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，现有的衣物颜色识别算法在识别的过程中直接对整个图像进行一次聚类分析，由于衣物被拍摄出的图片受外界光照及其他因素影响，导致图片上的颜色与衣物的实际颜色有很大的色差，因此很容易出现局部最优的现象，从而使得识别出的颜色的rgb值很有可能是衣物图像中发生颜色偏差的位置的rgb值，导致识别的颜色与衣物本身的颜色有偏差。而且，现有的衣物颜色识别算法大部分仅能分为十种颜色名称，但是衣物的实际颜色有成百上千种，只能够大致识别出衣物的颜色所属的色系，无法精确地识别衣物的具体颜色，例如，只能识别出衣物是蓝色，但是不能够具体确定衣物是闪兰色还是深天蓝色等更精确的颜色，无法满足用户更精确的颜色识别的需求，甚至还有可能导致推荐的洗涤程序不合适，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；将所述物品图像分为多个区域；调用预设聚类算法分别对所述多个区域进行聚类，得到每个所述区域的聚类后的颜色值；根据所述颜色值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，“调用预设聚类算法分别对所述多个区域进行聚类，得到每个所述区域的聚类后的颜色值”的步骤具体包括：调用所述预设聚类算法分别对所述多个区域进行聚类，得到每个所述区域的聚类rgb值；“根据所述颜色值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：根据所述聚类rgb值和所述多个标准颜色的标准rgb值，确定所述物品颜色。
8.在上述识别方法的优选技术方案中，“根据所述聚类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：根据每个所述聚类rgb值和所述多个标准颜色的标准rgb值分别确定每个所述区域的聚类颜色；根据所述聚类颜色，确定所述物品颜色。
9.在上述识别方法的优选技术方案中，“根据每个所述聚类rgb值和所述多个标准颜色的标准rgb值分别确定每个所述区域的聚类颜色”的步骤具体包括：分别计算每个所述聚类rgb值与所述多个标准颜色的标准rgb值之间的相似度；将计算得到的每个所述聚类rgb值所对应的全部所述相似度分别进行比较，根据比较结果确定每个所述聚类rgb值所对应的最大相似度；将每个所述最大相似度所对应的标准颜色分别确定为其所对应的区域的所述聚类颜色。
10.在上述识别方法的优选技术方案中，“根据所述聚类颜色，确定所述物品颜色”的步骤具体包括：分别统计每个所述聚类颜色的数量；将统计出来的全部所述数量进行比较，根据比较结果确定最大数量；将与所述最大数量相对应的聚类颜色确定为所述物品颜色。
11.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；并且/或者所述预设聚类算法为kmeans聚类算法。
12.在上述识别方法的优选技术方案中，“将所述物品图像分为多个区域”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；将所述主体图像分为所述多个区域。
13.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。
14.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。
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；将物品图像分为多个区域；调用预设聚类算法分别对多个区域进行聚类，得到每个区域的聚类后的颜色值；根据颜色值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对整个图像进行一次聚类分析的技术方案，本发明的识别方法在识别物品颜色时，将物品图像分为多个区域，调用预设聚类算法分别对多个区域进行聚类，相当于对物品图像进行了多次聚类，使得聚类后的每个区域的聚类颜色值无限接近于该区域的真实颜色值，并根据聚类后的全部颜色值和数据库存储的多个标准颜色来确定衣物颜色，降低了光照强度等环境因素对图像颜色识别造成的干扰，避免了出现局部最优的现象，能够准确地识别出图像中的物品颜色，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，调用预设聚类算法分别对多个区域进行聚类，得到每个区域的聚类rgb值，根据聚类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。
19.进一步地，分别根据每个聚类rgb值和多个标准颜色的标准rgb值确定每个区域的聚类颜色，根据聚类颜色来确定物品颜色，考虑了每个区域的聚类颜色，避免了出现局部最
优的现象，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。
20.进一步地，分别计算每个聚类rgb值与多个标准颜色的标准rgb值之间的相似度，将计算得到的每个聚类rgb值所对应的全部相似度分别进行比较，根据比较结果确定每个聚类rgb值所对应的最大相似度，将每个最大相似度所对应的标准颜色分别确定为其所对应的区域的聚类颜色，也就是说，最终确定的每个区域的聚类颜色所对应的标准rgb值与该区域的聚类rgb值的相似度最大，两者的颜色最接近，确保了识别出的聚类颜色的准确率和精度。
21.进一步地，分别统计每个聚类颜色的数量，将统计出来的全部数量进行比较，根据比较结果确定最大数量，将与最大数量相对应的聚类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聚类颜色出现的次数最多，可以认为该聚类颜色为物品的主要颜色或者是大部分区域的颜色，避免了出现识别出的颜色是衣物图像中发生颜色偏差的位置的颜色的现象，确保了识别出的聚类颜色的准确率和精度。
22.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；再将主体图像分为多个区域，当预设聚类算法分别对多个区域进行聚类时，使得聚类得到的每个区域的聚类后的颜色值均是物品的颜色值，为识别物品颜色提供了准确的数据。
23.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
24.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：
25.图1是本发明的识别方法的主流程图；
26.图2是本发明的对物品图像进行区域划分的方法的流程图；
27.图3是本发明的对物品图像进行聚类，并根据聚类结果确定物品颜色的方法的流程图；
28.图4是本发明的确定物品颜色的方法的流程图1；
29.图5是本发明的确定物品颜色的方法的流程图2；
30.图6是本发明的确定物品颜色的方法的流程图3；
31.图7是本发明的识别方法的逻辑图。
具体实施方式
32.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。
33.需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
34.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。
35.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，旨在将物品图像分为多个区域，调用预设聚类算法分别对多个区域进行聚类，相当于对物品图像进行了多次聚类，使得聚类后的每个区域的聚类颜色值无限接近于该区域的真实颜色值，并根据聚类后的全部颜色值和数据库存储的多个标准颜色来确定衣物颜色，降低了光照强度等环境因素对图像颜色识别造成的干扰，避免了出现局部最优的现象，能够准确地识别出图像中的物品颜色，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。
36.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。
37.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：
38.s100、获取物品图像；
39.s200、将物品图像分为多个区域；
40.s300、调用预设聚类算法分别对多个区域进行聚类，得到每个区域的聚类后的颜色值；
41.s400、根据颜色值和数据库存储的多个标准颜色，确定物品颜色。
42.步骤s100中，通过摄像头、照相机等拍摄装置拍摄物品图像。
43.优选地，预设聚类算法为kmeans聚类算法，采用kmeans聚类算法能够准确地对图像的每个区域进行聚类，使得聚类后得到的每个区域的聚类颜色值无限接近于该区域的真实颜色值。或者预设聚类算法也可以采用kmeans 聚类算法、meanshifts聚类算法、camshifts聚类算法等其他聚类算法。无论采用何种算法，任何一种算法对应的对图像进行聚类的具体方法都不应对本发明构成任何的限制。
44.优选地，颜色值为rgb值、lab值、html值或cmyk值等其他颜色值。
45.下面参照图2，对本发明的对物品图像进行区域划分的方法进行描述。其中，图2是本发明的对物品图像进行区域划分的方法的流程图。
46.如图2所示，步骤s200中，“将物品图像分为多个区域”的步骤具体包括：
47.s211、对物品图像进行预处理，得到物品的主体图像；
48.s212、将主体图像分为多个区域。
49.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。
50.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。
51.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。
52.步骤s212中，将主体图像分为多个区域，例如3个区域、20个区域、 50个区域、或70个区域等，其中，每个区域的面积可以相等、也可以不相等，本领域技术人员可以根据图像的识别精度等灵活地调整和设置。
53.下面参照图3至图6，以rgb值和kmeans聚类算法为例，对本发明的对物品图像进行聚类并确定物品颜色的识别方法进行描述。其中，图3 是本发明的对物品图像进行聚类，并根据聚类结果确定物品颜色的方法的流程图；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；图6是本发明的确定物品颜色的方法的流程图3。
54.如图3所示，步骤s300中，“调用预设聚类算法分别对多个区域进行聚类，得到每个区域的聚类后的颜色值”的步骤具体包括：
55.s311、调用kmeans聚类算法分别对多个区域进行聚类，得到每个区域的聚类rgb值。
56.下面以3个区域为例进行阐述。
57.步骤s311中，调用kmeans聚类算法分别对3个区域进行聚类，得到每个区域的聚类rgb值，分别为第一区域的第一聚类rgb值、第二区域是第二聚类rgb值和第三区域是第三聚类rgb值。
58.继续参阅图3，步骤s400中，“根据颜色值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：
59.s411、根据聚类rgb值和多个标准颜色的标准rgb值，确定物品颜色。
60.步骤s411中，根据步骤s311中获取到的3个聚类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。
61.优选地，数据库存储有41种颜色名称，分别为古董白、米色、桔黄色、黑色、白杏色、蓝色、紫罗兰色、褐色、实木色、军兰色、黄绿色、巧可力色、珊瑚色、菊兰色、米绸色、暗深红色、青色、暗蓝色、暗青色、暗金黄、暗灰色、暗绿色、暗黄褐色、暗洋红、暗橄榄绿、暗桔黄色、暗紫色、暗红色、暗肉色、暗海兰色、暗灰色、墨绿色、暗宝石绿、暗紫罗兰色、深粉红色、深天蓝色、暗灰色、闪兰色、火砖色、花白色、森林绿等。在识别的过程中，能够更精确地确定衣物的颜色，例如闪兰色或者深天蓝色，满足用户更精确的颜色识别的需求，有利于用户体验。
62.进一步地，每个颜色名称分别对应一个或多个标准rgb值，例如， 41种颜色名称一共对应有1158个标准rgb值。当然，标准rgb值的数量还可以为1500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。
63.需要说明的是，上述列举的颜色名称的数量和具体名称等只是示例性地，不是限制性地，本领域技术人员在实际应用中可以根据最新的颜色实时更新数据库内存储的颜色
名称、数量以及以及对应的标准rgb值等，从而满足用户更精确的颜色识别的需求。
64.具体确定方法如下：
65.如图4所示，步骤s411中，“根据聚类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：
66.s421、根据每个聚类rgb值和多个标准颜色的标准rgb值分别确定每个区域的聚类颜色；
67.s422、根据聚类颜色，确定物品颜色。
68.在颜色识别的过程中，考虑了每个区域的聚类颜色，避免了出现识别出的颜色是衣物图像中发生颜色偏差的位置的颜色的现象，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。
69.如图5所示，步骤s421中，“根据每个聚类rgb值和多个标准颜色的标准rgb值分别确定每个区域的聚类颜色”的步骤具体包括：
70.s431、分别计算每个聚类rgb值与多个标准颜色的标准rgb值之间的相似度；
71.s432、将计算得到的每个聚类rgb值所对应的全部相似度分别进行比较，根据比较结果确定每个聚类rgb值所对应的最大相似度；
72.s433、将每个最大相似度所对应的标准颜色分别确定为其所对应的区域的聚类颜色。
73.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。
74.下面以欧式距离为例进一步阐述。
75.步骤s431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；步骤s311中获取到3个聚类rgb值，分别计算3个聚类rgb值与3个标准颜色的标准rgb值之间的欧式距离，例如，计算得到的第一聚类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；计算得到的第二聚类rgb值与3个标准颜色的标准rgb 值之间的欧式距离分别为0.01、0.15、0.25；计算得到的第三聚类rgb值与3个标准颜色的标准rgb值之间的欧式距离分别为0.02、0.18、0.35。
76.步骤s432中，例如，步骤s431中计算得到的第一聚类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，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第一最大相似度，例如第一最大相似度为 95％。
77.又如，步骤s431中计算得到的第二聚类rgb值与3个标准颜色的标准 rgb值之间的欧式距离分别为0.01、0.15、0.25，采用上述方法确定最小欧式距离0.01对应的相似度最大，则将与最小欧式距离0.01对应的相似度确定为第二最大相似度，例如第二最大相似度为99％。
78.又如，步骤s431中计算得到的第三聚类rgb值与3个标准颜色的标准 rgb值之间的欧式距离分别为0.02、0.18、0.35，采用上述方法确定最小欧式距离0.02对应的相似度最大，则将与最小欧式距离0.02对应的相似度确定为第三最大相似度，例如第三最大相似度为98％。
79.步骤s433中，将与第一最大相似度为95％(即欧式距离为0.05)相对应的标准颜色
确定为第一区域的聚类颜色，例如，暗红色；将与第二最大相似度为99％(即欧式距离为0.01)相对应的标准颜色确定为第二区域的聚类颜色，例如，暗洋红；将与第三最大相似度为98％(即欧式距离为 0.02)相对应的标准颜色确定为第三区域的聚类颜色，例如，暗洋红。
80.在上述过程中，最终确定的每个区域的聚类颜色所对应的标准rgb 值与该区域的聚类rgb值的相似度最大，两者的颜色最接近，确保了识别出的聚类颜色的准确率和精度，避免了误识别的情况发生。
81.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每个区域的聚类颜色。
82.如图6所示，步骤s422中，“根据聚类颜色，确定物品颜色”的步骤具体包括：
83.s441、分别统计每个聚类颜色的数量；
84.s442、将统计出来的全部数量进行比较，根据比较结果确定最大数量；
85.s443、将与最大数量相对应的聚类颜色确定为物品颜色。
86.步骤s441至步骤s443中，例如，步骤s433中确定了3个区域的聚类颜色，分别为暗红色、暗洋红和暗洋红，则统计出有1个暗红色、2个暗洋红，将1和2进行比较，经比较可知2为最大数量，因此将与最大数量2相对应的聚类颜色确定为物品颜色，即暗洋红。
87.需要说明的是，上述列举的颜色的名称及其对应的数量只是示例性地，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图像划分的区域和每个区域识别出来的聚类颜色等确定物品颜色。
88.下面参照图7，以kmeans聚类算法以及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7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。
89.如图7所示，本发明的识别方法的一种可能的完整流程是：
90.s501、通过拍摄装置拍摄物品图像；
91.s502、对物品图像进行预处理，得到物品的主体图像；
92.s503、将主体图像分为m个区域，其中，m＞1；
93.s504、以m＝3为例，调用kmeans聚类算法分别对3个区域进行聚类，得到每个区域的聚类rgb值；
94.s505、分别计算每个聚类rgb值与3个标准颜色的标准rgb值之间的相似度，即s
11
、s
12
和s
13
；s
21
、s
22
和s
23
；s
31
、s
32
和s
33
；
95.s506、将s1、s2和s3进行比较，将s
21
、s
22
和s
23
进行比较，将s
31
、 s
32
和s
33
进行比较，根据比较结果分别确定最大相似度s
max1
、s
max2
和 s
max3
；
96.s507、将s
max1
、s
max2
和s
max3
所对应的标准颜色分别确定为其所对应的区域的聚类颜色；
97.s508、分别统计每个聚类颜色的数量n；
98.s509、将统计出来的全部n进行比较，根据比较结果确定最大数量 n
max
；
99.s510、将与n
max
相对应的聚类颜色确定为物品颜色。
100.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。
101.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。
102.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。
103.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。