图片颜色识别方法和系统与流程

本发明涉及图像处理技术领域，特别是涉及一种图片颜色识别方法和系统。

背景技术：

在视频监控或者其他需要进行图片辨认的过程中，往往需要对目标图片(目标画面)的颜色进行识别，以实现对相应图片的辨认。

传统方案通常将上述目标图片转换至某一颜色空间，通过获取目标图片中各个像素点在该颜色空间各颜色通道对应的通道值，根据上述各个像素点对应的颜色通道值识别目标图片的颜色。然而对于较为模糊的图片，利用上述方法进行相应的颜色识别，存在准确率低的缺陷。

技术实现要素：

基于此，有必要针对对于较为模糊的图片，利用传统方法进行颜色识别，准确率低的技术问题，提供一种图片颜色识别方法和系统。

一种图片颜色识别方法，包括如下步骤：

将目标图片转换至设定的颜色空间，获取目标图片的各个像素点在所述颜色空间中各个颜色通道的通道取值；

根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点；

分别确定各类别的像素点的颜色，根据像素点的颜色识别目标图片的颜色。

一种图片颜色识别系统，包括：

获取模块，用于将目标图片转换至设定的颜色空间，获取目标图片的各个像素点在所述颜色空间中各个颜色通道的通道取值；

聚类模块，用于根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点；

识别模块，用于分别确定各类别的像素点的颜色，根据像素点的颜色识别目标图片的颜色。

上述图片颜色识别方法和系统，可以将目标图片转换至设定的颜色空间后，根据各个像素点在该颜色空间对应的通道取值进行聚类，以得到多类相似度极高的像素点，再对上述各类相似度较高的像素点进行颜色识别，以确定目标图片的颜色，其可以对模糊图片进行清楚、准确的颜色识别，有效提高了图片颜色识别的精度。

附图说明

图1为一个实施例的图片颜色识别方法流程图；

图2为一个实施例的BP网络训练过程示意图；

图3为一个实施例的视频监控图像；

图4为一个实施例的聚类后子图像像素点示意图；

图5为一个实施例的图片颜色识别系统结构示意图。

具体实施方式

下面结合附图对本发明的图片颜色识别方法和系统的具体实施方式作详细描述。

参考图1，图1所示为一个实施例的触摸图形宽度的检测方法流程图，包括如下步骤：

S10，将目标图片转换至设定的颜色空间，获取目标图片的各个像素点在所述颜色空间中各个颜色通道的通道取值；

上述设定的颜色空间可以包括Lab颜色空间。Lab颜色空间包括三个颜色通道L通道、a通道和b通道；L通道用于表示像素的亮度，取值范围是[0,100]，表示从纯黑到纯白；a通道从红色到绿色的范围，取值范围是[-128,127]；b通道表示从黄色到蓝色的范围，取值范围是[-128,127]。

将目标图片转换至Lab颜色空间，分别获取目标图片各个像素点的L通道取值、a通道取值和b通道取值，可以对上述像素点的亮度信息和颜色信息进行充分获取。

S20，根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点；

上述颜色聚类中心为在相应颜色空间预先设置的，可以设置为5个颜色聚类中心，上述5个颜色聚类中心在相应颜色空间分别对应不同的颜色通道值。上述隶属度表示像素点属于颜色聚类中心的程度。某个像素点相对于各个颜色聚类中心均存在对应的隶属度，进行聚类后，像素点属于其隶属度最大值对应的颜色聚类中心的类别。一个像素点分别属于各个颜色聚类中心的隶属度之和为1，即其中，n为像素点个数。

S30，分别确定各类别的像素点的颜色，根据像素点的颜色识别目标图片的颜色。

上述步骤可以将各类别的像素点分别转换至HSV颜色空间，获取各个像素点在HSV颜色空间中的H通道取值、S通道取值和V通道取值。再将像素点的H通道取值、S通道取值和V通道取值代入训练BP网络(back-propagation，误差反向传播)进行上述像素点的颜色识别，以提高所识别的颜色的准确性。

本实施例提供的图片颜色识别方法，可以将目标图片转换至设定的颜色空间后，根据各个像素点在该颜色空间对应的通道取值进行聚类，以得到多类相似度极高的像素点，再对上述各类相似度较高的像素点进行颜色识别，以确定目标图片的颜色，其可以对模糊图片进行清楚、准确的颜色识别，有效提高了图片颜色识别的精度。

在一个实施例中，上述在根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点的步骤前还可以包括：

读取目标图片的颜色种类，根据所述颜色种类设置多个颜色聚类中心；其中，各个颜色聚类中心在所述颜色空间中存在不同通道取值。

上述颜色聚类中心对应的颜色可以设置为目标图片所对应的各个代表颜色，颜色聚类中心在相应颜色空间对应的通道取值即为目标图片中各个代表颜色对应的通道取值。比如，可以将上述Lab颜色空间的三个颜色通道进行归一化等变换处理，将各个颜色通道的通道取值分别变换至数值区间[0,255]内，再将上述颜色聚类中心对应的通道取值分别设置为cn1(0,0,255)，cn2(0,255,0)，cn3(100,100,100)，cn4(100,0,255)，cn5(100,255,255)。

在一个实施例中，上述根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点的步骤可以包括：

计算第j个像素点与第i个颜色聚类中心之间的d_ij，其中，所述d_ij＝||c_i-x_j||，c_i为第i个颜色聚类中心在颜色空间各通道的通道取值，x_j为第j个像素点在颜色空间各通道的通道取值，d_ij为欧几里德距离，即第j个像素点与第i个颜色聚类中心之间的；上述||c_i-x_j||表示求c_i-x_j的模值；

根据d_ij计算第j个像素点与第i个颜色聚类中心之间的隶属度u_ij，其中，c为颜色聚类中心数，m为加权指数；上述加权指数m可以设置为数值区间[1,∞)中的任一值，即m∈[1,∞)；

根据d_ij和u_ij判断目标函数是否满足约束条件；

若是，将u_ij代入聚类中心更新公式更新聚类中心，所述聚类中心更新公式为n为目标图片的像素点总数；

分别计算所述像素点与各个聚类中心之间的隶属度；

将所述像素点判定为最大隶属度对应的颜色聚类中心对应的类别。

上述x_j为第j个像素点在相应颜色空间各通道的通道取值，其包括三个颜色通道取值。比如，若上述颜色空间为Lab颜色空间，则x_j可以为(L_x,a_x,b_x)，同样，上述颜色空间为Lab颜色空间时，c_i可以为(L_c,a_c,b_c)。

作为一个实施例，根据d_ij和u_ij判断目标函数是否满足约束条件的过程可以包括：

根据d_ij和u_ij计算目标函数的目标值，所述目标函数为

判断所述目标值是否小于第一预设阈值；

若是，则判定目标函数满足约束条件。

上述第一预设阈值可以根据加权指数m进行设置，比如设置为1或者1.5等值。

在一个实施例中，上述根据d_ij和u_ij判断目标函数是否满足约束条件的步骤后还可以包括：

a、若目标函数不满足约束条件，则将u_ij代入聚类中心更新公式更新聚类中心，所述聚类中心更新公式为

b、计算第i个像素点与更新后的第j个颜色聚类中心之间的欧几里德距离d_ij‘；

c、根据d_ij‘计算第i个像素点与更新后的第j个颜色聚类中心之间的隶属度u_ij‘；

d、根据d_ij‘和u_ij‘判断目标函数是否满足约束条件；

e、若否，则进入步骤a，直至目标函数满足约束条件。

本实施例中，在目标函数不满足约束条件，即目标图片中的像素点实现准确充分聚类时，对颜色聚类中心进行更新，根据更新后的颜色聚类中心确定像素点至各个颜色聚类中心的d_ij‘和u_ij‘，直至目标函数满足约束条件，使各个像素点实现精准聚类，以保证像素点聚类的准确性，从而保证了后续目标图片颜色识别的准确性。

作为一个实施例，上述根据d_ij和u_ij判断目标函数是否满足约束条件的过程可以包括：

根据d_ij和u_ij计算目标函数的目标值，所述目标函数为

计算所述目标值与目标函数取前一组d_ij和u_ij时的前目标值之间的目标差值，判断所述目标差值是否小于第二预设阈值；

若是，则判定目标函数满足约束条件。

上述前一组d_ij和u_ij为最近一次聚类之前的d_ij和u_ij。上述第二预设阈值可以根据加权指数m进行设置，比如设置为0.1或者0.2等值。目标差值是小于第二预设阈值，表明当前聚类已达到最优聚类，可以依据上述聚类结果进行相应颜色识别。

在一个实施例中，上述分别确定各类别的像素点的颜色的过程可以包括：

将任一类像素点中的各个像素点对应的通道取值代入颜色识别公式计算所述像素点的颜色识别值，所述颜色识别公式为x_i为第i个像素点对应的通道取值，W_ij为BP网络输入层到隐含层的权重系数，W_jk为BP网络隐含层到输出层的权重系数，函数

在所选择的一类像素点中，获取取值频率最高的y_i值，根据取值频率最高的y_i值对应的颜色确定该类像素点的颜色。

本实施例中，上述颜色识别公式为基于BP网络的颜色识别公式，将部分像素点代入上述BP网络进行训练识别的过程可以如图2所示，参考图2，将x_i(如图中x₁、x₂或者x₃等)输入BP网络，经过其输入层、隐含层以及输出层及其对应的颜色识别公式的处理后，可以输出各个x_i对应的y_i(如图中y₁、y₂或者y₃等)。上述W_ij和W_jk可以在相应训练好的BP网络进行读取。各个y_i值在相应的颜色空间均对应一个颜色通道取值，取值频率最高的y_i值所对应的颜色通道取值即为该类别的像素的颜色通道取值。

作为一个实施例，上述将任一类像素点中的各个像素点对应的通道取值代入颜色识别公式计算所述像素点的颜色识别值的步骤前可以包括：

将各类像素点分别转换至HSV颜色空间，获取各个像素点在HSV颜色空间的H分量值、Y分量值和V分量值；

将所述H分量值、Y分量值和V分量值进行归一化处理。

HSV(Hue，Saturation，Value)是根据颜色的直观特性创建的一种颜色空间，其包括色调(H)，饱和度(S)和明度(V)三个颜色通道。

本实施例可以在Lab颜色空间实现对目标图片各个像素点的聚类后，再将上述各个像素点转换至HSV颜色空间进行颜色识别值的计算，使最后的识别结果综合两个颜色空间对应的处理，进一步保证了所识别的目标图片的颜色的准确性。

在一个实施例中，上述目标图片可以为将视频监控图像划分后得到的多个子图像。

本实施例将视频监控图像划分为多个子图像，将各个子图像作为目标图片进行颜色识别，在提高识别准确性的基础上，还可以提高对视频监控图像颜色识别的效率。

上述视频监控图像可以如图3所示，若上述视频监控图像大小为M*N，可以将视频监控图像按行列均分为a*b块，其中每个子图像的大小为m*n，M＝a*m，N＝b*n，再分别利用上述图片颜色识别方法，对a*b个子图像进行颜色识别。其中对一个子图像进行像素点的聚类后的示意图可以如图4所示。

参考图5所示，图5为一个实施例的图片颜色识别系统结果示意图，包括：

获取模块10，用于将目标图片转换至设定的颜色空间，获取目标图片的各个像素点在所述颜色空间中各个颜色通道的通道取值；

聚类模块20，用于根据像素点对应的通道取值分别计算所述像素点属于多个颜色聚类中心之间的隶属度，根据所述隶属度对目标图片的像素点进行聚类，得到多个类别的像素点；

识别模块30，用于分别确定各类别的像素点的颜色，根据像素点的颜色识别目标图片的颜色。

本发明提供的图片颜色识别系统与本发明提供的图片颜色识别方法一一对应，在所述图片颜色识别方法的实施例阐述的技术特征及其有益效果均适用于图片颜色识别系统的实施例中，特此声明。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。