CN117197143B - 基于图像特征的环境亮度智能检测方法 - Google Patents
基于图像特征的环境亮度智能检测方法 Download PDFInfo
- Publication number
- CN117197143B CN117197143B CN202311473719.2A CN202311473719A CN117197143B CN 117197143 B CN117197143 B CN 117197143B CN 202311473719 A CN202311473719 A CN 202311473719A CN 117197143 B CN117197143 B CN 117197143B
- Authority
- CN
- China
- Prior art keywords
- light source
- illumination
- image
- area
- uniformity
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 196
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000007704 transition Effects 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及光照图像的纹理结构分析技术领域,具体涉及一种基于图像特征的环境亮度智能检测方法。该方法首先以光源光照强度以及当前光源相对所有光源的面积相对大小确定表征光源理论照明能力的相对光强系数,再将相对光强系数与光源实际照明情况对比得到照明结果匹配程度,作为对光源照明均匀性计算的修正权重;再对光照图像进行比特分层,将层数最高的若干比特层合并为合并图像,观察光源在合并图像中的照明情况并以照明结果匹配程度进行修正得到光源照明均匀性。因采用比特分层后使光照的灰度变化与过渡情况表征更为明显、直观,且结合了光源对光照不均匀的相对影响大小,所以可有效提高对光照不均匀程度的判断准确度。
Description
技术领域
本发明涉及光照图像的纹理结构分析技术领域,具体涉及一种基于图像特征的环境亮度智能检测方法。
背景技术
基于计算机视觉和机器学习技术的环境亮度检测越来越得到广泛应用,在智能家居中,智能照明***就可以利用图像特征检测环境的亮度与颜色等光照情况,并根据检测结果自动调整照明设备的亮度和颜色,以实现能源节约并同时提高用户对环境感知的舒适性。
不过,由于智能家居场景下通常存在多个光源,所以在开启光照时,会因光源数量较多而导致此时智能家居场景下的物体表面存在着光照并不均匀的情况,影响用户的家居体验。而现有的利用图像特征对环境光照情况进行检测的手段,在面对光照不均匀情况时的光通道提取效果较差,这就导致当前并不能较为准确地检测出智能家居环境下光照不均匀的具体程度,无法为后续判断光照不均匀程度是否已明显影响用户家居体验提供准确依据。
发明内容
本发明提供了一种基于图像特征的环境亮度智能检测方法,用以解决当前对智能家居环境中光照均匀性识别不准确的问题,所采用的技术方案具体如下:
本发明的一种基于图像特征的环境亮度智能检测方法,包括以下步骤:
采集家居环境的光照图像;
确定光照图像中各个光源的光照强度以及面积,根据当前光源的光照强度以及当前光源的面积相较于所有光源的面积的相对大小,确定当前光源的相对光强系数;
根据当前光源的相对光强系数与当前光源所照射到的家具物体数量、家具物体面积之间的正相关程度,确定当前光源的照明结果匹配程度;
对光照图像进行比特分层,选取层数最高的设定数量的比特层合并得到合并图像,确定合并图像中当前光源所照射到的各个家具物体上强光面面积之和与背光面面积之和的比值,确定合并图像中当前光源所照射到的各个家具物体所包含的灰度值类别数,确定各个灰度值类别所在区域之间的过渡均匀性,根据所述比值、灰度值类别数、过渡均匀性、当前光源的照明结果匹配程度以及当前光源所照射到的家具物体数量,确定当前光源的照射均匀性,对各个光源的照射均匀性求均值,得到家居环境的整体照射均匀性。
本发明的有益效果为:
本发明首先根据每个光源的光照强度和面积确定表征光源理论光照性能的相对光强系数,然后将相对光强系数与光源照射到的家具物体的数量和面积该种实际照射情况对比确定光源的理论性能与实际照明结果之间匹配程度的照明结果匹配程度,该照明结果匹配程度可以有效表征当前光源的照明对家居环境整体照明不均匀程度的相对影响大小;然后,本发明对光照图像进行比特分层处理,选取层数最高的若干比特层得到合并图像,以合并图像代替原始的光照图像,由于比特分层后所得层数较高的比特层,能够更明显、直观地表征光照后的灰度变化与过渡情况,所以基于合并图像对光源照明的不均匀性进行考量所得结果的准确性能够明显提高;最终,基于合并图像并结合光源的照明结果匹配程度,即可得到更为准确的光源照射均匀性判断结果,提高对家居环境光照不均匀程度的判断准确度。
进一步的,确定光照图像中各个光源的光照强度的方法为:
对光照图像进行比特分层,选取层数最低的预设数量个比特层作为低比特层,确定每个低比特层上与光源位置对应的区域内像素值为255的像素点的统计数量,以各个低比特层对应的统计数量的均值作为光源的光照强度。
进一步的,所述光源的光照强度为:
;/>表示家居环境光照图像中第i个光源的光照强度,/>表示第l个比特层中与第i个光源区域对应的区域范围内第j个像素点的像素值,[ ]表示艾弗森括号,括号内条件成立则结果为1,否则为0。
进一步的,确定光照图像中各个光源的面积的方法为:
对光照图像进行语义分割,确定光照图像中光源所在位置,从而确定光源的面积。
进一步的,所述当前光源的相对光强系数为:
;其中,/>表示第i个光源的相对光强系数,/>表示家居环境光照图中第i个光源的光照强度,/>表示家居环境光照图像中第i个光源的面积,/>表示家居环境光照图像中所有光源的总面积。
进一步的,所述当前光源的照明结果匹配程度为:
;其中,/>表示第i个光源的照明结果匹配程度,/>表示第i个光源的相对光强系数,/>表示第i个光源所照射到的家具物体数量;/>表示第i个光源所照射到的家具物体的总面积。
进一步的,所述确定各个灰度值类别所在区域之间的过渡均匀性的方法为:
确定各个灰度值类别所在区域的宽度,以各个宽度的方差作为各个灰度值类别所在区域之间的过渡均匀性。
进一步的,所述确定各个灰度值类别所在区域的宽度的方法为:
确定灰度值类别所在区域的最小外接矩形,以灰度值类别所在区域的面积与灰度值类别所在区域的最小外接矩形的长度值的比值,作为灰度值类别所在区域的宽度。
进一步的,所述当前光源的照射均匀性为:
;其中,/>表示第i个光源的照射均匀性,/>表示第i个光源所照射到的家具物体数量;/>表示合并图像中第i个光源所照射到的各个家具物体的强光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体的背光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体所包含的灰度值类别数;/>表示不同灰度值类别所在区域的宽度之间的方差,/>表示第i个光源的照明结果匹配程度。
进一步的,所述光照图像是指家居环境中光源开启后采集到的家居环境的图像。
附图说明
图1是本发明的一种基于图像特征的环境亮度智能检测方法的流程图;
图2是本发明的家居环境光照图像经比特分层后所得到的第1比特层和第2比特层的示意图;
图3是本发明的同一场景下的家具物体在不同光照大小下对应的合并图像的示意图;
图4是本发明的合并图像中最大灰度值示意图;
图5是本发明的合并图像中连续灰度值示意图。
具体实施方式
本发明的构思为:
本发明首先根据家居环境光照图像中每个光源的光照强度以及当前光源面积与所有光源面积的相对大小而确定了用于表征光源理论照明能力的相对光强系数,然后再将相对光强系数与光源实际照明情况进行对比,确定对光源进行照明均匀性考量时的修正权重也即照明结果匹配程度;后续,对光照图像进行比特分层,选取层数最高的若干比特层合并得到合并图像,观察光源在合并图像中的照明情况并以照明结果匹配程度作为修正权重得到光源照明均匀性,再对各个光源的照明均匀性求均值后即可最终得到家居环境整体的照明均匀性大小。
下面结合附图及实施例,对本发明的一种基于图像特征的环境亮度智能检测方法进行详细说明。
方法实施例:
本发明的一种基于图像特征的环境亮度智能检测方法实施例,其整体流程如图1所示,具体过程如下:
1、采集家居环境的光照图像。
智能家居***中可以部署摄像头或监控***,用于自动采集家居环境的光照图像,这些摄像头可以安装在合适的位置,例如客厅、卧室等,从而在照明光源开启时捕捉摄像角度范围内家居场景的图像,得到家居环境的光照图像,也即,所谓家居环境的光照图像是指光源开启后所采集到的家居环境的图像。
根据智能家居***的具体设计,可以设置光照图像采集的触发条件。例如,结合用户在需要光照的活动规律,按照时间表定期触发图像采集,或者将触发采集条件设置为照明光源开启条件,也即在照明光源开启的同时即触发采集条件开始采集光照图像。一旦触发条件满足,***会启动相应的设备来进行图像采集。例如如果部署的是摄像头,***将发送指令使其开始拍摄家居环境图像。采集的图像可以通过用户局域网络传输到智能家居***中具备数据处理能力的相关智能家居设备中,以便进行进一步的分析和处理,这一传输过程可以通过无线网络连接或有线连接实现。
至此,完成了对家居环境光照图像的采集。
2、确定光照图像中各个光源的光照强度以及面积,根据当前光源的光照强度以及当前光源的面积相较于所有光源的面积的相对大小,确定当前光源的相对光强系数。
家居环境的场景中可能存在多个光源,所在对于家具等物体表面,可能会存在表面光照不均匀的情况,因此本实施例考虑对每个光源都进行分析,再结合场景中整体的光照效果对环境光照效果进行检测。
对光源进行分析具体就包括确定光源的光照强度以及光源的面积大小,其中确定光源的光照强度的方法有多种,最常规的方法就是统计光照图像上光源范围内像素点的灰度值大小,光照强度越大,则光源范围内像素点的灰度值就会相应越大,由光源范围内像素点的平均灰度值大小即可确定该光源的光照强度。
而本实施例中,不同于上述对光照强度的确定方法,给出了另一种优选方法,具体为:
采集到用户的家居环境光照图像之后,对光照图像进行比特分层,会得到8层比特层,其中本实施例将第1到第4比特层视作低比特层,第5到第8比特层视作高比特层,每层比特层的像素点灰度值只有0和255,其中光源以及被光源照射过的区域像素点灰度值为255。
对于家居环境光照图像,通过语义分割将明显光源轮廓在家居环境光照图中标出,由此就可以得到光源轮廓内的像素点,也就是确定了光源所在位置,从而得到了光源的面积大小。将家居环境光照图进行比特分层后,如果光源区域、也就是光源轮廓所对应的区域在低比特面中被显示,说明此时光源的光照强度满足当前场景下的光照强度需求。
光照强度足够时,对应光源区域的灰度值趋近于255,低比特面中光源对应轮廓内的像素点在二值化后灰度值更趋近于为255,也就是白色,因此在靠近255的低比特位中,低4位的比特层中,二值化后灰度值也是更趋近于为255,如图2所示,为某个家居环境光照图像经比特分层后所得到的第1比特层和第2比特层,其中圆形和长条形的白色区域,即为两个光照强度足够的光源区域。也即,一个拥有足够光照强度的光源,其对应轮廓内的像素点会在低比特层中以二值化为1被显示。
那么为了衡量一个光源的具体光照强度,本实施例即选择最低的L个低比特层对光源的具体光照强度进行计算,也就是通过统计该光源范围内的像素点在最低的L个低比特层中二值化后像素值为1的像素点的个数来表征该光源的光照强度:
表示家居环境的光照图像中第i个光源的光照强度,/>表示第l个比特层中与第i个光源区域对应的区域范围内第j个像素点的像素值,[ ]表示艾弗森括号,括号内条件成立则结果为1,否则为0。
作为优选本实施例设置L取值为4,也即选择第1到第4比特层进行光照强度计算,在其它实施例中当然还可以根据实际情况将L设置为其它值,如取L为3,不再赘述。
对于光源轮廓内的像素点,低比特层对应位置的灰度值为的像素点置赋值为,灰度值为/>的像素点赋值为/>,将对应位置像素点的赋值结果进行累加,得到赋值结果的累加值,对L个低比特层的累加值求均值作为最后表示该第i个光源的光照强度结果值。
考虑到在家居布光场景中,不但光源的光照强度大小会影响光照均匀性,同时光源本身的范围大小也即光源区域的大小或者说光源的面积同样可以对整体布光环境的光照均匀性产生影响,面积较大的光源通常可以提供更均匀、柔和的光照分布,从而减少阴影和明暗差异,使得整个场景具有更好的光照均匀性。因此,单个光源和其他光源相比的面积越大,该光源对光照均匀性的相对影响程度越大,对应的相对光强系数的结果值也应该是较大的。
所以,本实施例在前述所得到的光照强度的基础上,进一步结合光源面积的相对大小来最终确定光源的相对光强系数:
其中,表示第i个光源的相对光强系数,/>表示家居环境光照图中第i个光源的光照强度,/>表示家居环境光照图像中第i个光源的面积,/>表示家居环境光照图像中所有光源的总面积。
至此,得到了家居环境光照图像中各个光源的相对光强系数。
3、根据当前光源的相对光强系数与当前光源所照射到的家具物体数量、家具物体面积之间的正相关程度,确定当前光源的照明结果匹配程度。
对家居环境光照图进行语义分割的过程中,不但可以确定光源所在区域也即确定光源范围,还能够将环境中的家具边界和家具上的光照明暗边界进行提取。由此就可以使用边界合并算法将场景中靠近的家具边界融合成一个边界,并且不同家具对应的区域会被分配该类别家居的标签,例如餐椅、沙发等。融合后的边界范围结合边界范围内家居的标签,可以得到在不同边界范围内的家具个数。
得到单个光源的相对光强系数后,该光源在开启后产生的灯光可以照射到的家具物体会有若干个,光源可以照射范围内最靠近光源的一层家具,这里定义为第一层家具,这里只讨论光源可以照射到的范围内第一层家具,判断光照效果。
该光源照射的家具物体数量越多并且家具物体的面积越大,那么表示该光源的照射能力越强,相应的该光源的相对光强系数应该是越大的,否则就表示光源与实际照射的家具物体之间可能存在不匹配的现象,也即光源实际照射情况与其理论照射情况不匹配,由此可计算光源的照明结果匹配程度:
其中,表示第i个光源的照明结果匹配程度,/>表示第i个光源的相对光强系数,/>表示第i个光源所照射到的家具物体数量;/>表示第i个光源所照射到的家具物体的总面积。
第i个光源照射范围内的家具物体数量越多,家具物体的总面积/>越大,而光源的相对光强系数/>越小,则得到的光源的照明结果匹配程度越小。
至此,得到光源与其照射范围内的家具的匹配程度。
4、对光照图像进行比特分层,选取层数最高的设定数量的比特层合并得到合并图像,确定合并图像中当前光源所照射到的各个家具物体上强光面面积之和与背光面面积之和的比值,确定合并图像中当前光源所照射到的各个家具物体所包含的灰度值类别数,确定各个灰度值类别所在区域之间的过渡均匀性,根据所述比值、灰度值类别数、过渡均匀性、当前光源的照明结果匹配程度以及当前光源所照射到的家具物体数量,确定当前光源的照射均匀性,对各个光源的照射均匀性求均值,得到家居环境的整体照射均匀性。
前述中得到了光源的照明结果匹配程度,光源与该光源照射范围内家具物体的匹配程度会影响对该光源光照均匀性的判断。匹配程度大的光源,可以认为以该光源产生的光照在家具表面会更均匀的分布,在进行光照均匀性判断时应该更严格;而匹配程度小的光源,可能会导致光照分布不均匀或有区域性的明暗差异,在这种情况下,判断光源光照均匀性时应相对宽松。
在此基础上,本步骤将根据对比特分层后的比特面合并后图像进行分析,再结合所得照明结果匹配程度来判断光照均匀性。
前述中通过语义分割识别出了家具物体的光照明暗分界线,那么分界线两侧即分别属于强光面和背光面,明暗分界线也就是强光面和背光面的交界线。
光照从光源发出,照射在家具物体表面,随着照射距离的增加,光照在家具物体表面的反射会逐渐减少,体现在灰度图像上即为灰度值的逐渐减小,如果只单纯将光照图像转成灰度图像来判断光照效果并不直观,但是利用比特分层技术对光照图像进行比特分层后所产生的较高层的比特层,其虽然也是灰度图像,但相较于原始关照图像对应生成的灰度图像对灰度变化方面的表征效果更好,能够呈现更为明显的过渡性,这一点和光照在物体表面照射后的变化规律相似,因此可以很直观的去判断光照在物体表面的效果。
由此,本实施例对光照图像进行比特分层处理,然后选取层数最高的H个比特层并对其进行合并生成合并图像,之所以选取较高层次的比特层,如上所述是因为较高的比特层可以更好的捕捉图像中的光照差异,增强了在光照差异方面的表现。本实施例中选取H的取值为3,选取层数最高的3个比特层也即第6、7、8个比特层来合并生成合并图像,该合并图像是一张灰度图像,将强光背光面的交界线在该灰度图像中家具上进行标出。
如图3所示,是同一场景下的家具物体在不同光照大小下对应的合并图像,可以看到不同光照下呈现出不同的灰度过渡的效果。
由于光源发出光亮,所以光源处的灰度值是最大的,合并图像中,最大的灰度值一定是224,并且出现224灰度值的区域要么是光源,要么是接受光照反射最明显的区域。最大灰度值示例图如下图4所示,其中的index项就代表该区域的灰度值大小,[X,Y]项则代表图像上像素点的位置,[R,G,B]项则代表图像上像素点的色彩值。
并且前述中提到的灰度值过渡效果如果体现在灰度值上,那么接受到光照的家具表面会有明显灰度过渡的两个区域,并且像素点的灰度值差值即为相邻比特层对应的灰度差值32。如图5所示,以可视下的灰度深浅进行描述,由浅至深灰度值依次减小,并且差值为。
因此考虑从每个光源本身周围像素点的表现以及光源照射范围内家具物体表面强光面与背光面的表现,来进行光源照射均匀性的量化,计算光源照射均匀性:
其中,表示第i个光源的照射均匀性,/>表示第i个光源所照射到的家具物体数量;/>表示合并图像中第i个光源所照射到的各个家具物体的强光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体的背光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体所包含的灰度值类别数;/>表示不同灰度值类别所在区域的宽度之间的方差,/>表示第i个光源的照明结果匹配程度。
关于需要进一步解释说明的是,参考图5,假设现有灰度值128、160、192所在的三个区域,那么这三个区域各自对应有本区域的宽度,而/>所求取的就是各个区域的宽度之间的方差。至于如何确定区域的宽度,则本实施例对其方法不做限制,作为其中一种示例,求取各个区域的宽度的方法为:确定当前灰度值类别所在区域的最小外接矩形,以当前灰度值类别所在区域的面积除以当前灰度值类别所在区域的最小外接矩形的长度值,得到当前灰度值类别所在区域的宽度。
对于一个光源,其发出光照照射到个家具物体后,每个家具物体因为光照照射的影响,存在强光面与背光面,强光面与背光面相比的占比越多,强光面的灰度过渡越均匀,强光面的灰度过渡均匀体现在灰度值分层越多(也即灰度值种类数越多)且不同灰度所在区域的宽度方差小,则表示强光面的灰度过度越均匀,说明该家具被光源照射的均匀性越大。
对用户家居环境中房间内的每个光源都进行该均匀性的量化并求得均值,即可以得到每个房间光照均匀性的大小,例如主卧的光照均匀性、客厅的光照均匀性等等。根据本申请所给出的光源照射均匀性的计算方法并求均值而得到的房间光照均匀性,可以更为准确地表征房间光照不均匀程度,从而在某个房间的光照均匀性较差情况下,指导用户对该房间的光照进行改善,如在家具位置固定的场景下可以尝试调整光源位置或者角度进行改善,或者考虑在家具周围增加额外的补光设备,以补充场景下的光照强度,使得环境亮度的排布更加均匀,提高对家具表面的照明效果。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像特征的环境亮度智能检测方法,其特征在于,包括以下步骤:
采集家居环境的光照图像;
确定光照图像中各个光源的光照强度以及面积,根据当前光源的光照强度以及当前光源的面积相较于所有光源的面积的相对大小,确定当前光源的相对光强系数;
根据当前光源的相对光强系数与当前光源所照射到的家具物体数量、家具物体面积之间的正相关程度,确定当前光源的照明结果匹配程度;
对光照图像进行比特分层,选取层数最高的设定数量的比特层合并得到合并图像,确定合并图像中当前光源所照射到的各个家具物体上强光面面积之和与背光面面积之和的比值,确定合并图像中当前光源所照射到的各个家具物体所包含的灰度值类别数,确定各个灰度值类别所在区域之间的过渡均匀性,根据所述比值、灰度值类别数、过渡均匀性、当前光源的照明结果匹配程度以及当前光源所照射到的家具物体数量,确定当前光源的照射均匀性,对各个光源的照射均匀性求均值,得到家居环境的整体照射均匀性。
2.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,确定光照图像中各个光源的光照强度的方法为:
对光照图像进行比特分层,选取层数最低的预设数量个比特层作为低比特层,确定每个低比特层上与光源位置对应的区域内像素值为255的像素点的统计数量,以各个低比特层对应的统计数量的均值作为光源的光照强度。
3.根据权利要求2所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述光源的光照强度为:
;/>表示家居环境光照图像中第i个光源的光照强度,/>表示第l个比特层中与第i个光源区域对应的区域范围内第j个像素点的像素值,[ ]表示艾弗森括号,括号内条件成立则结果为1,否则为0,L表示比特层个数,n表示第l个比特层中与第i个光源区域对应的区域范围内像素点个数。
4.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,确定光照图像中各个光源的面积的方法为:
对光照图像进行语义分割,确定光照图像中光源所在位置,从而确定光源的面积。
5.根据权利要求1~3任意一项所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述当前光源的相对光强系数为:
;其中,/>表示第i个光源的相对光强系数,/>表示家居环境光照图中第i个光源的光照强度,/>表示家居环境光照图像中第i个光源的面积,/>表示家居环境光照图像中所有光源的总面积。
6.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述当前光源的照明结果匹配程度为:
;其中,/>表示第i个光源的照明结果匹配程度,/>表示第i个光源的相对光强系数,/>表示第i个光源所照射到的家具物体数量;/>表示第i个光源所照射到的家具物体的总面积。
7.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述确定各个灰度值类别所在区域之间的过渡均匀性的方法为:
确定各个灰度值类别所在区域的宽度,以各个宽度的方差作为各个灰度值类别所在区域之间的过渡均匀性。
8.根据权利要求7所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述确定各个灰度值类别所在区域的宽度的方法为:
确定灰度值类别所在区域的最小外接矩形,以灰度值类别所在区域的面积与灰度值类别所在区域的最小外接矩形的长度值的比值,作为灰度值类别所在区域的宽度。
9.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述当前光源的照射均匀性为:
;其中,/>表示第i个光源的照射均匀性,/>表示第i个光源所照射到的家具物体数量;/>表示合并图像中第i个光源所照射到的各个家具物体的强光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体的背光面的面积之和;/>表示合并图像中第i个光源所照射到的各个家具物体所包含的灰度值类别数;表示不同灰度值类别所在区域的宽度之间的方差,/>表示第i个光源的照明结果匹配程度。
10.根据权利要求1所述的基于图像特征的环境亮度智能检测方法,其特征在于,所述光照图像是指家居环境中光源开启后采集到的家居环境的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473719.2A CN117197143B (zh) | 2023-11-08 | 2023-11-08 | 基于图像特征的环境亮度智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473719.2A CN117197143B (zh) | 2023-11-08 | 2023-11-08 | 基于图像特征的环境亮度智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197143A CN117197143A (zh) | 2023-12-08 |
CN117197143B true CN117197143B (zh) | 2024-02-02 |
Family
ID=88987334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473719.2A Active CN117197143B (zh) | 2023-11-08 | 2023-11-08 | 基于图像特征的环境亮度智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197143B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111609998A (zh) * | 2020-05-11 | 2020-09-01 | 歌尔股份有限公司 | 光照均匀性的检测方法、检测装置和可读存储介质 |
CN111898562A (zh) * | 2020-08-04 | 2020-11-06 | 中国地质大学(北京) | 一种智能柔性调控光源方法及*** |
CN113177935A (zh) * | 2021-05-21 | 2021-07-27 | 陕西利丰恒信生物科技发展有限公司 | 一种近红外光强均匀性检测方法、装置及计算机设备 |
CN115824595A (zh) * | 2023-02-13 | 2023-03-21 | 东莞市雅光机械有限公司 | 一种uv固化光源均匀性检测调整*** |
CN116309191A (zh) * | 2023-05-18 | 2023-06-23 | 山东恒昇源智能科技有限公司 | 基于图像增强的瓦斯巡检智能显示方法 |
CN116862810A (zh) * | 2023-07-27 | 2023-10-10 | 上海微创医疗机器人(集团)股份有限公司 | 亮度调节方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170124559A (ko) * | 2015-02-25 | 2017-11-10 | 페이스북, 인크. | 물체에 의해 반사된 광의 특성에 기반한 볼륨 내 물체의 식별 |
US10719125B2 (en) * | 2017-05-09 | 2020-07-21 | Microsoft Technology Licensing, Llc | Object and environment tracking via shared sensor |
-
2023
- 2023-11-08 CN CN202311473719.2A patent/CN117197143B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111609998A (zh) * | 2020-05-11 | 2020-09-01 | 歌尔股份有限公司 | 光照均匀性的检测方法、检测装置和可读存储介质 |
CN111898562A (zh) * | 2020-08-04 | 2020-11-06 | 中国地质大学(北京) | 一种智能柔性调控光源方法及*** |
CN113177935A (zh) * | 2021-05-21 | 2021-07-27 | 陕西利丰恒信生物科技发展有限公司 | 一种近红外光强均匀性检测方法、装置及计算机设备 |
CN115824595A (zh) * | 2023-02-13 | 2023-03-21 | 东莞市雅光机械有限公司 | 一种uv固化光源均匀性检测调整*** |
CN116309191A (zh) * | 2023-05-18 | 2023-06-23 | 山东恒昇源智能科技有限公司 | 基于图像增强的瓦斯巡检智能显示方法 |
CN116862810A (zh) * | 2023-07-27 | 2023-10-10 | 上海微创医疗机器人(集团)股份有限公司 | 亮度调节方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117197143A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378945B (zh) | 深度图处理方法、装置和电子设备 | |
TW201709724A (zh) | 用於判定一圖像之一深度圖的方法與設備 | |
CN109084350A (zh) | 一种具滤光功能视觉检测模块的油烟机及油烟浓度检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN101523897A (zh) | 具有降低噪声的电子图像捕获 | |
CN103810463A (zh) | 人脸识别装置及人脸图像检测方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN110062502B (zh) | 一种基于机器视觉的led照明灯具在线剩余寿命预测及可靠性评估方法 | |
CN106067177A (zh) | Hdr场景侦测方法和装置 | |
CN105812618B (zh) | 一种运动检测方法及运动检测装置 | |
CN111145138B (zh) | Led灯板的检测方法、装置、设备及存储介质 | |
CN111179362B (zh) | 一种基于动态光照校正算法的试纸颜色均匀性检测方法 | |
CN107045723A (zh) | 基于透射率动态检测的烟雾识别方法 | |
CN104766310B (zh) | 光源检测***和检测方法 | |
CN117252868B (zh) | 基于机器视觉的直流屏缺陷检测方法 | |
CN116703911B (zh) | 一种led灯生产质量检测*** | |
Ismail et al. | Development of a webcam based lux meter | |
CN117197143B (zh) | 基于图像特征的环境亮度智能检测方法 | |
CN113518182B (zh) | 一种基于树莓派的黄瓜表型特征测量方法 | |
CN109035225B (zh) | 一种汽车刹车片外观质量检验照明***设计质量评价方法 | |
CN111189840B (zh) | 近场均匀照明的纸病检测方法 | |
CN114049490A (zh) | 一种智能化职业卫生预警方法及*** | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN115861996B (zh) | 基于物联感知与ai神经网络的数据采集方法及*** | |
CN109661683B (zh) | 基于图像内容的投射结构光方法、深度检测方法及结构光投射装置 |
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 |