图像色彩特征提取方法、装置、存储介质及电子设备与流程

1.本技术属于图像处理技术领域，具体涉及一种图像色彩特征提取方法、图像色彩特征提取装置、计算机可读存储介质以及电子设备。


背景技术：

2.在进行图像识别、分类等操作时，都需要提取图像特征，图像的色彩特征便是图像特征的一种。色彩特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。
3.目前，在提取图像中的色彩特征时，首先对图像进行压缩，然后对压缩后图像中的rgb信息进行向量转换，接着统计r、g、b三个色彩通道的频率，并通过中位切割方法对压缩图像进行切割，降低色彩维度，最后根据不同色彩的目标识别数组，从切割后的目标图像中提取对应的颜色。但是对图像进行压缩会使色彩丢失，使用rgb统计的方法对图像色彩进行统计，存在图像色彩特征准确性低的问题，并且使用中位切割方法时，只考虑图像在rgb空间上的特征，会导致结果中图像的亮度和饱和度丢失。


技术实现要素：

4.本技术的目的在于提供一种图像色彩特征提取方法、图像色彩特征提取装置、计算机可读存储介质以及电子设备，能够克服相关技术中存在的信息丢失、色彩特征准确率低等问题。
5.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
6.根据本技术实施例的一个方面，提供一种图像色彩特征提取方法，该方法包括：获取待处理图像，对所述待处理图像进行预处理，以获取所述待处理图像在hsl色彩空间中的hsl坐标向量集合；获取与目标色彩特征对应的预设参数，基于所述预设参数对所述hsl坐标向量集合进行聚类以获取与所述目标色彩特征对应的特征点，并根据所述特征点的坐标确定特征点坐标集合；根据所述特征点坐标集合中各特征点坐标之间的相似度，确定目标特征点坐标，并根据所述目标特征点坐标确定所述待处理图像中对应所述目标色彩特征的特征值。
7.根据本技术实施例的一个方面，提供一种图像色彩特征提取装置，该装置包括：预处理模块，用于获取待处理图像，对所述待处理图像进行预处理，以获取所述待处理图像在hsl色彩空间中的hsl坐标向量集合；聚类模块，用于获取与目标色彩特征对应的预设参数，基于所述预设参数对所述hsl坐标向量集合进行聚类以获取与所述目标色彩特征对应的特征点，并根据所述特征点的坐标确定特征点坐标集合；色彩特征确定模块，用于根据所述特征点坐标集合中各特征点坐标之间的相似度，确定目标特征点坐标，并根据所述目标特征点坐标确定所述待处理图像中对应所述目标色彩特征的特征值。
8.在本技术的一些实施例中，所述预处理模块配置为：将所述待处理图像转换为位图，对所述位图中所有像素点的像素信息进行坐标转换，以获取与所述像素点对应的第一
hsl坐标；对所述位图进行锐化处理，提取锐化后所述位图中所有像素点对应的锐化第二hsl坐标；将所述第一hsl坐标和所述第二hsl坐标映射至hsl色彩空间，以获取由所述第一hsl坐标对应的向量和所述第二hsl坐标对应的向量所组成的所述hsl坐标向量集合。
9.在本技术的一些实施例中，所述预设参数包括邻域半径和邻域密度阈值；所述聚类模块配置为：在所述hsl色彩空间中确定与所述目标色彩特征对应的主特征方向和辅助特征方向，并在所述hsl色彩空间中基于所述辅助特征方向构建与所述主特征方向相切的多个目标平面；根据各所述目标平面对应的半径计算平均半径，并将所述平均半径作为所述邻域半径；以及，获取所有所述目标平面中包含数据点最多的区域作为密集区域，并根据所述密集区域中包含的数据点的数量和所述hsl色彩空间中所包含的数据点的总数量确定所述邻域密度阈值。
10.在本技术的一些实施例中，所述预设参数包括邻域半径和邻域密度阈值；所述聚类模块包括：遍历单元，用于遍历所述hsl坐标向量集合中的坐标向量，将任一所述坐标向量作为目标坐标向量；聚类单元，用于根据所述目标坐标向量对应的像素点、所述邻域半径和所述邻域密度阈值，对所述hsl坐标向量集合中各坐标向量对应的像素点进行聚类，以确定各像素点的点类型，所述点类型为特征点、边界点或者噪声点。
11.在本技术的一些实施例中，所述遍历单元配置为：采用第一标识标记所述hsl坐标向量集合中除所述目标坐标向量之外的所有坐标向量，同时采用第二标识标记所述目标坐标向量，所述第二标识不同于所述第一标识。
12.在本技术的一些实施例中，所述聚类单元包括：邻域构建单元，用于以所述第二标识对应的像素点为中心、所述邻域半径为半径，确定第一邻域范围，获取所述第一邻域范围中包含像素点的第一数量；比较单元，用于将所述第一数量与所述邻域密度阈值进行比较，当所述第一数量小于所述邻域密度阈值时，判定所述第二标识对应的像素点为所述噪声点；分类单元，用于当所述第一数量大于或等于所述邻域密度阈值时，将所述第二标识对应的像素点的坐标添加至第一坐标集合中，根据所述第一邻域范围中除具有所述第二标识对应的像素点之外的像素点的坐标构建第二坐标集合，并根据所述第二坐标集合、所述邻域半径和所述邻域密度阈值对所述第二坐标集合中的待分类像素点进行分类，以获取与所述待分类像素点对应的点类型。
13.在本技术的一些实施例中，所述分类单元配置为：遍历所述第二坐标集合中各所述坐标，将任一坐标作为目标坐标；当所述目标坐标对应的标识为所述第一标识时，将所述第一标识更新为所述第二标识；以所述目标坐标对应的待分类像素点为中心、所述邻域半径为半径，确定第二邻域范围，并获取所述第二邻域范围中所包含像素点的第二数量；将所述第二数量与所述邻域密度阈值进行比较；当所述第二数量小于所述邻域密度阈值时，将所述目标坐标添加至所述第二坐标集合中；当所述第二数量大于或等于所述邻域密度阈值时，将所述目标坐标添加至所述第一坐标集合中；根据所述第一坐标集合和所述第二坐标集合确定与所述待分类像素点对应的点类型。
14.在本技术的一些实施例中，所述根据所述第一坐标集合和所述第二坐标集合确定与所述待分类像素点对应的点类型，配置为：将所述第一坐标集合中的坐标所对应的像素点作为所述特征点；将所述第二坐标集合中各待比对坐标与所述特征点对应的边界点坐标集合进行匹配，当所述边界点坐标集合中存在所述待比对坐标时，将所述待比对坐标对应
的像素点作为所述边界点。
15.在本技术的一些实施例中，所述聚类模块还配置为：获取所述特征点对应的特征点坐标集合的密度，将所述密度与所述邻域密度阈值进行比较；当所述密度大于所述邻域密度阈值时，保留所述特征点坐标集合；当所述密度小于或等于所述邻域密度阈值时，调整所述邻域密度阈值，并根据调整后的邻域密度阈值确定新的特征点坐标集合；重复以上流程，直至获取特征点坐标集合的密度大于调整后的邻域密度阈值的特征点坐标集合。
16.在本技术的一些实施例中，所述图像色彩特征提取装置还包括：核心邻域确定模块，用于以所述特征点坐标集合中各特征点坐标为中心，所述邻域半径为半径，确定核心邻域；密度确定模块，用于获取所有所述核心邻域中像素的总数量，根据所述特征点坐标的数量和所述总数量确定所述特征点坐标集合的密度。
17.在本技术的一些实施例中，所述色彩特征确定模块包括：轮询单元，用于轮询所述特征点坐标集合中的特征点坐标，将任一所述特征点坐标作为待比较特征点坐标；相似度计算单元，用于计算所述待比较特征点坐标与所述特征点坐标集合中其它特征点坐标之间的相似度，对所有所述相似度进行加和平均，以获取与所述待比较特征点坐标对应的相似度平均值；目标特征点坐标获取单元，用于在获取所述特征点坐标集合中所有特征点坐标对应的相似度平均值后，将对应最大相似度平均值的特征点坐标作为所述目标特征点坐标。
18.在本技术的一些实施例中，所述色彩特征确定模块配置为：将所述目标特征点坐标映射至hsl色彩空间，以获取所述待处理图像中对应所述目标色彩特征的特征值。
19.根据本技术实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的图像色彩特征提取方法。
20.根据本技术实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的图像色彩特征提取方法。
21.根据本技术实施例的一个方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如以上技术方案中的图像色彩特征提取方法。
22.本技术实施例提供的图像色彩特征提取方法，在对待处理图像进行预处理得到待处理图像在hsl色彩空间中的hsl坐标向量集合后，根据与目标色彩特征对应的预设参数对hsl坐标向量集合进行聚类以获取与目标色彩特征对应的特征点，并根据聚类得到的特征点的坐标确定特征点坐标集合，进一步地，根据特征点坐标集合中各特征点坐标之间的相似度可以确定目标特征点坐标，该目标特征点坐标对应的色彩特征值即为目标色彩特征对应的特征值。本技术一方面能够直接从原始图像中提取像素信息，利用hsl色彩空间承载原始图像的色彩信息，避免了压缩图像导致色彩丢失，并且也保证了图像的亮度和饱和度不丢失；另一方面能够通过聚类确定不同色彩特征对应的特征点坐标，进而获取对应的色彩特征值，提高了图像色彩特征的准确性，使其更符合图像本身。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1示意性地示出了相关技术中提取图像色彩特征的流程示意图。
26.图2示意性地示出了应用本技术实施例中的图像色彩特征提取方法的系统架构的结构示意图。
27.图3示意性地示出了本技术实施例中图像色彩特征提取方法的步骤流程示意图。
28.图4示意性地示出了本技术实施例中对待处理图像进行预处理的流程示意图。
29.图5a示意性地示出了本技术实施例中一种hsl色彩空间的界面示意图。
30.图5b示意性地示出了本技术实施例中另一种hsl色彩空间的界面示意图。
31.图6示意性示出了本技术实施例中亮主色的邻域的界面示意图。
32.图7示意性地示出了本技术实施例中通过聚类获取特征点的流程示意图。
33.图8示意性地示出了本技术实施例中获取目标特征点坐标的流程示意图。
34.图9示意性地示出了本技术实施例中应用图像色彩特征提取方法的系统架构的架构示意图。
35.图10示意性地示出了本技术实施例中获取图像a的色彩特征值的流程示意图。
36.图11示意性地示出了本技术实施例中图像色彩特征提取装置的结构框图。
37.图12示意性示出了适于用来实现本技术实施例的电子设备的计算机系统结构框图。
具体实施方式
38.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
39.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
40.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
41.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
42.在本技术的相关技术中，主要通过对图像的rgb信息进行统计得到图像色彩特征，图1示出了相关技术中提取图像色彩特征的流程示意图，如图1所示，包括步骤s101-s105：
步骤s101：图片压缩。
43.利用resize bit map area方法对原始图片进行压缩处理，一般使用固定大小进行压缩，例如将图片压缩为112
×
112像素大小。
44.步骤s102：色彩转换。
45.将每一个像素点的颜色转换为5
×5×
5的向量表示，并根据所有像素点的颜色向量构建集合n。
46.步骤s103：rgb统计。
47.利用rgb颜色色彩空间，统计集合n中r、g、b三个色彩通道的频率。
48.步骤s104：中位切割。
49.通过中位切割方法，构造子色彩空间vbox切割rgb色彩空间，降低当前集合n中所表示的色彩维度，得到当前所提取的目标图片的256色表示。其中，子色彩空间vbox的三边是r、g、b三个分量。
50.步骤s105：色彩特征提取。
51.根据不同色彩的预设目标识别数组，从256色表示中提取对应的颜色。
52.但是图1所示的色彩特征提取方法存在相应地弊端，第一：在对图片进行识别前，首先对图片进行压缩处理，会导致色彩丢失，后续又使用rgb统计的方法对图片色彩进行统计，会导致最终结果的图片色彩特征准确性降低；第二：由于使用中位切割的方法，只考虑图像在rgb空间上的特征，会导致结果中图像特征的亮度和饱和度丢失。
53.针对本领域的相关技术，本技术实施例提出了一种图像色彩特征提取方法。在对本技术中的图像色彩特征提取方法进行详细说明之前，首先对本技术中可能涉及的技术名词进行说明。
54.1. hsl：是色相（hue）、饱和度（saturation）和亮度（lightness）这三个颜色属性的简称。
55.2. hsl色彩空间：把色相（hue）、饱和度（saturation）和亮度（lightness）三个属性整合到一个圆柱中，就形成了hsl色彩空间。
56.3. 图像色彩特征：用于描述图像色彩趋势及构成的色彩特征，一般包括：亮主色、柔和主色、亮柔和色、暗柔和色、亮鲜明色、暗鲜明色。
57.4. 位图：又称点阵图像或绘制图像，是由称作像素(图片元素)的单个点组成的。
58.接下来，对应用本技术技术方案的示例性系统架构进行说明。
59.图2示意性地示出了应用本技术中图像色彩特征提取方法的系统架构的结构示意图。
60.如图2所示，系统架构200可以包括终端设备210、服务器220和网络230。终端设备210可以包括智能手机、平板电脑、笔记本电脑、台式电脑、智能电视、智能车载终端等具有显示屏幕的各种电子设备。服务器220可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。网络230可以是能够在终端设备210和服务器220之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。
61.根据实现需要，本技术实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如，服务器220可以是由多个服务器设备组成的服务器群组。
62.在本技术的一个实施例中，用户在终端设备210中选定待处理图像或者待处理图像的路径信息，通过网络230将待处理图像或者待处理图像的路径信息发送至服务器220，当服务器220接收到的是待处理图像的路径信息时，可以根据该路径信息获取待处理图像。当服务器220获取待处理图像后，可以对其进行预处理获取对应的hsl坐标向量集合，接着可以根据目标色彩特征对应的预设参数对该hsl坐标向量集合进行聚类，获取与目标色彩特征对应的特征点坐标集合，最后根据特征点坐标集合中各特征点坐标之间的相似度，可以确定目标特征点坐标以及与目标特征点坐标对应的目标色彩特征值。
63.本技术实施例提供的技术方案可以应用于服务器220，也可以应用于终端设备210，或者可以由终端设备210和服务器220共同实施，本技术对此不做特殊限定。
64.在本技术的一个实施例中，服务器220可以是云服务器，并且服务器220可以采用云存储和云计算等技术进行本技术中的图像色彩特征提取方法。
65.云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统）是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备（存储设备也称之为存储节点）通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。
66.云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
67.接着，结合具体实施方式对本技术提供的图像色彩特征提取方法、图像色彩特征提取装置、计算机可读介质以及电子设备等技术方案做出详细说明。
68.图3示意性示出了本技术一个实施例中的图像色彩特征提取方法的步骤流程示意图，该图像色彩特征提取方法由服务器执行，该服务器具体可以是图2中的服务器220。如图3所示，本技术实施例中的图像色彩特征提取方法主要可以包括如下的步骤s310至步骤s330。
69.步骤s310：获取待处理图像，对所述待处理图像进行预处理，以获取所述待处理图像在hsl色彩空间中的hsl坐标向量集合；步骤s320：获取与目标色彩特征对应的预设参数，基于所述预设参数对所述hsl坐标向量集合进行聚类以获取与所述目标色彩特征对应的特征点，并根据所述特征点的坐标确定特征点坐标集合；步骤s330：根据所述特征点坐标集合中各特征点坐标之间的相似度，确定目标特征点坐标，并根据所述目标特征点坐标确定所述待处理图像中对应所述目标色彩特征的特征值。
70.在本技术实施例提供的图像色彩特征提取方法中，在对待处理图像进行预处理得到待处理图像在hsl色彩空间中的hsl坐标向量集合后，根据与目标色彩特征对应的预设参数对hsl坐标向量集合进行聚类以获取与目标色彩特征对应的特征点，并根据聚类得到的特征点的坐标确定特征点坐标集合，进一步地，根据特征点坐标集合中各特征点坐标之间的相似度可以确定目标特征点坐标，该目标特征点坐标对应的色彩特征值即为目标色彩特
征对应的特征值。本技术一方面能够直接从原始图像中提取像素信息，利用hsl色彩空间承载原始图像的色彩信息，避免了压缩图像导致色彩丢失，并且也保证了图像的亮度和饱和度不丢失；另一方面能够通过聚类确定不同色彩特征对应的特征点坐标，进而获取对应的色彩特征值，提高了图像色彩特征的准确性，使其更符合图像本身。
71.下面对本技术实施例中的图像色彩特征提取方法的各个方法步骤的具体实现方式进行详细说明。
72.在步骤s310中，获取待处理图像，对所述待处理图像进行预处理，以获取所述待处理图像在hsl色彩空间中的hsl坐标向量集合。
73.在本技术的一个实施例中，用户可以在终端设备的图库中选择需要提取色彩特征的图像作为待处理图像，也可以从互联网上获取待处理图像，进一步地，用户还可以在终端设备中定义图像路径信息，根据该图像路径信息即可获取待处理图像，本技术实施例中对获取待处理图像的方式不作具体限定。
74.在本技术的一个实施例中，在获取待处理图像后，可以对其进行预处理，以获取对应的hsl坐标向量集合。图4示意性示出了对待处理图像进行预处理的流程示意图，如图4所示，在步骤s401中，将所述待处理图像转换为位图，对所述位图中所有像素点的像素信息进行坐标转换，以获取与所述像素点对应的第一hsl坐标；在步骤s402中，对所述位图进行锐化处理，提取锐化后所述位图中所有像素点对应的第二hsl坐标；在步骤s403中，将所述第一hsl坐标和所述第二hsl坐标映射至hsl色彩空间，以获取由所述第一hsl坐标对应的向量和所述第二hsl坐标对应的向量所构成的所述hsl坐标向量集合。
75.其中，在步骤s401中，可以采用bitmap factory将待处理图像转换为位图，遍历位图中的各个像素点，将像素点的像素信息根据rgb坐标系和hsl坐标系的转换关系进行坐标转换得到像素点的hsl坐标，并将该hsl坐标标记为第一hsl坐标；在步骤s402中，可以采用拉普拉斯变换，对位图进行锐化处理，通过锐化处理可以丰富位图在饱和度和色彩上的显示效果，接着可以将锐化后位图中所有像素点对应的像素信息根据rgb坐标系和hsl坐标系的转换关系进行坐标转换，以获取锐化后位图中所有像素点对应的hsl坐标，记为第二hsl坐标；在步骤s403中，由于锐化处理丰富了饱和度和色彩上的显示效果，因此为了提高所提取的图像色彩特征值的准确性，可以将第一hsl坐标和第二hsl坐标作为后续聚类的数据集，另外，由于聚类时需要采用hsl坐标的向量表示，因此可以将第一hsl坐标和第二hsl坐标映射至hsl色彩空间，获取第一hsl坐标和第二hsl坐标对应的向量表示。
76.图5a示意性示出了hsl色彩空间的界面示意图，如图5a所示，hsl色彩空间是由色相、饱和度、亮度构成的一个圆柱体，圆柱体的横截面可以看作是一个极坐标系，色相h用极坐标的极角表示，色相表示色彩信息，即所处的光谱颜色的位置，饱和度s用极坐标的极轴长度表示，饱和度越高，说明颜色越深，饱和度越低，说明颜色越浅，越接近白色，饱和度为0表示纯白色，亮度l用圆柱体中轴的高度表示，中轴的最下端为黑色、最上端为白色。
77.由于在hsl色彩空间中，亮度l达到最上端时，无论色相和饱和度如何变化，都是白色，亮度l达到最下端时，无论色相和饱和度如何变化，都是黑色，因此hsl色彩空间也可以从圆柱体切换为球体，如图5b所示，其中亮度l、色相h和饱和度s的变化规律与图5a所示的hsl色彩空间中亮度l、色相h和饱和度s的变化规律相同。相应地，在确定邻域半径和邻域密度阈值时，可以基于圆柱体或者球体的hsl色彩空间进行确定。
78.在获取第一hsl坐标和第二hsl坐标后，可以将其映射在hsl色彩空间中，也就是说，一个hsl坐标对应hsl色彩空间中的一个点，该点具有唯一的色相、饱和度和亮度，根据hsl色彩空间的球心和hsl坐标即可获取hsl坐标对应的向量表示，该向量表示具体为[h，s，l]。进一步地，可以根据所有第一hsl坐标和第二hsl坐标对应的向量表示，构建hsl坐标向量集合，该hsl坐标向量集合即为聚类对象。在步骤s320中，获取与目标色彩特征对应的预设参数，基于所述预设参数对所述hsl坐标向量集合进行聚类以获取与所述目标色彩特征对应的特征点，并根据所述特征点的坐标确定特征点坐标集合。
[0079]
在本技术的一个实施例中，在获取hsl坐标向量集合后，可以对其进行聚类，获取特征点坐标集合。聚类的目的是将对应相同色彩特征的点聚集在一起，因此需要根据目标色彩特征的聚类参数进行聚类，但由于不同色彩特征对应的聚类参数不同，因而在聚类之前，需要确定聚类操作所对应的目标色彩特征，进而获取该目标色彩特征对应的预设参数，再根据该预设参数对hsl坐标向量集合进行聚类以获取与目标色彩特征对应的特征点，并根据特征点的坐标确定与目标色彩特征对应的特征点坐标集合。
[0080]
在本技术的一个实施例中，色彩特征可以分为亮主色、柔和主色、亮柔和色、暗柔和色、亮鲜明色和暗鲜明色六类。具体地，亮主色为图像色调中的明亮色调主色；亮柔和色为图像色调中的明亮色柔和色调主色；暗柔和色为图像色调中的深色柔和色调主色；亮鲜明色为图像色调中的鲜明色明亮色调主色；暗鲜明色为 图像色调中的深色鲜明色调主色；柔和主色为图像色调中的柔和色调主色，其中主色是指概率上出现次数较多的色彩。
[0081]
在本技术的一个实施例中，聚类采用的预设参数包括邻域半径和邻域密度阈值，其中，邻域半径的确定方法为：在hsl色彩空间确定与目标色彩特征对应的主特征方向和辅助特征方向，并在hsl色彩空间中基于辅助特征方向构建与主特征方向相切的多个目标平面；然后根据各个目标平面对应的半径计算平均半径，该平均半径即为邻域半径，邻域半径为[0,1]中的值。邻域密度阈值的确定方法为：在hsl色彩空间确定与目标色彩特征对应的主特征方向和辅助特征方向，并在hsl色彩空间中基于辅助特征方向构建与主特征方向相切的多个目标平面；然后获取所有目标平面中包含数据点最多的区域作为密集区域，并根据密集区域中包含的数据点的数量和hsl色彩空间中包含的数据点的总数量之间的比值确定邻域密度阈值。其中，主特征方向和辅助特征方向是hsl色彩空间中的h方向、s方向和l方向的组合，对应目标色彩特征的主特征方向只有一个，对应目标色彩特征的辅助特征方向有两个，并且不同色彩特征对应的主特征方向不同，相应地，不同色彩特征对应的辅助特征方向也不同。
[0082]
目标色彩特征不同，对应的邻域半径和邻域密度阈值的定义也有所不同，以亮主色为例，图6示意性示出了亮主色的邻域的界面示意图，如图6所示，亮主色对应的主特征方向为色相h方向，辅助特征方向为s方向和l方向，那么可以统计hsl色彩空间中，亮度l和饱和度s方向，与色相h方向空间的切面作为目标平面，由于主色是指概率上出现次数较多的色彩，通常有多个色彩，因此亮主色对应的色相h有多个，相应地，亮度l和饱和度s方向与色相h方向空间的切面也有多个，即目标平面有多个，通过将所有目标平面对应的半径进行加和平均得到平均半径，该平均半径即为邻域半径，由于亮主色是随l方向上升的，因此邻域半径也随l方向上升。进一步地，可以统计hsl色彩空间中，h方向最密集的坐标区域中数据
点的数量和hsl色彩空间中包含的数据点的总数量的比值作为邻域密度阈值。
[0083]
根据亮主色的邻域半径和邻域密度阈值的定义方法，可以定义与其它色彩特征对应的邻域半径和邻域密度阈值，如表1所示：在本技术的一个实施例中，在获取hsl坐标向量，并确定目标色彩特征和目标色彩特征对应的邻域半径和邻域密度阈值后，可以根据该邻域半径和邻域密度阈值对hsl坐标
向量进行聚类。
[0084]
图7示意性示出了通过聚类获取特征点的流程示意图，如图7所示，该流程包括步骤s701-s702，具体为：步骤s701：遍历所述hsl坐标向量集合中的坐标向量，将任一所述坐标向量作为目标坐标向量。
[0085]
在本技术的一个实施例中，为了区别表示hsl坐标向量中不同坐标向量对应的像素点，可以将hsl坐标向量集合中所有坐标向量都用第一标识进行标记，当需要对某一个目标坐标向量进行分析时，则采用第二标识标记该目标坐标向量，其中，第一标识不同于第二标识，例如，第一标识可以为0，第二标识可以为1，当然还可以是其它类型的标识，本技术实施例对此不作具体限定。
[0086]
由于需要对所有坐标向量对应的像素点进行分类，因此需要对hsl坐标向量集合中的所有坐标向量进行轮询，以将所有坐标向量对应的像素点聚类至对应的点类型。
[0087]
步骤s702：根据所述目标坐标向量对应的像素点、所述邻域半径和所述邻域密度阈值，对所述hsl坐标向量集合中各坐标向量对应的像素点进行聚类，以确定各像素点的点类型，所述点类型为特征点、边界点或者噪声点。
[0088]
在本技术的一个实施例中，为了获取特征点坐标集合，那么就需要对hsl坐标向量集合中的坐标向量进行分析，获取与目标色彩特征对应的特征点，进而获取由特征点的坐标形成的特征点坐标集合。在对hsl坐标向量集合中的目标坐标向量进行分析时，可以根据目标坐标向量对应的像素点、目标色彩特征对应的邻域半径和邻域密度阈值确定hsl坐标向量集合中坐标向量的密度分布，该坐标向量的密度分布也就是像素点的密度分布，根据像素点的密度分布可以对像素点的类型进行判断，将像素点划分为噪声点、特征点和边界点，在获取特征点后即可获取特征点坐标集合。
[0089]
其中，特征点：目标像素点的eps邻域至少包含最小数目minpts的像素点，则称该目标像素点为特征点；边界点：不是特征点，但是落在某个特征点的邻域内；噪声点：既不是特征点，也不是边界点的任何点；eps邻域：给定像素点半径eps内的邻域称为该像素点的eps邻域。在本技术的实施例中，不同色彩特征对应的邻域半径和邻域密度阈值不同，因此在提取目标色彩特征时，可以将目标色彩特征对应的邻域半径作为半径eps，邻域密度阈值作为minpts。
[0090]
在本技术的一个实施例中，在确定具有第二标识的像素点后，可以以具有第二标识的像素点为中心，目标色彩特征对应的邻域半径为半径，确定第一邻域范围，接着获取第一邻域范围中所包含像素点的第一数量，并将第一数量与邻域密度阈值进行比较，当第一数量小于邻域密度阈值时，则将具有第二标识的像素点作为噪声点，当第一数量大于或等于邻域密度阈值时，则说明具有第二标识的像素点为特征点，可以将其对应的坐标添加至第一坐标集合中，同时将第一邻域范围中除具有第二标识的像素点之外的所有像素点的坐标添加至第二坐标集合中，该第二坐标集合中可能还存在特征点和对应于具有第二标识的像素点的边界点。
[0091]
接着，可以对第二坐标集合中的坐标向量进行遍历，判断各个坐标对应的像素点是否为特征点。具体地，首先，将第二坐标集合中任意一个坐标作为目标坐标，若目标坐标的标识为第一标识，则将第一标识更新为第二标识；接着，根据目标坐标对应的待分类像素
点和目标色彩特征对应的邻域半径确定第二邻域范围，并获取第二邻域范围所包含的像素点的第二数量；然后，将第二数量与邻域密度阈值进行比较，当第二数量小于邻域密度阈值时，将目标坐标添加至第二坐标集合，当第二数量大于或等于邻域密度阈值时，将目标坐标添加至第一坐标集合。循环上述流程，直至完成对所有像素点的聚类。
[0092]
在本技术的一个实施例中，在完成对所有像素点的聚类后，即可获取hsl坐标向量集合中各坐标向量对应的像素点的点类型，在本技术实施例中，由于第一坐标集合中存储的坐标均是邻域范围内存在像素点的数量多于或等于邻域密度阈值，符合特征点的定义，因此第一坐标集合中的坐标向量所对应的像素点均为特征点，根据该些特征点对应的坐标即可获取特征点坐标集合。同时第二坐标集合中的坐标可能是特征点邻域范围内的像素点坐标，也可能是位于特征点邻域范围边界上的像素点坐标，为了确定其类型，可以将第二坐标集合中各待比对坐标与特征点对应的边界点坐标集合进行匹配，当边界点坐标集合中存在该待比对坐标时，待比对坐标对应的像素点即为边界点，其中，边界点坐标集合是以特征点为中心、邻域半径为半径形成的圆上的点的坐标集合。
[0093]
在本技术的一个实施例中，在获取特征点坐标集合之后，需要对特征点坐标集合进行邻域评估，判断所确定的特征点坐标集合是否合理。具体地，首先，获取特征点坐标集合的密度，并将该密度与目标色彩特征对应的邻域密度阈值进行比较；然后，当密度大于目标色彩特征对应的邻域密度阈值时，保留该特征点坐标集合；当密度小于或等于目标色彩特征对应的邻域密度阈值时，调整该邻域密度阈值，并根据调整后的邻域密度阈值确定新的特征点坐标集合，直至新的特征点坐标集合的密度大于目标色彩特征对应的邻域密度阈值。
[0094]
其中，特征点坐标集合的密度是根据特征点的总数量和邻域内像素点总数量确定得到的，具体地，可以以特征点坐标集合中各特征点坐标为中心，目标色彩特征对应的邻域半径为半径，确定核心邻域；然后获取所有核心邻域中像素点的总数量和特征点坐标集合中特征点坐标向量的数量；最后通过将特征点坐标向量的数量与核心邻域中像素点的总数量相比，即可获取特征点坐标集合的密度。
[0095]
调整邻域密度阈值时，可以将邻域密度阈值调小，然后根据目标坐标向量对应的像素点、目标色彩特征对应的邻域半径和调小后的邻域密度阈值，对hsl坐标向量集合中各坐标向量对应的像素点进行聚类，重新确定各像素点的点类型，进而得到新的特征点坐标集合，并将新的特征点坐标集合的密度与调小后的邻域密度阈值进行比较，判断新的特征点坐标集合是否合理，通过重复该流程，直至获取合理的特征点坐标集合。在对邻域密度阈值进行调小时，可以按照千分之一的幅度调小，例如初始邻域密度阈值为0.31，但是根据该初始邻域密度阈值确定的特征点坐标集合的密度小于或等于初始邻域密度阈值，那么可以将初始邻域密度阈值调整为0.309，重新获取特征点坐标集合，如果新的特征点坐标集合的密度还是偏大，就继续调整邻域密度阈值为0.308，直至特征点坐标集合的密度小于所设置的邻域密度阈值。当然还可以按照其它幅度调小邻域密度阈值，本技术实施例对此不作具体限定。
[0096]
在步骤s330中，根据所述特征点坐标集合中各特征点坐标之间的相似度，确定目标特征点坐标，并根据所述目标特征点坐标确定所述待处理图像中对应所述目标色彩特征的特征值。
[0097]
在本技术的一个实施例中，在确定特征点坐标集合之后，由于特征点坐标集合可能存在有若干个元素，并不能作为最终的色彩特征提取结果，因此需要对特征点坐标集合进行分析，获取唯一的特征点坐标对应的色彩特征值作为色彩特征的提取结果。在本技术的实施例中，在确定唯一的特征点坐标时，是根据不同特征点坐标所对应的坐标向量之间的相似度确定得到的。
[0098]
图8示意性示出了获取目标特征点坐标的流程示意图，如图8所示，在步骤s801中，轮询所述特征点坐标集合中的特征点坐标，将任一所述特征点坐标作为待比较特征点坐标；在步骤s802中，计算所述待比较特征点坐标与所述特征点坐标集合中其它特征点坐标之间的相似度，对所有所述相似度进行加和平均，以获取与所述待比较特征点坐标对应的相似度平均值；在步骤s803中，在获取所述特征点坐标集合中所有特征点坐标对应的相似度平均值后，将对应最大相似度平均值的特征点坐标作为所述目标特征点坐标。
[0099]
值得说明的是，在计算相似度时，首先需要将特征点坐标映射至hsl色彩空间中，确定特征点坐标向量，然后计算特征点坐标向量之间的相似度。
[0100]
在本技术的一个实施例中，在获取目标特征点坐标后，可以将其映射至hsl色彩空间，获取该目标特征点坐标在hsl色彩空间中的色相、饱和度和亮度，所获取的色相、饱和度和亮度即为目标色彩特征的特征值。
[0101]
本技术实施例中的图像色彩特征提取方法可以通过软件开发工具包sdk或者软件模块的方式对外提供，图9示意性示出了应用图像色彩特征提取方法的系统架构的架构示意图，如图9所示，系统架构为三层架构，分为api层901、逻辑层902和组件层903。其中api层901用于对外提供不同类型的接口，可以包括图像预处理接口901-1、色彩特征获取类型接口901-2和特征参数设置接口901-3；逻辑层902用于完成图像色彩特征的提取逻辑的串联，可以包括图像预处理模块902-1、图像色彩特征提取模块902-2和特征参数模块902-3；组件层903包括按照功能划分的子功能模块，具体包括像素转换模块903-1、聚类模块903-2、特征召回模块903-3和相似度统计模块903-4。
[0102]
api层901中不同类型的接口、逻辑层902中不同类型的逻辑模块和组件层903中不同类型的功能模块之间是相互对应的，具体地，图像预处理接口901-1与图像预处理模块902-1和像素转换模块903-1是对应的，通过调用图像预处理接口901-1可以将待处理图像输入至系统中，接着基于图像预处理模块902-1中的预处理逻辑可以通过像素转化模块903-1对待处理图像进行预处理，该预处理包括位图转换、坐标转换、锐化处理以及向量转换，最终可以得到待处理图像对应的hsl坐标向量集合；特征参数设置接口901-3和特征参数模块902-3对应，可以调用特征参数设置接口901-3将设置好的特征参数发送至特征参数模块902-3进行存储；色彩特征获取类型接口901-2、图像色彩特征提取模块902-2、聚类模块903-2、特征召回模块903-3和相似度统计模块903-4相对应，可以调用色彩特征获取类型接口901-2输入目标色彩特征，图像色彩特征提取模块902-2根据目标色彩特征从特征参数模块902-3中获取目标色彩特征对应的特征参数，即邻域半径和邻域密度阈值，然后调用聚类模块903-2根据邻域半径和邻域密度阈值对hsl坐标向量集合中各个坐标向量对应的像素点进行聚类得到与目标色彩特征对应的特征点，并根据特征点的坐标确定得到特征点坐标集合，接着调用特征召回模块903-3对特征点坐标集合进行邻域评估，并根据评估结果对特征点坐标集合进行更新，直至得到满足评估条件的特征点坐标集合，最后可以调用相似
度统计模块903-4对特征点坐标集合中的特征点坐标进行相似度量化处理，提取与目标色彩特征对应的目标特征点坐标，基于该目标特征点坐标即可确定与目标色彩特征对应的特征值，实现对图像色彩特征的提取。
[0103]
进一步地，特征参数模块902-3中存储的特征参数还可以是通过函数设置或者云端下发的，本技术实施例对此不作具体限定。
[0104]
本技术中的图像色彩特征提取可以应用于任意需要进行色彩特征提取的场景，例如图像比对、ui自适应等场景。接下来，以图像对比为例，对本技术中的图像色彩特征提取方法进行说明。
[0105]
对于图像a和图像b，可以分别提取图像a和图像b中的色彩特征值，通过比对图像a和图像b的色彩特征值确定图像a和图像b之间的相似度。由于对图像a进行色彩特征提取的方法与对图像b进行色彩特征提取的方法相同，因此仅以对图像a进行色彩特征提取为例，进行说明。
[0106]
图10示意性示出了获取图像a的色彩特征值的流程示意图，如图10所示，在步骤s1001中，将图像a转换为位图；在步骤s1002中，将位图中像素的像素信息进行坐标转换，获取像素的第一hsl坐标；在步骤s1003中，采用拉普拉斯变换法对位图进行锐化处理；在步骤s1004中，将锐化后位图中像素的像素信息进行坐标转换，获取像素的第二hsl坐标；在步骤s1005中，将步骤s1002和步骤s1004中获取的第一hsl坐标和第二hsl坐标映射至hsl色彩空间，获取hsl坐标向量集合；在步骤s1006中，获取目标色彩特征对应的邻域半径和邻域密度阈值；在步骤s1007中，根据邻域半径和邻域密度阈值对hsl坐标向量集合中各个坐标向量对应的像素点进行聚类获取与目标色彩特征对应的特征点，并根据特征点的坐标确定特征点坐标集合；在步骤s1008中，对特征点坐标集合进行邻域评估，若符合评估条件，则保留该特征点坐标集合，若不符合评估条件，调整邻域密度阈值，直至获取符合评估条件的特征点坐标集合；在步骤s1009中，对特征点坐标集合中的特征点坐标进行相似度量化处理，获取目标色彩特征对应的目标特征点坐标；在步骤s1010中，将目标特征点坐标映射至hsl色彩空间，获取与目标色彩特征对应的特征值；在步骤s1011中，重复步骤s1006-s1010，直至获取所有色彩特征对应的特征值。
[0107]
根据图10所示的色彩特征提取流程，可以获取图像b中不同色彩特征对应的特征值，进一步地，通过将图像a和图像b中对应相同色彩特征的特征值进行比对，可以得到图像a和图像b之间的相似度，具体地，可以通过将具有相同特征值的色彩特征的数量与色彩特征的总数量相比，获取该相似度。作为一个可选实施例，还可以将特征值偏差在一定范围内的特征值认为是具有相同色彩特征的，那么可以通过确定具有相同色彩特征的数量与色彩特征的总数量相比，确定图像a和图像b的相似度。
[0108]
本技术实施例提供的图像色彩特征提取方法，在对待处理图像进行预处理得到待处理图像在hsl色彩空间中的hsl坐标向量集合后，根据与目标色彩特征对应的预设参数对hsl坐标向量集合进行聚类获取与目标色彩特征对应的特征点，并根据特征点的坐标确定特征点坐标集合，进一步地，根据特征点坐标集合中各特征点坐标之间的相似度可以确定目标特征点坐标，该目标特征点坐标对应的色彩特征值即为目标色彩特征对应的特征值。本技术一方面能够直接从原始图像中提取像素信息，利用hsl色彩空间承载原始图像的色彩信息，避免了压缩图像导致色彩丢失，并且也保证了图像的亮度和饱和度不丢失；另一方
面能够通过聚类确定不同色彩特征对应的特征点坐标，进而获取对应的色彩特征值，提高了图像色彩特征的准确性，使其更符合图像本身。
[0109]
可以理解的是，在本技术的具体实施方式中，涉及到采集与多媒体相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户/平台许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0110]
应当注意，尽管在附图中以特定顺序描述了本技术中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0111]
以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的图像色彩特征提取方法。图11示意性示出了本技术实施例提供的图像色彩特征提取装置的结构框图，如图11所示，图像色彩特征提取装置1100包括：预处理模块1110、聚类模块1120和色彩特征值确定模块1130，具体地：预处理模块1110，用于获取待处理图像，对所述待处理图像进行预处理，以获取所述待处理图像在hsl色彩空间中的hsl坐标向量集合；聚类模块1120，用于获取与目标色彩特征对应的预设参数，基于所述预设参数对所述hsl坐标向量集合进行聚类以获取与所述目标色彩特征对应的特征点，并根据所述特征点的坐标向量确定特征点坐标集合；色彩特征值确定模块1130，用于根据所述特征点坐标集合中各特征点坐标之间的相似度，确定目标特征点坐标，并根据所述目标特征点坐标确定所述待处理图像中对应所述目标色彩特征的特征值。
[0112]
在本技术的一些实施例中，基于以上技术方案，所述预处理模块1110配置为：将所述待处理图像转换为位图，对所述位图中所有像素点的像素信息进行坐标转换，以获取与所述像素点对应的第一hsl坐标；对所述位图进行锐化处理，提取锐化后所述位图中所有像素点对应的第二hsl坐标；将所述第一hsl坐标和所述第二hsl坐标映射至hsl色彩空间，以获取由所述第一hsl坐标对应的向量和所述第二hsl坐标对应的向量所组成的所述hsl坐标向量集合。
[0113]
在本技术的一些实施例中，所述预设参数包括邻域半径和邻域密度阈值；基于以上技术方案，所述聚类模块1120配置为：在所述hsl色彩空间中确定与所述目标色彩特征对应的主色彩特征方向和辅助特征方向，并在所述hsl色彩空间中基于所述辅助特征方向构建与所述主特征方向相切的多个目标平面；根据各所述目标平面对应的半径计算平均半径，并将所述平均半径作为所述邻域半径；以及，获取所有所述目标平面中包含数据点最多的区域作为密集区域，并根据所述密集区域中包含的数据点的数量和所述hsl色彩空间中所包含的数据点的总数量确定所述邻域密度阈值。
[0114]
在本技术的一些实施例中，所述预设参数包括邻域半径和邻域密度阈值；基于以上技术方案，所述聚类模块1120包括：遍历单元，用于遍历所述hsl坐标向量集合中的坐标向量，将任一所述坐标向量作为目标坐标向量；聚类单元，用于根据所述目标坐标向量对应的像素点、所述邻域半径和所述邻域密度阈值，对所述hsl坐标向量集合中各坐标向量对应的像素点进行聚类，以确定各像素点的点类型，所述点类型为特征点、边界点或者噪声点。
[0115]
在本技术的一些实施例中，所述遍历单元配置为：采用第一标识标记所述hsl坐标向量集合中除所述目标坐标向量之外的所有坐标向量，同时采用第二标识标记所述目标坐标向量，所述第二标识不同于所述第一标识。
[0116]
在本技术的一些实施例中，基于以上技术方案，所述聚类单元包括：邻域构建单元，用于以所述第二标识对应的像素点为中心、所述邻域半径为半径，确定第一邻域范围，获取所述第一邻域范围中包含像素点的第一数量；比较单元，用于将所述第一数量与所述邻域密度阈值进行比较，当所述第一数量小于所述邻域密度阈值时，判断所述第二标识对应的像素点为所述噪声点；分类单元，用于当所述第一数量大于或等于所述邻域密度阈值时，将所述第二标识对应的像素点的坐标添加至第一坐标集合中，根据所述第一邻域范围中除具有所述第二标识对应的像素点之外的像素点的坐标构建第二坐标集合，并根据所述第二坐标集合、所述邻域半径和所述邻域密度阈值对所述第二坐标集合中的待分类像素点进行分类，以获取与所述待分类像素点对应的点类型。
[0117]
在本技术的一些实施例中，基于以上技术方案，所述分类单元配置为：遍历所述第二坐标集合中各所述坐标，将任一坐标作为目标坐标；当所述目标坐标对应的标识为所述第一标识时，将所述第一标识更新为所述第二标识；以所述目标坐标对应的待分类像素点为中心、所述邻域半径为半径，确定第二邻域范围，并获取所述第二邻域范围中所包含像素点的第二数量；将所述第二数量与所述邻域密度阈值进行比较；当所述第二数量小于所述邻域密度阈值时，将所述目标坐标添加至所述第二坐标集合中；当所述第二数量大于或等于所述邻域密度阈值时，将所述目标坐标添加至所述第一坐标集合中；根据所述第一坐标集合和所述第二坐标集合确定与所述待分类像素点对应的点类型。
[0118]
在本技术的一些实施例中，基于以上技术方案，所述根据所述第一坐标集合和所述第二坐标集合确定与所述待分类像素点对应的点类型，配置为：将所述第一坐标集合中的坐标所对应的像素点作为所述特征点；将所述第二坐标集合中各待比对坐标与所述特征点对应的边界点坐标集合进行匹配，当所述边界点坐标集合中存在所述待比对坐标时，将所述待比对坐标对应的像素点作为所述边界点。
[0119]
在本技术的一些实施例中，基于以上技术方案，所述聚类模块1120还配置为：获取所述特征点对应的特征点坐标集合的密度，将所述密度与所述邻域密度阈值进行比较；当所述密度大于所述邻域密度阈值时，保留所述特征点坐标集合；当所述密度小于或等于所述邻域密度阈值时，调整所述邻域密度阈值，并根据调整后的邻域密度阈值确定新的特征点坐标集合；重复以上流程，直至获取特征点坐标集合的密度大于调整后的邻域密度阈值的特征点坐标集合。
[0120]
在本技术的一些实施例中，基于以上技术方案，所述图像色彩特征提取装置1100还包括：核心邻域确定模块，用于以所述特征点坐标集合中各特征点坐标为中心，所述邻域半径为半径，确定核心邻域；密度确定模块，用于获取所有所述核心邻域中像素的总数量，根据所述特征点坐标的数量和所述总数量确定所述特征点坐标集合的密度。
[0121]
在本技术的一些实施例中，基于以上技术方案，所述色彩特征值确定模块1130包括：轮询单元，用于轮询所述特征点坐标集合中的特征点坐标，将任一所述特征点坐标作为待比较特征点坐标；相似度计算单元，用于计算所述待比较特征点坐标与所述特征点坐标集合中其它特征点坐标之间的相似度，对所有所述相似度进行加和平均，以获取与所述待
比较特征点坐标对应的相似度平均值；目标特征点坐标获取单元，用于在获取所述特征点坐标集合中所有特征点坐标对应的相似度平均值后，将对应最大相似度平均值的特征点坐标作为所述目标特征点坐标。
[0122]
在本技术的一些实施例中，基于以上技术方案，所述色彩特征值确定模块1130配置为：将所述目标特征点坐标映射至hsl色彩空间，以获取所述待处理图像中对应所述目标色彩特征的特征值。
[0123]
本技术各实施例中提供的图像色彩特征提取装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。
[0124]
图12示意性地示出了用于实现本技术实施例的电子设备的计算机系统结构框图，该电子设备可以是如图2中所示的终端设备210或者服务器220。
[0125]
需要说明的是，图12示出的电子设备的计算机系统1200仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0126]
如图12所示，计算机系统1200包括中央处理器1201（central processing unit，cpu），其可以根据存储在只读存储器1202（read-only memory，rom）中的程序或者从存储部分1208加载到随机访问存储器1203（random access memory，ram）中的程序而执行各种适当的动作和处理。在随机访问存储器1203中，还存储有系统操作所需的各种程序和数据。中央处理器1201、在只读存储器1202以及随机访问存储器1203通过总线1204彼此相连。输入/输出接口1205（input /output接口，即i/o接口）也连接至总线1204。
[0127]
在一些实施例中，以下部件连接至输入/输出接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管（cathode ray tube，crt）、液晶显示器（liquid crystal display，lcd）等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至输入/输出接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
[0128]
特别地，根据本技术的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在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部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理器1201执行时，执行本技术的系统中限定的各种功能。
[0129]
需要说明的是，本技术实施例所示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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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）、闪存、光纤、便携式紧凑磁盘只读存储器（compact disc read-only memory，cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读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。而在本技术中，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介质以外的任何计算机可读介质，该计算机可读介质可以发送、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：无线、有线等等，或者上述的任意合适的组合。
[0130]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。
[0131]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0132]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台电子设备执行根据本技术实施方式的方法。
[0133]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
[0134]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。