用于图像颜色的识别方法和衣物处理设备与流程

1.本发明涉及智慧家电技术领域，具体提供一种用于图像颜色的识别方法和衣物处理设备。


背景技术：

2.随着人们生活水平的提高，人们对于洗衣机智能化的要求越来越高，而对于衣物而言，最显而易见的衣物特征便是颜色。人们期望洗衣机更加智能化，能够自动获取衣物的颜色等属性信息，并根据衣物的颜色等推荐合适的洗涤程序并确定洗涤参数，不仅能够将衣物清洗干净，而且还能够避免衣物受到损伤，例如串色等。
3.然而，在拍摄图片的过程中，随着外界环境变化时，衣物被拍摄出的图片受外界光照及其他影响，导致图片上的颜色与衣物的实际颜色有很大的色差。然而，现有的颜色识别方法是基于正常色彩的图像即拍摄后的图像和衣物本身色彩未有明显偏差的图像，对实际拍摄的图片为基准进行颜色识别时，例如在暗色情景下拍摄到的图片，受环境光的影响，不能准确地识别衣物的颜色，导致识别的颜色与本身的颜色有偏差，进而导致推荐洗涤程序不合适，不利于用户体验。
4.因此，本领域需要一种新的用于图像颜色的识别方法和衣物处理设备来解决上述问题。


技术实现要素：

5.本发明旨在解决上述技术问题，即，解决现有物品的颜色识别不准确的问题。
6.在第一方面，本发明提供了一种用于图像颜色的识别方法，所述识别方法包括下列步骤：获取物品图像；调取第一预设算法对所述物品图像进行还原，得到还原后的图像；调取第二预设算法对所述还原后的图像进行分析；根据分析结果和数据库存储的多个标准颜色，确定物品颜色。
7.在上述识别方法的优选技术方案中，“调取第一预设算法对所述物品图像进行还原，得到还原后的图像”的步骤具体包括：对所述物品图像进行预处理，得到物品的主体图像；调取所述第一预设算法对所述主体图像进行还原，得到还原后的图像。
8.在上述识别方法的优选技术方案中，“对所述物品图像进行预处理，得到物品的主体图像”的步骤具体包括：识别所述物品图像中的物品以及该物品所在该图像中的坐标位置；根据所述坐标位置从所述物品图像上截取所述主体图像，以去除所述物品图像的背景。
9.在上述识别方法的优选技术方案中，“根据所述坐标位置从所述物品图像上截取所述主体图像”的步骤具体包括：根据所述坐标位置，按照预设方法从所述物品图像上截取所述主体图像。
10.在上述识别方法的优选技术方案中，“调取第二预设算法对所述还原后的图像进行分析”的步骤具体包括：调取所述第二预设算法对所述还原后的图像的全部rgb值进行分析，以将所述全部rgb值中的一个确定为主要rgb值；“根据分析结果和数据库存储的多个标
准颜色，确定物品颜色”的步骤具体包括：根据所述主要rgb值和所述多个标准颜色的标准rgb值，确定所述物品颜色。
11.在上述识别方法的优选技术方案中，“根据所述主要rgb值和所述多个标准颜色的标准rgb值，确定所述物品颜色”的步骤具体包括：分别计算所述主要rgb值与所述多个标准颜色的标准rgb值之间的相似度；根据所述相似度，确定所述物品颜色。
12.在上述识别方法的优选技术方案中，“根据所述相似度，确定所述物品颜色”的步骤具体包括：将计算得到的全部所述相似度进行比较，根据比较结果确定最大相似度；将与所述最大相似度相对应的标准颜色确定为所述物品颜色。
13.在上述识别方法的优选技术方案中，所述相似度采用欧式距离或余弦距离表示。
14.在上述识别方法的优选技术方案中，所述第一预设算法为msrcp算法；并且/或者所述第二预设算法为knn算法。
15.在第二方面，本发明提供了一种衣物处理设备，所述衣物处理设备包括：处理器；存储器，用于存储多条程序代码；所述程序代码适于由所述处理器加载并执行上述优选技术方案中任一项所述的识别方法。
16.在本发明的识别方法的优选技术方案中，获取物品图像；调取第一预设算法对物品图像进行还原，得到还原后的图像；调取第二预设算法对还原后的图像进行分析；根据分析结果和数据库存储的多个标准颜色，确定物品颜色。
17.相对于现有技术中直接根据拍摄到的图像确定物品颜色的技术方案，本发明的识别方法在识别物品颜色时，调用第一预设算法对物品图像进行还原，可以有效地将物品图像中的各种颜色真实还原，消除了光照强度等环境因素对图像颜色识别造成的干扰；调用第二预设算法对还原后的图像进行分析，根据分析结果并结合数据库存储的多个标准颜色，能够准确地识别出还原后的图像中的物品颜色，从而能够准确地确定物品颜色，提高了图像颜色识别的准确率和精度。
18.进一步地，对物品图像进行预处理，得到物品的主体图像，去除了背景环境的影响；再调取第一预设算法对主体图像进行还原，能够更准确地将物品图像中的各种颜色真实还原，使得还原后的图像中的颜色无限接近于真实颜色，为识别物品颜色提供了准确的图像数据。
19.进一步地，调取第二预设算法对还原后的图像的全部rgb值进行分析，以将全部rgb值中的一个确定为主要rgb值，根据主要rgb值和多个标准颜色的标准rgb值，确定物品颜色，在此过程中，不需要经过颜色空间的转换就能够实现颜色识别，从而避免了在颜色识别过程中产生颜色损失，能够更准确地识别图像颜色，进一步提高了图像颜色识别的准确率和精度。
20.进一步地，分别计算主要rgb值与多个标准颜色的标准rgb值之间的相似度，根据相似度来确定物品颜色，也就是说，只有在相似度满足预设条件时才能够确定物品颜色，避免了误识别的情况发生，进一步提高了图像颜色识别的准确率和精度。
21.更进一步地，将计算得到的全部相似度进行比较，根据比较结果确定最大相似度，将与最大相似度相对应的标准颜色确定为物品颜色，也就是说，最终确定的物品颜色所对应的标准rgb值与主要rgb值的相似度最大，两者的颜色最接近，确保了识别出的颜色的准确率和精度。
22.此外，本发明还提供了一种洗衣机，该洗衣机包括处理器，用于执行各程序；以及存储器，用于存储多条程序；程序代码由处理器加载并执行本发明的识别方法，能够准确地识别图像颜色，并根据识别的颜色推荐合适的洗涤程序，避免了衣物串色，避免了对衣物造成损伤，进而提高了用户体验。
附图说明
23.下面参照附图并结合洗衣机来描述本发明的识别方法，附图中：
24.图1是本发明的识别方法的主流程图；
25.图2是本发明的对物品图像进行还原的方法的流程图；
26.图3是本发明的对还原后的图像进行分析，并根据分析结果确定物品颜色的方法的流程图；
27.图4是本发明的确定物品颜色的方法的流程图1；
28.图5是本发明的确定物品颜色的方法的流程图2；
29.图6是本发明的识别方法的逻辑图。
具体实施方式
30.下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。例如，尽管本技术是结合洗衣机来描述的，但是，本发明的技术方案并不局限于此，该识别方法显然也可以应用于干衣机、洗干一体机、护理机、印刷、电子商务、产品加工等其他应用到图像识别的技术领域，这种改变并不偏离本发明的原理和范围。
31.需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
32.此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
33.基于背景技术中提出的技术问题，本发明提供了一种用于图像颜色的识别方法，旨在调用第一预设算法对物品图像进行还原，可以有效地将物品图像中的各种颜色真实还原，消除了光照强度等环境因素对图像颜色识别造成的干扰；调用第二预设算法对还原后的图像进行分析，根据分析结果并结合数据库存储的多个标准颜色，能够准确地识别出还原后的图像中的物品颜色，从而能够准确地确定物品颜色，提高了图像颜色识别的准确率和精度。
34.首先参见图1，对本发明的识别方法进行描述。其中，图1是本发明的识别方法的主流程图。
35.如图1所示，本发明的用于图像颜色的识别方法包括以下步骤：
36.s100、获取物品图像；
37.s200、调取第一预设算法对物品图像进行还原，得到还原后的图像；
38.s300、调取第二预设算法对还原后的图像进行分析；
39.s400、根据分析结果和数据库存储的多个标准颜色，确定物品颜色。
40.步骤s100中，通过摄像头、照相机等拍摄装置拍摄物品图像。
41.优选地，第一预设算法为msrcp算法，采用msrcp算法能够准确地对物品图像进行还原，使得还原后的图像中的颜色无限接近于真实颜色。或者，第一预设算法也可以采用msrcr算法、ssr算法、msr算法等其他算法。无论采用何种算法，任何一种算法对应的对图像进行还原的具体方法都不应对本发明构成任何的限制。
42.优选地，第二预设算法为knn算法，采用knn算法能够准确地识别出还原后的图像中的物品颜色，提高了图像颜色识别的准确率和精度。或者，第二预设算法也可以采用ann算法、lr算法、svm算法等其他算法。无论采用何种算法，任何一种算法对应的对图像进行分析的具体方法都不应对本发明构成任何的限制。
43.下面参照图2，以msrcp算法为例，对本发明的对物品图像进行还原的方法进行描述。其中，图2是本发明的对物品图像进行还原的方法的流程图。
44.如图2所示，步骤s200中，“调取第一预设算法对物品图像进行还原，得到还原后的图像”的步骤具体包括：
45.s211、对物品图像进行预处理，得到物品的主体图像；
46.s212、调取msrcp算法对主体图像进行还原，得到还原后的图像。
47.步骤s211中，采用目标检测模型对物品图像进行预处理，得到物品的主体图像。具体为：目标检测模型对物品图像进行识别，以识别出物品图像中的物品以及该物品所在该图像中的坐标位置，并根据坐标位置从物品图像上截取主体图像，以去除物品图像的背景，从而去除了背景环境的影响。
48.进一步地，根据坐标位置，按照预设方法从物品图像上截取主体图像。其中，预设方法可以是设置截取框，根据坐标位置将截取框移动至目标位置(即坐标位置所指示的位置)，将此时截取框中的图像截取出来，截取出来的图像即为主体图像；或者，根据坐标位置将物品的轮廓勾勒出来，沿着轮廓截取图像，截取出来的图像即为主体图像。当然，预设方法不限于上述列举的方法，无论采取何种方法，只要能够从图像上截取出主体图像即可。
49.优选地，目标检测模型可以是但不限于retinanet模型、fcos模型、 faster r-cnn模型、sppnet模型、ssd模型和yolo模型等。
50.步骤s212中，调取msrcp算法对主体图像进行还原，由于步骤s211 中去除了物品图像的背景，在对图像进行还原的过程中，能够更准确地将物品图像中的各种颜色真实还原，尤其是对于暗光环境下拍摄到的图像，当然也可以用于还原其他环境下拍摄到的图像，使得还原后的图像中的颜色无限接近于真实颜色，为识别物品颜色提供了准确的图像数据。
51.下面参照图3至图5，以knn算法为例，对本发明的对物品图像进行还原并确定物品颜色的识别方法进行描述。其中，图3是本发明的对还原后的图像进行分析，并根据分析结果确定物品颜色的方法的流程图；
52.图4是本发明的确定物品颜色的方法的流程图1；图5是本发明的确定物品颜色的方法的流程图2。
53.如图3所示，步骤s300中，“调取第二预设算法对还原后的图像进行分析”的步骤具
体包括：
54.s311、调取knn算法对还原后的图像的全部rgb值进行分析，以将全部rgb值中的一个确定为主要rgb值。
55.步骤s311中，knn算法将还原后的图像分为多簇，例如，3簇、5 簇、10簇或15簇等，统计每一簇中识别出的rgb值的个数，将统计出来的个数进行比较，确定最大个数，将最大个数对应的簇确定为目标簇；统计目标簇内每一个rgb值出现的概率，将统计出来的概率进行比较，确定最大概率，将最大概率对应的rgb值确定为主要rgb值。
56.下面以3簇为例进一步阐述。
57.假设，第一簇内识别出30个rgb值，第二簇内识别出40个rgb值，第三簇内识别出50个rgb值，将30、40以及50进行比较，经比较可知50 为最大个数，将与最大个数对应的第三簇确定为目标簇。
58.统计第三簇内每一个rgb值出现的概率，例如，第三簇内共出现了4 个rgb值，其中，第一rgb值出现10次，对应的第一概率为20％；第二 rgb值出现20次，对应的第二概率为40％；第三rgb值出现5次，对应的第二概率为10％；第四rgb值出现15次，对应的第二概率为30％，将10％、 20％、30％以及40％进行比较，经比较可知40％为最大概率，将与最大概率对应的第二rgb值确定为主要rgb值。
59.需要说明的是，上述列举的rgb值的个数以及每个rgb值出现的次数等只是示例性地，不是限制性地，本领域技术人员在实际应用中可以根据实际的衣物图片统计rgb值的个数以及每个rgb值出现的次数。
60.继续参阅图3，步骤s400中，“根据分析结果和数据库存储的多个标准颜色，确定物品颜色”的步骤具体包括：
61.s411、根据主要rgb值和多个标准颜色的标准rgb值，确定物品颜色。
62.在颜色识别的过程中，能够基于主要rgb值和多个标准颜色的标准rgb值确定物品颜色，不需要经过颜色空间的转换就能够实现颜色识别，从而避免了在颜色识别过程中产生颜色损失，能够更准确地识别图像颜色，进一步提高了图像颜色识别的准确率和精度。
63.具体确定方法如下：
64.如图4所示，步骤s411中，“根据主要rgb值和多个标准颜色的标准 rgb值，确定物品颜色”的步骤具体包括：
65.s421、分别计算主要rgb值与多个标准颜色的标准rgb值之间的相似度；
66.s422、根据相似度，确定物品颜色。
67.其中，相似度采用欧式距离表示；当然，相似度也可以采用余弦距离表示。
68.下面以欧式距离为例进一步阐述。
69.步骤s421中，假设数据库内存储有3个标准颜色，每个标准颜色对应一个标准rgb值；分别计算主要rgb值与3个标准颜色的标准rgb值之间的欧式距离，例如，计算得到的主要rgb值与3个标准颜色的标准rgb值之间的欧式距离分别为0.05、0.2、0.3。当然，每个标准颜色也可以对应多个标准rgb值。
70.当然，标准rgb值的数量还可以为1366个、2000个、500个或100个标准颜色等其他数量，本领域技术人员可以根据实际的使用需求灵活地调整和设置标准rgb值的数量。
71.如图5所示，步骤s422中，“根据相似度，确定物品颜色”的步骤具体包括：
72.s431、将计算得到的全部相似度进行比较，根据比较结果确定最大相似度；
73.s432、将与最大相似度相对应的标准颜色确定为物品颜色。
74.步骤s431中，例如，步骤s421中计算得到的欧式距离分别为0.05、0.2、 0.3，将0.05、0.2以及0.3进行比较，经比较可知0.05为最小欧式距离，由于欧式距离越小相似度越大，因此最小欧式距离0.05对应的相似度最大，则将与最小欧式距离0.05对应的相似度确定为最大相似度，例如最大相似度为95％。
75.步骤s432中，将与最大相似度为95％(即欧式距离为0.05)相对应的标准颜色确定为物品颜色，例如，大红色。
76.在上述过程中，最终确定的物品颜色所对应的标准rgb值与主要 rgb值的相似度最大，两者的颜色最接近，确保了识别出的颜色的准确率和精度，避免了误识别的情况发生。
77.需要说明的是，上述列举的欧式距离、最大相似度以及与最大相似度对应的颜色只是示例性地，不是限制性地，本领域技术人员在实际应用中可以根据实际的物品图像计算欧式距离并根据欧式距离确定最大相似度以及与最大相似度对应的颜色。
78.下面参照图6，以msrcp算法、knn算法以及3个标准颜色为例，对本发明的一种可能的控制流程进行介绍。其中，图6是本发明的识别方法的逻辑图。其中，每个标准颜色对应一个标准rgb值。
79.如图6所示，本发明的识别方法的一种可能的完整流程是：
80.s501、通过拍摄装置拍摄物品图像；
81.s502、对物品图像进行预处理，得到物品的主体图像；
82.s503、调取msrcp算法对主体图像进行还原，得到还原后的图像；
83.s504、调取knn算法对还原后的图像的全部rgb值进行分析，以将全部rgb值中的一个确定为主要rgb值；
84.s505、分别计算主要rgb值与3个标准颜色的标准rgb值之间的相似度，即s1、s2和s3；
85.s506、将s1、s2和s3进行比较，根据比较结果确定最大相似度s
max
；
86.s507、将与s
max
相对应的标准颜色确定为物品颜色。
87.应该指出的是，上述实施例只是本发明的一种较佳的实施方式中，仅用来阐述本发明方法的原理，并非旨在限制本发明的保护范围，在实际应用中，本领域技术人员可以根据需要而将上述功能分配由不同的步骤来完成，即将本发明实施例中的步骤再分解或者组合。例如，上述实施例的步骤可以合并为一个步骤，也可以进一步拆分成多个子步骤，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的步骤的名称，其仅仅是为了区分各个步骤，不视为对本发明的限制。
88.此外，本发明还提供了一种洗衣机，该洗衣机包括处理器和存储器，存储器用于存储多条程序代码；其中，程序代码由处理器加载并执行上述实施方式中任一项识别方法。
89.其中，拍摄装置和数据库均设置在洗衣机上。当洗衣机需要识别衣物的颜色时，可以通过拍摄装置拍摄衣物的图像，上述程序基于拍摄装置拍摄到的衣物的图像由处理器加载并执行上述实施方式中任一项识别方法，能够准确地识别图像颜色，并根据识别的颜色推荐合适的洗涤程序，避免了衣物串色，避免了对衣物造成损伤，进而提高了用户体验。
90.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。