CN117095186A - 一种色卡识别方法及装置、电子设备和存储介质 - Google Patents
一种色卡识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117095186A CN117095186A CN202311049595.5A CN202311049595A CN117095186A CN 117095186 A CN117095186 A CN 117095186A CN 202311049595 A CN202311049595 A CN 202311049595A CN 117095186 A CN117095186 A CN 117095186A
- Authority
- CN
- China
- Prior art keywords
- color
- block
- color block
- blocks
- class
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000007423 decrease Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Color Image Communication Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种色卡识别方法及装置、电子设备和存储介质,所述方法包括:对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;将第一类别色块和第二类别色块,划分至两个区域。本公开实施例能够便于快速且精准地将两个区域的色块区分开,实现了对色块所属区域的准确划分。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种色卡识别方法、装置及电子设备和存储介质。
背景技术
图像信号处理(ISP,Image Signal Processing)算法能够从图像传感器(如CMOS或CCD)捕获的原始数据中提取高质量数字图像。通过对原始数据进行去噪、增强和优化,来得到清晰、准确的图像。ISP算法在各种与图像采集相关的应用场景中广泛使用,如智能手机、相机、安防监控、医疗图像处理和自动驾驶等。
颜色校正矩阵模块(Color Correction Matrix,CCM)是ISP处理流程中非常重要的一个模块。由于图像传感器对三原色的响应跟人眼有较大的差别,以及像素之间存在串扰(Crosstalk)现象,所以图像传感器输出的图像数据往往在经过CCM模块后才能还原出符合人眼感知的真实色彩。
在通过CCM模块进行颜色校正的过程中,需要通过色卡来计算CCM值,色卡是一种预先设定的包括多个色块的卡片,每个色块具有预设的颜色,各色块的颜色不同,通过多个色块(常用的为24个色块)来尽可能地覆盖一个宽泛的颜色范围,用于对色彩进行选择、比对、沟通,在一定范围内实现色彩标准的统一。
在该过程中,通常会用图像传感器拍摄色卡,然而对于一些功能较多的色卡,往往会有多个不同的色卡区域,来实现不同的颜色校正功能,而如果某次校正只需使用其中的某一色卡区域,则需要将不同的色卡区域区分开来,然而,现有的色卡区域识别方式准确率较低。
发明内容
本公开提出了一种色卡识别技术方案。
根据本公开的一方面,提供了一种色卡识别方法,包括:
对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
将第一类别色块和第二类别色块,划分至两个区域。
在一种可能的实现方式中,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:
根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块。
在一种可能的实现方式中,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:
根据色块中心点的纵坐标,分别确定纵坐标最小值和最大值的色块;
基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块;
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块,包括:
基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,所述第一范围包括:纵坐标最小值减二分之一色块尺寸至纵坐标最小值加二分之一色块尺寸;
基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,所述第二范围包括:纵坐标最大值减二分之一色块尺寸至纵坐标最大值加二分之一色块尺寸。
在一种可能的实现方式中,所述基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块,包括:
将最上面一行色块中的横坐标最小的色块作为第一色块,将最下面一行色块中横坐标最大的色块作为第一色块;或,
将最上面一行色块中的横坐标最大的色块作为第一色块,将最下面一行色块中横坐标最小的色块作为第一色块;或,
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:
以所述第一色块和所述第二色块作为聚类中心点,基于各色块的位置,对所有色块进行聚类,得到第一类别色块和第二类别色块。
在一种可能的实现方式中,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:
针对所有色块,分别计算各色块到两个聚类中心点的距离;
将各色块分类至距离最小的聚类中心点对应的类中,得到第一类别色块和第二类别色块;
根据第一类别色块和第二类别色块的位置,分别确定第一类别色块和第二类别色块的质心,作为第一类别色块和第二类别色块新的聚类中心点;
迭代地执行上述计算距离至确定新的聚类中心点的过程,直至满足迭代停止条件,得到重新分类后的第一类别色块和第二类别色块。
根据本公开的一方面,提供了一种色卡识别装置,包括:
色块识别模块,用于对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
中心点确定模块,用于根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
聚类模块,用于分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
区域划分模块,用于将第一类别色块和第二类别色块,划分至两个区域。
在一种可能的实现方式中,所述中心点确定模块,用于:
根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块。
在一种可能的实现方式中,所述中心点确定模块,用于:
根据色块中心点的纵坐标,分别确定纵坐标最小值和最大值的色块;
基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块;
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述中心点确定模块,用于:
基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,所述第一范围包括:纵坐标最小值减二分之一色块尺寸至纵坐标最小值加二分之一色块尺寸;
基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,所述第二范围包括:纵坐标最大值减二分之一色块尺寸至纵坐标最大值加二分之一色块尺寸。
在一种可能的实现方式中,所述中心点确定模块,用于:
将最上面一行色块中的横坐标最小的色块作为第一色块,将最下面一行色块中横坐标最大的色块作为第一色块;或,
将最上面一行色块中的横坐标最大的色块作为第一色块,将最下面一行色块中横坐标最小的色块作为第一色块;或,
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述聚类模块,用于:
以所述第一色块和所述第二色块作为聚类中心点,基于各色块的位置,对所有色块进行聚类,得到第一类别色块和第二类别色块。
在一种可能的实现方式中,所述聚类模块,用于:
针对所有色块,分别计算各色块到两个聚类中心点的距离;
将各色块分类至距离最小的聚类中心点对应的类中,得到第一类别色块和第二类别色块;
根据第一类别色块和第二类别色块的位置,分别确定第一类别色块和第二类别色块的质心,作为第一类别色块和第二类别色块新的聚类中心点;
迭代地执行上述计算距离至确定新的聚类中心点的过程,直至满足迭代停止条件,得到重新分类后的第一类别色块和第二类别色块。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,对色卡图像进行色块识别,得到识别出的色块后,通过根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;将第一类别色块和第二类别色块,划分至两个区域。由此,通过选择出满足距离条件的第一色块和第二色块作为聚类中心点,对所有色块进行聚类,能够便于快速且精准地将两个区域的色块区分开,实现了对色块所属区域的准确划分。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出CCM校正前后图像传感器输出的色卡图像的示意图。
图2示出一种包含上下两个区域的多功能色卡的色卡图像的示意图。
图3示出根据本公开实施例的色卡识别方法的流程图。
图4示出根据本公开实施例的一种色卡识别装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
CCM图像校正的作用是校正图像传感器的光谱响应,通过校正后得到图像更符合人眼感知的真实色彩,图1示出CCM校正前后图像传感器输出的色卡图像的示意图。其中,图1中的(a)部分图像为CCM校正前输出的色卡图像,图1中的(b)部分图像为CCM校正后输出的色卡图像。
CCM是一个3×3的矩阵,在计算某个图像传感器的CCM矩阵值时,通常将该图像传感器对着色卡进行拍摄,然后将色卡图像中各色块的R、G、B平均值去和X-Rite标准各色块的R、G、B目标值进行多项式拟合,从而得到最优化的CCM矩阵系数。
目前的色卡往往功能较多,作为一个示例,图2示出一种包含上下两个区域的多功能色卡的色卡图像的示意图。在该图中,除了下半部常规24色块外,还有上半部的创意增强色块,用来给视频、图像添加新颖的颜色效果,比如带创意的冷暖色调等。通过该色卡,可以完成颜色校正和创意增强任务,对视频制作和后期加工编辑效率非常有帮助。
在图像自动识别出所有色块后,如何自动区分开上半部和下半部色块,只对下半部色块或上半部色块进行CCM值的调优是常见的工程问题。
在相关技术中,对于区分上半部和下半部色块而言,通常是在图像坐标系(图像左上角为原点)的Y方向上预先设定一个阈值Ty,当某个色块中心点的y坐标值小于Ty时就属于上半部;反之,如果某个色块中心点的y坐标值大于Ty时就属于下半部。但是,由于每次拍摄时,色卡在图像中的位置总是会变化,导致人为设定的Ty可能不符合实际情况,从而错误地判断当前色块是在上半部还是下半部,准确率较低。
本公开提供了一种色卡识别方法,在本公开实施例中,对色卡图像进行色块识别,得到识别出的色块后,通过根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;将第一类别色块和第二类别色块,划分至两个区域。由此,通过选择出满足距离条件的第一色块和第二色块作为聚类中心点,对所有色块进行聚类,能够便于快速且精准地将两个区域的色块区分开,实现了对色块所属区域的准确划分。
图3示出根据本公开实施例的色卡识别方法的流程图,如图3所示,所述方法包括:
在步骤S11中,对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
色卡图像是图像传感器对色卡进行拍摄到的图像,在本公开中,色卡图像可以包含两部分色卡区域,例如,图2所示的图像中,色卡包含上下两部分区域,下部区域中包含24个色块,上部区域中包含26个色块,两部分色块对应不同的颜色校准功能。为了便于后续的色块识别,在通过图像传感器拍摄色卡时,可以使图像传感器正对色卡进行拍摄,以免由于近大远小的透视效果,使得图像中的色块相对位置与实际的色块相对位置差距较大,便于后续基于色块在图像中的位置准确地区分两部分色卡区域。
在该步骤中,对色块的识别可以是完整识别出色卡图像中的所有色块,以便于后续基于色块的位置划分色块所属的区域。具体识别的方式可以有多种,在一个示例中,可以基于自动或半自动的方式进行识别,例如,通过算法初步识别出部分色块后,借助人工标注识别剩余色块;在另一个示例中,可以基于全自动识别的方式,识别所有色块。在一个示例中,可以根据色块的像素值与背景像素值的差异,通过阈值分割的方式,对色块进行识别;在另一个示例中,还可以根据色块的边缘的灰度值的变化,通过基于边缘检测的分割方式,对色块进行识别;在另一个示例中,还可以基于深度学习算法,通过对图像特征进行编码,利用神经网络来对色块进行识别,该神经网络例如可以是卷积神经网络、残差神经网络等等。
在步骤S12中,根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
这里色块的坐标为色块在图像坐标系中的坐标,具体可以是色块中心点的坐标,或者也可以是色块的某个角点的坐标,本公开对此不作具体限定。
第一色块和第二色块之间的距离为第一色块和第二色块在图像上的距离,需要说明的是,本公开实施例中可不必求出第一色块和第二色块之间的距离,而是可以依据色块的坐标值来确定色块之间距离的远近,示例性的,可以依据色块的y值,确定色块是属于最上面一行还是最下面一行,然后再依据色块的x值,确定色块在色卡中的哪个位置,即确定了色块之间距离的远近,具体可参见本公开提供的可能的实现方式,此次不做赘述。
这里的距离条件可以有多种,在一种可能的实现方式中,该距离条件可以是所有色块中距离最远的两个色块;在另外一种可能的实现方式中,在两个色卡区域的位置关系为上下相邻关系时,距离条件可以是所有色块中纵向距离最远;在另外一种可能的实现方式中,在两个色卡区域的位置关系为左右相邻关系时,距离条件可以是所有色块中横向距离最远;在另外一种可能的实现方式中,距离条件可以是所有色块中纵向距离最远,且横向距离最远。
色块的距离可以依据色块的坐标来对比,例如,可以基于比较色块x坐标的大小,以及y坐标的大小,来确定不同色块距离的大小;此外,也可以直接依据色块的坐标来确定色块的距离,然后再对色块的距离进行对比。这里色块的距离还可以是基于色块的坐标确定的欧式距离,该欧氏距离即为色块的中心点在欧几里得空间中的直线距离。
在步骤S13中,分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
聚类的过程为确定与第一色块属于同一类的色块,以及确定与第二色块属于同一类的色块,进而得到第一类别色块和第二类别色块。
聚类的过程具体可以是依据色块的位置来进行的,在一种可能的实现方式中,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:以所述第一色块和所述第二色块作为聚类中心点,基于各色块的位置,对所有色块进行聚类,得到第一类别色块和第二类别色块。
在该实现方式中,基于色块的位置,会将距离靠近第一色块的色块聚类为第一类别色块,将距离靠近第二色块的色块聚类为第二类别色块,且由于第一色块和第二色块之间的距离较远,因此,能够便于快速且精准地将两个区域的色块区分开,实现了对色块所属区域的准确划分。
在一种可能的实现方式中,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:针对所有色块,分别计算各色块到两个聚类中心点的距离;将各色块分类至距离最小的聚类中心点对应的类中,得到第一类别色块和第二类别色块;根据第一类别色块和第二类别色块的位置,分别确定第一类别色块和第二类别色块的质心,作为第一类别色块和第二类别色块新的聚类中心点;迭代地执行上述计算距离至确定新的聚类中心点的过程,直至满足迭代停止条件,得到重新分类后的第一类别色块和第二类别色块。
迭代停止条件例如可以是迭代达到预设的次数,在一个示例中,由于经过步骤S12已经选择出了符合距离条件的两个聚类中心点,因此,算法很快就会收敛,通常只需要3次迭代即可准确地将两个色卡区域的色块聚类为2个类别。因此,可以预先设置迭代次数为3次,达到3次后即可停止迭代,输出第一类别色块和第二类别色块。此外,迭代条件还可以是其它条件,例如,达到预定的迭代时间,等等。
在该实现方式中,第一类别色块是距离第一类别的聚类中心点最近的色块,而第二类别色块是距离第二类别的聚类中心点最近的色块,且由于经过步骤S12已经选择出了符合距离条件的两个聚类中心点,因此,能够快速聚类出两个不同色卡区域的中心点。
在步骤S14中,将第一类别色块和第二类别色块,划分至两个区域。
在得到第一类别色块和第二类别色块后,依据两类色块的坐标,即可将色块分别划分至两个区域。示例性的,针对图2所示的色卡图像,依据色卡的y值,可以将两类色块划分为上下两个区域。
在一种可能的实现方式中,在距离条件是所有色块中距离最远的两个色块的情况下,那么,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块。
示例性的,可以依据色块的y值,确定出最上面一行色块和最下面一行色块,然后再依据色块的x值,确定色卡中具备对角线关系的两对色块,这两对色块中,x值差距最大的一对色块,即可认定为所有色块中距离最远的两个色块。此外,还可以依据两个色块的中心点坐标,直接计算两个坐标之间的距离,进而确定出所有色块中距离最远的两个色块。
通过实践表明,色卡中距离最远的两个色块必然属于不同的色卡区域,在该实现方式中,通过根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块,使得聚类的中心点为所有色块中距离最远的两个色块,因此,能够准确地将两个区域的色块聚类到离自己最近的聚类中心点,以便于准确地将不同区域的色块区分开,提高了区分色卡区域的准确性。
在一种可能的实现方式中,在两个色卡区域的位置关系为上下相邻关系时,在距离条件是所有色块中纵向距离最远时,那么,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:根据色块中心点的纵坐标,分别确定纵坐标最小值和最大值的色块;基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块;基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在两个色卡区域的位置关系为上下相邻关系时,聚类中心点分别位于最上面一行色块和最下面一行色块时,基于位置进行聚类的效率更快,且聚类的结果更准确,因此,可以基于色块中心点的纵坐标的最大值和最小值,确定最上面一行色块和最下面一行色块,然后,可以选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。由此,选择出的聚类中心点的纵向距离较大,以使得基于位置进行聚类的效率更快,且聚类的结果更准确。
在一个示例中,可以选取最上面一行色块中的任一色块作为第一色块,选取最下面一行色块中的任一色块作为第二色块;在另一个示例中,将最上面一行色块中的横坐标最小的色块作为第一色块,将最下面一行色块中横坐标最大的色块作为第一色块;或,将最上面一行色块中的横坐标最大的色块作为第一色块,将最下面一行色块中横坐标最小的色块作为第一色块;或,基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。由此,能够选取位于两个色卡区域构成的矩形框中对角线端点处的一对色块,作为聚类中心点,由于两个聚类中心点不仅在纵向上距离足够大,且在横向上距离也足够大,因此,能够使得基于位置进行聚类的效率更快,且聚类的结果更准确。并且,该过程基于比对色块中心点的横纵坐标来实现,无需利用坐标值计算出色块的距离,提高了确定聚类中心点的效率。
在一种可能的实现方式中,所述基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块,包括:基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,所述第一范围包括:纵坐标最小值减二分之一色块尺寸至纵坐标最小值加二分之一色块尺寸;基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,所述第二范围包括:纵坐标最大值减二分之一色块尺寸至纵坐标最大值加二分之一色块尺寸。
考虑到拍摄角度的影响,最上面一行色块的纵坐标往往是不完全相同的,且最下面一行色块的纵坐标往往也是不完全相同的,因此,在确定最上面一行色块时,可以基于纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,这里的第一范围的端点可以是纵坐标最小值±1/2色块纵向尺寸。经验证结果表明,基于该第一范围确定最上面一行色块时,恰好能将最上面一行色块准确区分出来,且不会将其它色块误判为最上面一行色块,准确率较高。
同样的,在确定最下面一行色块时,可以基于纵坐标最小值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,这里的第二范围的端点可以是纵坐标最大值±1/2色块纵向尺寸。经验证结果表明,基于该第二范围确定最下面一行色块时,恰好能将最下面一行色块准确区分出来,且不会将其它色块误判为最下面一行色块,准确率较高。
需要说明的是,在本公开实施例中,图像坐标系的原点位于图像左上角,纵向为Y轴,从上到下y值逐渐增大;横向为X轴,从左到右x值逐渐增大。因此色块纵坐标的最大值用于确定最下面一行色块,色块纵坐标的最小值用于确定最上面一行色块。
在本公开实施例中,通过基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块;基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块。由此,能够准确地确定出最上面一行色块和最下面一行色块,减少了遗漏色块的可能性,便于后续基于最上面一行色块和最下面一行色块对色块进行聚类,提高了聚类的效率和准确率,提高了区分色卡区域的效率和准确率。
在一种可能的实现方式中,所述色卡识别方法可通过终端设备和服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
此外,本公开还提供了一种色卡识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种色卡识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的一种色卡识别装置的框图,如图4所示,所述装置40包括:
色块识别模块41,用于对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
中心点确定模块42,用于根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
聚类模块43,用于分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
区域划分模块44,用于将第一类别色块和第二类别色块,划分至两个区域。
在一种可能的实现方式中,所述中心点确定模块,用于:
根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块。
在一种可能的实现方式中,所述中心点确定模块,用于:
根据色块中心点的纵坐标,分别确定纵坐标最小值和最大值的色块;
基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块;
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述中心点确定模块,用于:
基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,所述第一范围包括:纵坐标最小值减二分之一色块尺寸至纵坐标最小值加二分之一色块尺寸;
基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,所述第二范围包括:纵坐标最大值减二分之一色块尺寸至纵坐标最大值加二分之一色块尺寸。
在一种可能的实现方式中,所述中心点确定模块,用于:
将最上面一行色块中的横坐标最小的色块作为第一色块,将最下面一行色块中横坐标最大的色块作为第一色块;或,
将最上面一行色块中的横坐标最大的色块作为第一色块,将最下面一行色块中横坐标最小的色块作为第一色块;或,
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
在一种可能的实现方式中,所述聚类模块,用于:
以所述第一色块和所述第二色块作为聚类中心点,基于各色块的位置,对所有色块进行聚类,得到第一类别色块和第二类别色块。
在一种可能的实现方式中,所述聚类模块,用于:
针对所有色块,分别计算各色块到两个聚类中心点的距离;
将各色块分类至距离最小的聚类中心点对应的类中,得到第一类别色块和第二类别色块;
根据第一类别色块和第二类别色块的位置,分别确定第一类别色块和第二类别色块的质心,作为第一类别色块和第二类别色块新的聚类中心点;
迭代地执行上述计算距离至确定新的聚类中心点的过程,直至满足迭代停止条件,得到重新分类后的第一类别色块和第二类别色块。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、***移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
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。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种色卡识别方法,其特征在于,包括:
对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
将第一类别色块和第二类别色块,划分至两个区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:
根据所述色块的坐标,确定所有色块中距离最远的两个色块,作为第一色块和第二色块。
3.根据权利要求1所述的方法,其特征在于,所述根据所述色块的坐标,确定所述色块中的第一色块和第二色块,包括:
根据色块中心点的纵坐标,分别确定纵坐标最小值和最大值的色块;
基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块;
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
4.根据权利要求3所述的方法,其特征在于,所述基于所述纵坐标最小值和最大值,确定最上面一行色块和最下面一行色块,包括:
基于所述纵坐标最小值,确定纵坐标的值在第一范围内的色块,作为最上面一行色块,所述第一范围包括:纵坐标最小值减二分之一色块尺寸至纵坐标最小值加二分之一色块尺寸;
基于所述纵坐标最大值,确定纵坐标的值在第二范围内的色块,作为最下面一行色块,所述第二范围包括:纵坐标最大值减二分之一色块尺寸至纵坐标最大值加二分之一色块尺寸。
5.根据权利要求3所述的方法,其特征在于,所述基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块,包括:
将最上面一行色块中的横坐标最小的色块作为第一色块,将最下面一行色块中横坐标最大的色块作为第一色块;或,
将最上面一行色块中的横坐标最大的色块作为第一色块,将最下面一行色块中横坐标最小的色块作为第一色块;或,
基于色块中心点的横坐标,选取最上面一行色块中的色块作为第一色块,选取最下面一行色块中的色块作为第二色块。
6.根据权利要求1所述的方法,其特征在于,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:
以所述第一色块和所述第二色块作为聚类中心点,基于各色块的位置,对所有色块进行聚类,得到第一类别色块和第二类别色块。
7.根据权利要求1所述的方法,其特征在于,所述分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块,包括:
针对所有色块,分别计算各色块到两个聚类中心点的距离;
将各色块分类至距离最小的聚类中心点对应的类中,得到第一类别色块和第二类别色块;
根据第一类别色块和第二类别色块的位置,分别确定第一类别色块和第二类别色块的质心,作为第一类别色块和第二类别色块新的聚类中心点;
迭代地执行上述计算距离至确定新的聚类中心点的过程,直至满足迭代停止条件,得到重新分类后的第一类别色块和第二类别色块。
8.一种色卡识别装置,其特征在于,包括:
色块识别模块,用于对色卡图像进行色块识别,得到识别出的色块,所述色卡图像中包含同一色卡工具中的两部分色卡区域;
中心点确定模块,用于根据所述色块的坐标,确定所述色块中的第一色块和第二色块,所述第一色块和第二色块之间的距离满足距离条件;
聚类模块,用于分别以所述第一色块和所述第二色块作为聚类中心点,对所有色块进行聚类,得到第一类别色块和第二类别色块;
区域划分模块,用于将第一类别色块和第二类别色块,划分至两个区域。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以实现权利要求1至7中任意一项所述的***。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049595.5A CN117095186B (zh) | 2023-08-18 | 2023-08-18 | 一种色卡识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049595.5A CN117095186B (zh) | 2023-08-18 | 2023-08-18 | 一种色卡识别方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095186A true CN117095186A (zh) | 2023-11-21 |
CN117095186B CN117095186B (zh) | 2024-07-05 |
Family
ID=88774707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311049595.5A Active CN117095186B (zh) | 2023-08-18 | 2023-08-18 | 一种色卡识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095186B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101693A1 (en) * | 2006-10-26 | 2008-05-01 | Intelligence Frontier Media Laboratory Ltd | Video image based tracking system for identifying and tracking encoded color surface |
US20110096985A1 (en) * | 2009-10-28 | 2011-04-28 | Seiko Epson Corporation | Image processing method, program, and image processing device |
US20150228086A1 (en) * | 2014-02-10 | 2015-08-13 | State Farm Mutual Automobile Insurance Company | System and method for automatically identifying and matching a color of a structure's external surface |
CN110189329A (zh) * | 2019-04-03 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 用于定位色卡的色块区域的***和方法 |
CN112102441A (zh) * | 2020-09-14 | 2020-12-18 | 上海米哈游天命科技有限公司 | 色卡制作方法、装置、电子设备和存储介质 |
CN113840135A (zh) * | 2021-09-03 | 2021-12-24 | 大连中科创达软件有限公司 | 色偏检测方法、装置、设备及存储介质 |
CN115761270A (zh) * | 2022-11-23 | 2023-03-07 | 上海闻泰电子科技有限公司 | 色卡的检测方法、装置、电子设备及存储介质 |
CN116578225A (zh) * | 2023-05-23 | 2023-08-11 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备、计算机可读存储介质及产品 |
-
2023
- 2023-08-18 CN CN202311049595.5A patent/CN117095186B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101693A1 (en) * | 2006-10-26 | 2008-05-01 | Intelligence Frontier Media Laboratory Ltd | Video image based tracking system for identifying and tracking encoded color surface |
US20110096985A1 (en) * | 2009-10-28 | 2011-04-28 | Seiko Epson Corporation | Image processing method, program, and image processing device |
US20150228086A1 (en) * | 2014-02-10 | 2015-08-13 | State Farm Mutual Automobile Insurance Company | System and method for automatically identifying and matching a color of a structure's external surface |
CN110189329A (zh) * | 2019-04-03 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 用于定位色卡的色块区域的***和方法 |
CN112102441A (zh) * | 2020-09-14 | 2020-12-18 | 上海米哈游天命科技有限公司 | 色卡制作方法、装置、电子设备和存储介质 |
CN113840135A (zh) * | 2021-09-03 | 2021-12-24 | 大连中科创达软件有限公司 | 色偏检测方法、装置、设备及存储介质 |
CN115761270A (zh) * | 2022-11-23 | 2023-03-07 | 上海闻泰电子科技有限公司 | 色卡的检测方法、装置、电子设备及存储介质 |
CN116578225A (zh) * | 2023-05-23 | 2023-08-11 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备、计算机可读存储介质及产品 |
Non-Patent Citations (1)
Title |
---|
贺剑峰: "基于相机ICC优化的色彩管理", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 February 2016 (2016-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117095186B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829501B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
EP2977956B1 (en) | Method, apparatus and device for segmenting an image | |
US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
TW202036464A (zh) | 文本識別方法及裝置、電子設備和儲存介質 | |
CN107480665B (zh) | 文字检测方法、装置及计算机可读存储介质 | |
CN111126108B (zh) | 图像检测模型的训练和图像检测方法及装置 | |
CN112219224B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
US11450021B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
AU2020323956B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN107730443B (zh) | 图像处理方法、装置及用户设备 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110826463B (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN117095186B (zh) | 一种色卡识别方法及装置、电子设备和存储介质 | |
CN111507131B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
WO2021136979A1 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN117058255B (zh) | 一种色卡识别方法及装置、电子设备和存储介质 | |
CN113689362A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN117893591B (zh) | 光幕模板识别方法及装置、设备、存储介质和程序产品 |
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 |