所述第二色度距离设置为所述第二色度距离修正值。
4.如权利要求1所述的方法,其特征在于,所述基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温之前,还包括:
根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在置信度修正表中确定第一置信度调节值;
对所述第一置信度调节值进行三线性插值计算,得到第二置信度调节值;
根据公式Conf_new=Conf*Mult_Conf,计算得到置信度修正值;其中,所述Conf为所述AI自动白平衡算法的置信度,所述Mult_Conf为所述第二置信度调节值,所述Conf_new为置信度修正值;
将所述AI自动白平衡算法的置信度设置为所述置信度修正值。
5.如权利要求4所述的方法,其特征在于,所述基于相关色温融合表,将第一图像的第一相关色温和所述第一图像的第二相关色温进行计算,得到所述第一图像的第三相关色温,具体包括:
根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在相关色温融合表中确定第一概率值;或根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在相关色温融合表中确定第一概率值;
对所述第一概率值进行三线性插值计算,得到第二概率值;
根据公式CCT_new=Conf*X′*CCT_ai+(1-Conf*X′)*CCT_stat,计算得到所述第三相关色温;
其中,所述CCT_new为第三相关色温,所述CCT_stat为第一相关色温,所述CCT_ai为第二相关色温,所述Conf为AI自动白平衡算法的置信度,所述X′为第二概率值。
6.如权利要求4或5任一项所述的方法,其特征在于,所述基于色度距离融合表,将所述第一图像的第一色度距离和所述第一图像的第二色度距离基于色度距离融合表进行计算,得到所述第一图像的第三色度距离,具体包括:
根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在色度距离融合表中确定第三概率值;或根据所述第二相关色温、所述第二色度距离以及所述第一图像的亮度值在色度距离融合表中确定第三概率值;
对所述第三概率值进行三线性插值计算,得到第四概率值;
根据公式Duv_new=Conf*Y′*Duv_ai+(1-Conf*Y′)*Duv_stat,计算得到所述第三色度距离;
其中,所述Duv_new为第三色度距离,所述Duv_stat为第一色度距离,所述Duv_ai为第二色度距离,所述Conf为AI自动白平衡算法的置信度,所述Y′为第四概率值。
7.如权利要求1-6任一项所述的方法,其特征在于,所述基于所述第三相关色温和所述第三色度距离计算得到所述第一图像的调节值之前,还包括:
根据所述第三相关色温、所述第三色度距离以及所述第一图像的亮度值在相关色温倾向调节表中,确定第一相关色温调节值;
对所述第一相关色温调节值进行三线性插值计算,得到第二相关色温调节值;
通过公式CCT_new=CCT_new*(1+Delta_CCT′),得到调节后的第三相关色温;
其中,所述公式等号左边的CCT_new为调节后的第三相关色温,所述公式等号右边的CCT_new为调节前的第三相关色温,所述Delta_CCT′为所述第二相关色温调节值。
8.如权利要求1-7任一项所述的方法,其特征在于,所述基于所述第三相关色温和所述第三色度距离计算得到所述第一图像的调节值之前,还包括:
根据所述第三相关色温、所述第三色度距离以及所述第一图像的亮度值在色度距离倾向调节表中,确定第一色度距离调节值;
对所述第一色度距离调节值进行三线性插值计算,得到第二色度距离调节值;
通过公式Duv_new=Duv_new*(1+Delta_Duv′),得到调节后的第三色度距离;
其中,所述公式等号左边的Duv_new为调节后的第三色度距离,所述公式等号右边的Duv_new为调节前的第三色度距离,所述Delta_Duv′为所述第二色度距离调节值。
9.一种电子设备,其特征在于,所述电子设备包括:通信装置、显示装置、存储器以及耦合于所述存储器的处理器,多个应用程序,以及一个或多个程序;所述存储器中存储有计算机可执行指令,所述显示装置用于显示图像,所述处理器执行所述指令时使得所述电子设备实现如权利要求1-8中任一项所述的方法。
10.一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序包括可执行指令,所述可执行指令当被处理器执行时使该处理器执行如权利要求1-8中任一项所提供的方法对应的操作。
11.一种包含指令的计算机程序产品,其特征在于,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行如权利要求1-8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634365.XA CN115514948B (zh) | 2021-06-07 | 2021-06-07 | 图像调节方法以及电子设备 |
PCT/CN2022/084902 WO2022257574A1 (zh) | 2021-06-07 | 2022-04-01 | Ai自动白平衡和自动白平衡的融合算法以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634365.XA CN115514948B (zh) | 2021-06-07 | 2021-06-07 | 图像调节方法以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115514948A true CN115514948A (zh) | 2022-12-23 |
CN115514948B CN115514948B (zh) | 2023-08-08 |
Family
ID=84424729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634365.XA Active CN115514948B (zh) | 2021-06-07 | 2021-06-07 | 图像调节方法以及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115514948B (zh) |
WO (1) | WO2022257574A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119314A (zh) * | 2023-02-25 | 2023-11-24 | 荣耀终端有限公司 | 一种图像处理方法及相关电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147860A (zh) * | 2011-05-16 | 2011-08-10 | 杭州华三通信技术有限公司 | 一种基于白平衡的车牌识别方法和装置 |
US20130128073A1 (en) * | 2011-11-22 | 2013-05-23 | Samsung Electronics Co. Ltd. | Apparatus and method for adjusting white balance |
JP2013192121A (ja) * | 2012-03-15 | 2013-09-26 | Ricoh Co Ltd | 撮像装置及び撮像方法 |
JP2013198119A (ja) * | 2012-03-22 | 2013-09-30 | Nikon Corp | 画像処理装置、画像処理方法およびプログラム |
CN108551576A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种白平衡方法及装置 |
US20190045163A1 (en) * | 2018-10-02 | 2019-02-07 | Intel Corporation | Method and system of deep learning-based automatic white balancing |
US20190158796A1 (en) * | 2016-04-25 | 2019-05-23 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for image white balance adjustment |
CN110913194A (zh) * | 2019-11-22 | 2020-03-24 | Oppo广东移动通信有限公司 | 一种自动白平衡的补偿方法、终端以及计算机存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111587573B (zh) * | 2018-05-30 | 2021-06-15 | 华为技术有限公司 | 一种图像处理方法、装置及计算机存储介质 |
WO2020142871A1 (zh) * | 2019-01-07 | 2020-07-16 | 华为技术有限公司 | 图像的白平衡处理方法和装置 |
JP2021068950A (ja) * | 2019-10-18 | 2021-04-30 | ソニーセミコンダクタソリューションズ株式会社 | 撮像装置及び電子機器 |
CN111818318B (zh) * | 2020-06-12 | 2022-01-11 | 北京阅视智能技术有限责任公司 | 图像处理器的白平衡调谐方法、装置、设备及存储介质 |
-
2021
- 2021-06-07 CN CN202110634365.XA patent/CN115514948B/zh active Active
-
2022
- 2022-04-01 WO PCT/CN2022/084902 patent/WO2022257574A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147860A (zh) * | 2011-05-16 | 2011-08-10 | 杭州华三通信技术有限公司 | 一种基于白平衡的车牌识别方法和装置 |
US20130128073A1 (en) * | 2011-11-22 | 2013-05-23 | Samsung Electronics Co. Ltd. | Apparatus and method for adjusting white balance |
JP2013192121A (ja) * | 2012-03-15 | 2013-09-26 | Ricoh Co Ltd | 撮像装置及び撮像方法 |
JP2013198119A (ja) * | 2012-03-22 | 2013-09-30 | Nikon Corp | 画像処理装置、画像処理方法およびプログラム |
US20190158796A1 (en) * | 2016-04-25 | 2019-05-23 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for image white balance adjustment |
CN108551576A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种白平衡方法及装置 |
US20190045163A1 (en) * | 2018-10-02 | 2019-02-07 | Intel Corporation | Method and system of deep learning-based automatic white balancing |
CN110913194A (zh) * | 2019-11-22 | 2020-03-24 | Oppo广东移动通信有限公司 | 一种自动白平衡的补偿方法、终端以及计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
MAHMOUD AFIFI: "Deep white-balance editing", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN REGCOGNITION》 * |
周荣政\N\N\N,何捷\N\N\N,洪志良: "自适应的数码相机自动白平衡算法", 计算机辅助设计与图形学学报, no. 03 * |
巢琳;杨鸣;: "基于图像熵值加权的自动白平衡算法", 数据通信, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119314A (zh) * | 2023-02-25 | 2023-11-24 | 荣耀终端有限公司 | 一种图像处理方法及相关电子设备 |
CN117119314B (zh) * | 2023-02-25 | 2024-06-07 | 荣耀终端有限公司 | 一种图像处理方法及相关电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115514948B (zh) | 2023-08-08 |
WO2022257574A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11532076B2 (en) | Image processing method, electronic device and storage medium | |
CN109672827A (zh) | 用于组合多个图像的电子装置及其方法 | |
WO2023279862A1 (zh) | 图像处理方法、装置和电子设备 | |
WO2023040725A1 (zh) | 白平衡处理方法与电子设备 | |
CN113727085B (zh) | 一种白平衡处理方法、电子设备、芯片***和存储介质 | |
CN115514948B (zh) | 图像调节方法以及电子设备 | |
WO2023015993A9 (zh) | 一种色度信息的确定方法及相关电子设备 | |
CN116055699B (zh) | 一种图像处理方法及相关电子设备 | |
CN116668838B (zh) | 图像处理方法与电子设备 | |
EP4228236A1 (en) | Image processing method and electronic device | |
EP4231621A1 (en) | Image processing method and electronic device | |
WO2023060921A1 (zh) | 图像处理方法与电子设备 | |
US20230058472A1 (en) | Sensor prioritization for composite image capture | |
CN116051434B (zh) | 一种图像处理方法及相关电子设备 | |
CN116761081B (zh) | 一种ai自动白平衡的算法和电子设备 | |
CN116029914B (zh) | 图像处理方法与电子设备 | |
WO2023035919A1 (zh) | 控制曝光的方法、装置与电子设备 | |
WO2022267612A1 (zh) | 一种动态调节光谱传感器曝光参数的方法及电子设备 | |
WO2022257713A1 (zh) | 一种ai自动白平衡的算法和电子设备 | |
CN116437060B (zh) | 一种图像处理方法及相关电子设备 | |
CN116029951B (zh) | 图像处理方法与电子设备 | |
WO2023124165A1 (zh) | 一种图像处理方法及相关电子设备 | |
EP4258676A1 (en) | Automatic exposure method and electronic device | |
CN116055855B (zh) | 图像处理方法及其相关设备 | |
CN116668862B (zh) | 图像处理方法与电子设备 |
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 |