CN116958279A - 一种颜色分类方法、装置、电子设备及存储介质 - Google Patents
一种颜色分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116958279A CN116958279A CN202210351538.1A CN202210351538A CN116958279A CN 116958279 A CN116958279 A CN 116958279A CN 202210351538 A CN202210351538 A CN 202210351538A CN 116958279 A CN116958279 A CN 116958279A
- Authority
- CN
- China
- Prior art keywords
- color
- classified
- value
- determining
- similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000016776 visual perception Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- FDZZZRQASAIRJF-UHFFFAOYSA-M malachite green Chemical compound [Cl-].C1=CC(N(C)C)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](C)C)C=C1 FDZZZRQASAIRJF-UHFFFAOYSA-M 0.000 description 1
- 229940107698 malachite green Drugs 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本公开实施例公开了一种颜色分类方法、装置、电子设备及存储介质，该方法包括：根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；将所述初始类别下的子颜色类别作为各候选类别；根据所述待分类颜色在第二颜色空间下的第二颜色数值，与所述各候选类别在所述第二颜色空间下的第三颜色数值的相似度，从所述各候选类别中确定所述待分类颜色的目标类别。在保证颜色分类效果基础上，可解决训练成本高的问题。
Description
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种颜色分类方法、装置、电子设备及存储介质。
背景技术
颜色分类方法是指将给定的颜色数值映射到特定的离散的颜色类别的方法。例如，将红-绿-蓝(red-green-blue，RGB)颜色空间下的颜色数值映射到淡蓝色、深蓝色等颜色类别中去。
现有技术中，颜色分类方法通常为基于深度学习的颜色分类。现有技术的不足之处至少在于：庞大的颜色数值组合会导致深度学习过程中样本标注、模型训练耗费大量时间、人力资源，导致训练成本较高。
发明内容
本公开实施例提供了一种颜色分类方法、装置、电子设备及存储介质，在保证颜色分类效果基础上，可解决训练成本高的问题。
第一方面，本公开实施例提供了一种颜色分类方法，包括：
根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；
将所述初始类别下的子颜色类别作为各候选类别；
根据所述待分类颜色在第二颜色空间下的第二颜色数值，与所述各候选类别在所述第二颜色空间下的第三颜色数值的相似度，从所述各候选类别中确定所述待分类颜色的目标类别。
第二方面，本公开实施例还提供了一种颜色分类装置，包括：
第一分类模块，用于根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；
候选类别确定模块，用于将所述初始类别下的子颜色类别作为各候选类别；
第二分类模块，用于根据所述待分类颜色在第二颜色空间下的第二颜色数值，以及所述各候选类别在所述第二颜色空间下的第三颜色数值，从所述各候选类别中确定所述待分类颜色的目标类别。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的颜色分类方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的颜色分类方法。
本公开实施例的技术方案，根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度；将初始类别下的子颜色类别作为各候选类别；根据待分类颜色在第二颜色空间下的第二颜色数值，与各候选类别在第二颜色空间下的第三颜色数值的相似度，从各候选类别中确定待分类颜色的目标类别。
通过根据包含色调维度的颜色空间下的颜色数值进行初始分类，可保证待分类颜色与分类结果在视觉感知上的一致性；通过根据初始分类下的候选类别与待分类颜色在相同颜色空间下的颜色数值相似度，可得到准确的目标类别。该方法避免了现有深度学习过程中样本标注、模型训练的过程，可解决训练成本高的问题。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种颜色分类方法的流程示意图；
图2为本公开实施例一所提供的一种颜色分类方法的两级流程框图；
图3为本公开实施例二所提供的一种颜色分类方法的流程示意图；
图4为本公开实施例三所提供的一种颜色分类装置的结构示意图；
图5为本公开实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种颜色分类方法的流程示意图。本公开实施例适用于对图像中颜色进行分类的情形。该方法可以由颜色分类装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于计算机中。
如图1所示，本实施例提供的颜色分类方法，包括：
S110、根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度。
本实施例中，待分类颜色可以是从待处理图像中提取的像素颜色，且待处理图像可以为实时采集的图像，也可以为预先存储的图像等。待分类颜色在不同的颜色空间下，可以采用具有不同维度的颜色数值来表述。而第一颜色数值，可认为是待分类颜色在第一颜色空间下的颜色数值。
色调(Hue)对于颜色表达非常重要，包含色调维度的第一颜色空间可以是色调-饱和度-明度(Hue-Saturation-Value，HSV)颜色空间，或者可以是色调-饱和度-亮度(Hue-Saturation-Lightness，HSL)颜色空间等，在此不做穷举。由于第一颜色空间下可以将颜色划分为色调、饱和度、明度/亮度等维度，相较于红-绿-蓝(Red-Green-Blue，RGB)等将色调混合起来描述的颜色空间，可以将颜色以更加自然直观的、符合人类色彩感知的方式表述出来。
其中，待分类颜色所属的初始类别，可以认为是待分类颜色的粗分类，即待分类颜色所处的色域，例如可以为红色、绿色、黄色或蓝色等。而后文中公开的待分类颜色的目标类别，可以认为是待分类颜色的细分类，例如可以包括桃红色、玫红色、豆绿色、孔雀绿色、鹅黄色、橘黄色、淡蓝色或深蓝色等。可以理解为，待分类颜色的目标类别为其初始类别的子颜色类别。示例性的，待分类颜色的初始类别可以为“蓝色”，目标类别可以为“淡蓝色”，且“淡蓝色”类别可认为是“蓝色”类别的子颜色类别。
初始分类的确定方式可以为，根据第一颜色数值中的色调维度的数值，或者根据第一颜色数值中色调维度以及其他至少一个维度的数值，来确定待分类颜色的初始类别。
在一些可选的实现方式中，根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别，可以包括：从与第一颜色空间的各维度对应的预设数值范围中，确定第一颜色数值中各维度数值所属的目标数值范围；根据第一颜色数值中各维度数值所属的目标数值范围，确定待分类颜色所属的初始类别。
其中，可以预先设置第一颜色空间下每个维度对应的至少一个预设数值范围；还可以预先设置各维度对应的预设数值范围的不同范围组合，与初始类别的对应关系，即范围组合-初始类别的对应关系。
在确定初始类别过程中，可以针对第一颜色空间的每个维度，从对应的预设数值范围中，选择出包含第一颜色数值中对应维度数值的数值范围，该数值范围即可认为是第一颜色数值中对应维度数值所属的目标数值范围。在确定第一颜色数值中各维度数值所属的目标数值范围后，可以根据预先设置的范围组合-初始类别的对应关系，确定与各目标数值范围的组合对应的初始类别，即确定了待分类颜色所属的初始类别。
示例性的，假设待分类颜色在HSV下的第一颜色数值，其H维度数值所属的目标数值范围为[115,125]，S维度数值所属的目标数值范围为[50,90]，V维度数值所属的目标数值范围为[100,255]，那么可以根据预先设置的范围组合-初始类别的对应关系，确定该三个目标数值范围的组合对应的初始类别为“紫色”类别，即待分类颜色所属的初始类别为“紫色”类别。
在这些可选的实现方式中，可以实现根据第一颜色数值中各维度数值所属的目标数值范围，确定初始类别。
S120、将初始类别下的子颜色类别作为各候选类别。
其中，可以预先设置每个初始类别对应的至少一个子颜色类别。在确定待分类颜色的初始类别后，可以将同属于该初始类别的各子颜色类别，作为各候选类别。在一些实现方式中，可以由各候选类别构成候选池，以便于从候选池中提取各候选类别与待分类颜色进行相似度计算。
通过基于包含色调维度的第一颜色空间下的颜色数值，确定初始类别，可以将不属于同一色域的其他类别全部排除，从而有利于保证颜色分类结果与人类视觉感知的一致性。
S130、根据待分类颜色在第二颜色空间下的第二颜色数值，与各候选类别在第二颜色空间下的第三颜色数值的相似度，从各候选类别中确定待分类颜色的目标类别。
其中，第二颜色空间可以与第一颜色空间相同，也可以不同。并且，第二颜色空间可以包括下述至少一种：红-绿-蓝(RGB)颜色空间、色调-饱和度-明度(HSV)颜色空间、色调-饱和度-亮度(HSL)颜色空间和Lab颜色空间等。其中，第二颜色数值可认为是待分类颜色在第二颜色空间下的颜色数值，第三颜色数值可以指各候选类别在第二颜色空间下的颜色数值。
可以根据第二颜色数值和各第三颜色数值中每个维度的维度数值差值，确定第二颜色数值与各第三颜色数值的相似度，其中每个维度的维度数值差值与相似度可呈反相关的关系。该相似度可以表征待分类颜色与各候选类别的相似度，进而可以将相似度最高的候选类别作为目标类别。
通过从属于同一初始类别的各候选类别中，根据颜色数值度量出待分类颜色的目标类别，即可以保证度量结果与待分类颜色在视觉感知上的一致性，也避免了深度学习过程中样本标注、模型训练，解决了训练成本高的问题。
在一些可选的实现方式中，相似度基于下述步骤确定：根据第二颜色数值和各第三颜色数值之间的欧氏距离，确定第二颜色数值与各第三颜色数值的相似度。其中，欧式距离越小可认为待分类颜色与候选类别越相似，相似度越大。
此外，也可以根据第二颜色数值和各第三颜色数值之间的欧式距离、曼哈顿距离、切比雪夫距离和马氏距离中的至少一种距离，第二颜色数值与各第三颜色数值的相似度。并且，当距离的种类包括两种及以上时，还可以根据经验值或实验值为各种类的距离设置不同的权重，以提高相似度的准确率。且加权后的距离越小，可认为待分类颜色与候选类别越相似。
在一些进一步的实现方式中，根据第二颜色数值和各第三颜色数值之间的欧氏距离，确定第二颜色数值与各第三颜色数值的相似度，包括：将第二颜色数值和各第三颜色数值之间的欧氏距离进行归一化处理，并根据归一化处理结果确定第二颜色数值与各第三颜色数值的相似度。
在这些可选的实现方式中，通过将欧氏距离进行归一化，有利于实现不同第二颜色空间下的统一颜色度量。此外，当距离的种类包括两种及以上时，也可以将各种类距离皆进行归一化处理，可利于实现不同种类距离的统一颜色度量。通过将第二颜色数值和各第三颜色数值之间的距离进行归一化，可提高颜色分类方法的普适性。
在一些可选的实现方式中，在根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别之前，还可以包括：获取待分类颜色的颜色数值，确定获取的颜色数值的第三颜色空间；若第三颜色空间不属于第一颜色空间，则将获取的颜色数值转换至第一颜色空间下。
在这些可选的实现方式中，可以根据获取的颜色数值中各维度表征的含义，确定获取的颜色数值的第三颜色空间。若第三颜色空间中包含色调维度，则可以认为第三颜色空间属于第一颜色空间，此时获取的颜色数值即可认为是第一颜色数值。若第三颜色空间中不包含色调维度，则可以认为第三颜色空间不属于第一颜色空间，此时可以根据颜色空间之间的转换关系，将获取的颜色数值转换至第一颜色空间下，得到第一颜色数值。从而可以为识别待分类颜色的初始类别奠定基础。
示例性的，图2为本公开实施例一所提供的一种颜色分类方法的两级流程框图。参见图2，假设获取的待分类颜色的颜色数值，为RGB颜色空间下的颜色数值，则可以通过颜色空间转换得到第一颜色数值。
在确定第一颜色数值后，可以进行第一级的颜色粗分类，例如可以包括：先根据第一颜色数值中各维度数值所属的目标数值范围，确定待分类颜色所属的初始类别；再将该初始类别下的子颜色类别作为各候选类别。
在确定各候选类别后，可以进行第二级的颜色细分类，例如可以包括：先根据第二颜色数值和各第三颜色数值中每个维度的维度数值差值，确定第二颜色数值与各第三颜色数值的相似度；再根据相似度确定待分类颜色的目标类别。
通过将颜色分类问题转化为两级分类问题，可以构造两级模型结构。其中，第一级结构可以粗筛出候选类别，第二级结构可通过距离度量得到待分类颜色的目标类别。该颜色分类方法既不需要复杂的数据标注和模型训练，也不需要严重依赖颜色距离度量算法的性能。
本公开实施例的技术方案，根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度；将初始类别下的子颜色类别作为各候选类别；根据待分类颜色在第二颜色空间下的第二颜色数值，与各候选类别在第二颜色空间下的第三颜色数值的相似度，从各候选类别中确定待分类颜色的目标类别。
通过根据包含色调维度的颜色空间下的颜色数值进行初始分类，可保证待分类颜色与分类结果在视觉感知上的一致性；通过根据初始分类下的候选类别与待分类颜色在相同颜色空间下的颜色数值相似度，可得到准确的目标类别。该方法避免了现有深度学习过程中样本标注、模型训练的过程，可解决训练成本高的问题。
实施例二
本公开实施例与上述实施例中所提供的颜色分类方法中各个可选方案可以结合。本实施例所提供的颜色分类方法，对第二颜色空间为至少两种的情况下，对目标类别的确定步骤进行了详细描述。通过根据不同第二颜色空间下待分类颜色和各候选类别的相似度进行协同度量，可以进一步提高颜色分类的准确度。
图3为本公开实施例二所提供的一种颜色分类方法的流程示意图。如图3所示，在一些可选的实现方式中，第二颜色空间可以包括至少两种，相应的颜色分类方法，可以包括：
S310、根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度。
S320、将初始类别下的子颜色类别作为各候选类别。
S330、确定同种第二颜色空间下第二颜色数值与各第三颜色数值的第一相似度；其中，第二颜色数值可认为是待分类颜色在第二颜色空间下的颜色数值，第三颜色数值可以指各候选类别在第二颜色空间下的颜色数值。
示例性的，假设待分类颜色a对应的候选类别包括，候选类别b和候选类别c；第二颜色空间包括RGB颜色空间、HSV颜色空间和Lab颜色空间。待分类颜色a在RGB颜色空间、HSV颜色空间和Lab颜色空间下的第二颜色数值，可分别表示为aR、aH和aL；候选类别b在RGB颜色空间、HSV颜色空间和Lab颜色空间下的第三颜色数值，可分别表示为bR、bH和bL；候选类别c在RGB颜色空间、HSV颜色空间和Lab颜色空间下的第三颜色数值，可分别表示为cR、cH和cL。
那么，确定同种第二颜色空间下第二颜色数值和各第三颜色数值的第一相似度，可以包括：针对RGB颜色空间，确定aR和bR的第一相似度以及确定aR和cR的第一相似度/>针对HSV颜色空间，确定aH和bH的第一相似度/>以及确定aH和cH的第一相似度/>针对Lab颜色空间，确定aL和bL的第一相似度/>以及确定aL和cL的第一相似度/>
其中，可以根据第二颜色数值和各第三颜色数值之间的欧氏距离，确定第二颜色数值与各第三颜色数值的相似度。并且，可以在确定欧氏距离后可对其进行归一化处理，以实现不同第二颜色空间下的统一颜色度量。
S340、将各第一相似度按对应的候选类别分组，并根据各组内的第一相似度，确定待分类颜色和各组对应的候选类别的第二相似度。
参考步骤S330的示例，将各第一相似度按对应的候选类别分组，可以包括：将第一相似度和/>按对应的候选类别b划分为组1；将第一相似度和/>按对应的候选类别c划分为组2。
相应的，根据各组内的第一相似度，确定待分类颜色和各组对应的候选类别的第二相似度，可以包括：针对组1，可根据组内的和/>确定待分类颜色a和候选类别b的第二相似度Sab；针对组2，可根据组内的/>和/>确定待分类颜色a和候选类别c的第二相似度Sac。
在一些可选的实现方式中，根据各组内的第一相似度，确定待分类颜色和各组对应的候选类别的第二相似度，可以包括：根据各组内的第一相似度对应的第二颜色空间，确定各组内的第一相似度的权重；根据权重对各组内的第一相似度进行加权，得到待分类颜色和各组对应的候选类别的第二相似度。
参考步骤S340的示例，根据各组内的第一相似度对应的第二颜色空间，确定各组内的第一相似度的权重，可以包括：组1内的和/>对应的第二颜色空间分别为RGB颜色空间、HSV颜色空间和Lab颜色空间。由于该三个颜色空间在进行颜色度量时，对分类结果的影响大小可能不同，可以根据各颜色空间的重要程度，分别设置对应和/>的权重。同理，可分别设置组2内对应的/>和/>的权重。
其中，相同颜色空间对应的第一相似度的权重值通常相同。即和/>的权重值通常相同，/>和/>的权重值通常相同，/>和/>的权重值通常相同。其中，不同颜色空间对应的第一相似度的权重，可以根据经验值或实验值进行设置，例如RGB颜色空间对应的第一相似度的权重可以为0.3，HSV颜色空间对应的第一相似度的权重可以为0.1，Lab颜色空间对应的第一相似度的权重可以为0.6。
在这些可选的实现方式中，在确定每组内各第一相似度权重后，可根据权重对各组内的第一相似度进行加权，得到待分类颜色和各组对应的候选类别的第二相似度。
此外，还可以根据各组内的第一相似度的最大值、最小值、中位值等其他方式确定第二相似度，在此不做穷举。
S350、根据各第二相似度，从各候选类别中确定待分类颜色的目标类别。
在确定待分类颜色和各组对应的候选类别的第二相似度后，可以将最大的第二相似度对应的候选类别，作为待分类颜色的目标类别。
本公开实施例的技术方案，对第二颜色空间为至少两种的情况下，对目标类别的确定步骤进行了详细描述。通过根据不同第二颜色空间下待分类颜色和各候选类别的相似度进行协同度量，可以进一步提高颜色分类的准确度。此外，本公开实施例提供的颜色分类方法与上述实施例提供的颜色分类方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例三
图4为本公开实施例三所提供的一种颜色分类装置的结构示意图。本实施例提供的颜色分类装置适用于对图像中颜色进行分类的情形。
如图4所示，本公开实施例提供的颜色分类装置，可以包括：
第一分类模块410，用于根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度；
候选类别确定模块420，用于将初始类别下的子颜色类别作为各候选类别；
第二分类模块430，用于根据待分类颜色在第二颜色空间下的第二颜色数值，以及各候选类别在第二颜色空间下的第三颜色数值，从各候选类别中确定待分类颜色的目标类别
在一些可选的实现方式中，颜色分类装置，还可以包括：
转换模块，用于在根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别之前，获取待分类颜色的颜色数值，确定获取的颜色数值的第三颜色空间；
若第三颜色空间不属于第一颜色空间，则将获取的颜色数值转换至第一颜色空间下。
在一些可选的实现方式中，第一分类模块，可以用于：
从与第一颜色空间的各维度对应的预设数值范围中，确定第一颜色数值中各维度数值所属的目标数值范围；
根据第一颜色数值中各维度数值所属的目标数值范围，确定待分类颜色所属的初始类别。
在一些可选的实现方式中，第二分类模块可以基于下述步骤确定相似度：
根据第二颜色数值和各第三颜色数值之间的欧氏距离，确定第二颜色数值与各第三颜色数值的相似度。
在一些可选的实现方式中，第二分类模块，可以用于：
将第二颜色数值和各第三颜色数值之间的欧氏距离进行归一化处理，并根据归一化处理结果确定第二颜色数值与各第三颜色数值的相似度。
在一些可选的实现方式中，若第二颜色空间包括至少两种，则第二分类模块可以基于下述步骤确定目标类别：
确定同种第二颜色空间下第二颜色数值与各第三颜色数值的第一相似度；
将各第一相似度按对应的候选类别分组，并根据各组内的第一相似度，确定待分类颜色和各组对应的候选类别的第二相似度；
根据各第二相似度，从各候选类别中确定待分类颜色的目标类别。
在一些可选的实现方式中，第二分类模块可以用于：
根据各组内的第一相似度对应的第二颜色空间，确定各组内的第一相似度的权重；
根据权重对各组内的第一相似度进行加权，得到待分类颜色和各组对应的候选类别的第二相似度。
在一些可选的实现方式中，第二颜色空间包括下述至少一种：红-绿-蓝颜色空间、色调-饱和度-明度颜色空间、色调-饱和度-亮度颜色空间和Lab颜色空间。
本公开实施例所提供的颜色分类装置，可执行本公开任意实施例所提供的颜色分类方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例四
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从存储装置506加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置506被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的颜色分类方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的颜色分类方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例五
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的颜色分类方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
根据待分类颜色在第一颜色空间下的第一颜色数值，确定待分类颜色所属的初始类别；第一颜色空间包含色调维度；将初始类别下的子颜色类别作为各候选类别；根据待分类颜色在第二颜色空间下的第二颜色数值，与各候选类别在第二颜色空间下的第三颜色数值的相似度，从各候选类别中确定待分类颜色的目标类别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种颜色分类方法，该方法包括：
根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；
将所述初始类别下的子颜色类别作为各候选类别；
根据所述待分类颜色在第二颜色空间下的第二颜色数值，与所述各候选类别在所述第二颜色空间下的第三颜色数值的相似度，从所述各候选类别中确定所述待分类颜色的目标类别。
根据本公开的一个或多个实施例，【示例二】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，在所述根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别之前，还包括：
获取所述待分类颜色的颜色数值，确定获取的颜色数值的第三颜色空间；
若所述第三颜色空间不属于所述第一颜色空间，则将所述获取的颜色数值转换至所述第一颜色空间下。
根据本公开的一个或多个实施例，【示例三】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，所述根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别，包括：
从与所述第一颜色空间的各维度对应的预设数值范围中，确定所述第一颜色数值中各维度数值所属的目标数值范围；
根据所述第一颜色数值中各维度数值所属的目标数值范围，确定所述待分类颜色所属的初始类别。
根据本公开的一个或多个实施例，【示例四】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，所述相似度基于下述步骤确定：
根据所述第二颜色数值和各所述第三颜色数值之间的欧氏距离，确定所述第二颜色数值与各所述第三颜色数值的相似度。
根据本公开的一个或多个实施例，【示例五】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，根据所述第二颜色数值和各所述第三颜色数值之间的欧氏距离，确定所述第二颜色数值与各所述第三颜色数值的相似度，包括：
将所述第二颜色数值和各所述第三颜色数值之间的欧氏距离进行归一化处理，并根据归一化处理结果确定所述第二颜色数值与各所述第三颜色数值的相似度。
根据本公开的一个或多个实施例，【示例六】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，若所述第二颜色空间包括至少两种，则所述目标类别基于下述步骤确定：
确定同种第二颜色空间下所述第二颜色数值与各所述第三颜色数值的第一相似度；
将各所述第一相似度按对应的候选类别分组，并根据各组内的第一相似度，确定所述待分类颜色和各组对应的候选类别的第二相似度；
根据各所述第二相似度，从所述各候选类别中确定所述待分类颜色的目标类别。
根据本公开的一个或多个实施例，【示例七】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，所述根据各组内的第一相似度，确定所述待分类颜色和各组对应的候选类别的第二相似度，包括：
根据各组内的第一相似度对应的第二颜色空间，确定各组内的第一相似度的权重；
根据所述权重对各组内的第一相似度进行加权，得到所述待分类颜色和各组对应的候选类别的第二相似度。
根据本公开的一个或多个实施例，【示例八】提供了一种颜色分类方法，还包括：
在一些可选的实现方式中，所述第二颜色空间包括下述至少一种：红-绿-蓝颜色空间、色调-饱和度-明度颜色空间、色调-饱和度-亮度颜色空间和Lab颜色空间。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种颜色分类方法，其特征在于，包括：
根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；
将所述初始类别下的子颜色类别作为各候选类别；
根据所述待分类颜色在第二颜色空间下的第二颜色数值，与所述各候选类别在所述第二颜色空间下的第三颜色数值的相似度，从所述各候选类别中确定所述待分类颜色的目标类别。
2.根据权利要求1所述的方法，其特征在于，在所述根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别之前，还包括：
获取所述待分类颜色的颜色数值，确定获取的颜色数值的第三颜色空间；
若所述第三颜色空间不属于所述第一颜色空间，则将所述获取的颜色数值转换至所述第一颜色空间下。
3.根据权利要求1所述的方法，其特征在于，所述根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别，包括：
从与所述第一颜色空间的各维度对应的预设数值范围中，确定所述第一颜色数值中各维度数值所属的目标数值范围；
根据所述第一颜色数值中各维度数值所属的目标数值范围，确定所述待分类颜色所属的初始类别。
4.根据权利要求1所述的方法，其特征在于，所述相似度基于下述步骤确定：
根据所述第二颜色数值和各所述第三颜色数值之间的欧氏距离，确定所述第二颜色数值与各所述第三颜色数值的相似度。
5.根据权利要求4所述的方法，其特征在于，根据所述第二颜色数值和各所述第三颜色数值之间的欧氏距离，确定所述第二颜色数值与各所述第三颜色数值的相似度，包括：
将所述第二颜色数值和各所述第三颜色数值之间的欧氏距离进行归一化处理，并根据归一化处理结果确定所述第二颜色数值与各所述第三颜色数值的相似度。
6.根据权利要求1所述的方法，其特征在于，若所述第二颜色空间包括至少两种，则所述目标类别基于下述步骤确定：
确定同种第二颜色空间下所述第二颜色数值与各所述第三颜色数值的第一相似度；
将各所述第一相似度按对应的候选类别分组，并根据各组内的第一相似度，确定所述待分类颜色和各组对应的候选类别的第二相似度；
根据各所述第二相似度，从所述各候选类别中确定所述待分类颜色的目标类别。
7.根据权利要求6所述的方法，其特征在于，所述根据各组内的第一相似度，确定所述待分类颜色和各组对应的候选类别的第二相似度，包括：
根据各组内的第一相似度对应的第二颜色空间，确定各组内的第一相似度的权重；
根据所述权重对各组内的第一相似度进行加权，得到所述待分类颜色和各组对应的候选类别的第二相似度。
8.根据权利要求1-7中任一所述的方法，其特征在于，所述第二颜色空间包括下述至少一种：红-绿-蓝颜色空间、色调-饱和度-明度颜色空间、色调-饱和度-亮度颜色空间和Lab颜色空间。
9.一种颜色分类装置，其特征在于，包括：
第一分类模块，用于根据待分类颜色在第一颜色空间下的第一颜色数值，确定所述待分类颜色所属的初始类别；所述第一颜色空间包含色调维度；
候选类别确定模块，用于将所述初始类别下的子颜色类别作为各候选类别；
第二分类模块，用于根据所述待分类颜色在第二颜色空间下的第二颜色数值，以及所述各候选类别在所述第二颜色空间下的第三颜色数值，从所述各候选类别中确定所述待分类颜色的目标类别。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的颜色分类方法。
11.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的颜色分类方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351538.1A CN116958279A (zh) | 2022-04-02 | 2022-04-02 | 一种颜色分类方法、装置、电子设备及存储介质 |
| PCT/SG2023/050191 WO2023191714A2 (zh) | 2022-04-02 | 2023-03-23 | 颜色分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351538.1A CN116958279A (zh) | 2022-04-02 | 2022-04-02 | 一种颜色分类方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116958279A true CN116958279A (zh) | 2023-10-27 |
Family
ID=88203628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210351538.1A Pending CN116958279A (zh) | 2022-04-02 | 2022-04-02 | 一种颜色分类方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116958279A (zh) |
| WO (1) | WO2023191714A2 (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2063393B1 (en) * | 2006-06-29 | 2013-01-16 | Fujitsu Ltd. | Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium |
| CN109460710A (zh) * | 2018-10-12 | 2019-03-12 | 北京中科慧眼科技有限公司 | 一种颜色分类识别方法、装置及自动驾驶系统 |
| CN109741380B (zh) * | 2018-12-27 | 2021-09-14 | 广州华迅网络科技有限公司 | 纺织品图片快速匹配方法和装置 |
| CN110349097B (zh) * | 2019-06-17 | 2021-06-25 | 苏州华星光电技术有限公司 | 图像显着性的色彩增强方法及图像处理装置 |
| CN110377860B (zh) * | 2019-07-18 | 2023-08-25 | 百度(中国)有限公司 | 一种页面颜色调整方法、装置及电子设备 |
| US11302033B2 (en) * | 2019-07-22 | 2022-04-12 | Adobe Inc. | Classifying colors of objects in digital images |
-
2022
- 2022-04-02 CN CN202210351538.1A patent/CN116958279A/zh active Pending
-
2023
- 2023-03-23 WO PCT/SG2023/050191 patent/WO2023191714A2/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023191714A2 (zh) | 2023-10-05 |
| WO2023191714A3 (zh) | 2023-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN112241714B (zh) | 图像中指定区域的识别方法、装置、可读介质和电子设备 | |
| CN110865862B (zh) | 一种页面背景设置方法、装置及电子设备 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN114494298A (zh) | 对象分割方法、装置、设备及存储介质 | |
| CN112001373A (zh) | 一种物品识别方法、装置及存储介质 | |
| CN117215646A (zh) | 一种浮点运算方法、处理器、电子设备及存储介质 | |
| CN111369431A (zh) | 图像的处理方法、装置、可读介质和电子设备 | |
| CN112257598B (zh) | 图像中四边形的识别方法、装置、可读介质和电子设备 | |
| CN111339315B (zh) | 知识图谱构建方法、系统、计算机可读介质和电子设备 | |
| CN112801997B (zh) | 图像增强质量评估方法、装置、电子设备及存储介质 | |
| CN116958279A (zh) | 一种颜色分类方法、装置、电子设备及存储介质 | |
| CN112132000B (zh) | 一种活体检测方法、装置、计算机可读介质及电子设备 | |
| CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
| CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| WO2022052889A1 (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN113780148A (zh) | 交通标志图像识别模型训练方法和交通标志图像识别方法 | |
| CN114820484A (zh) | 页面的检测方法、装置、设备及介质 | |
| US10311577B1 (en) | Techniques to improve edge detection for images | |
| CN114022931A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN108600746B (zh) | 彩色图像视觉失色的检测方法、系统及装置 | |
| CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
| CN117173196A (zh) | 一种对象颜色的估计方法、装置、电子设备及存储介质 | |
| CN113672675B (zh) | 数据检测方法、装置和电子设备 | |
| CN109977734B (zh) | 图像处理方法和装置 |
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 |