室内采光识别方法、装置、电子设备和存储介质与流程

1.本发明涉及图像处理技术领域，具体而言，涉及一种室内采光识别方法、装置、电子设备和存储介质。


背景技术：

2.室内采光程度是判断房屋品质的重要维度，采光好，就意味着房子亮堂，房屋品质比较高，相反，采光差的房屋品质也比较低，采光会受到很多维度的影响，如房子的朝向、楼间距、楼层、进深和面宽等等。同时，拍摄曝光、天气情况、是否开灯和窗帘等都会影响房屋室内采光程度的判断，因此，如何对室内采光程度进行准确、客观的评价是本领域技术人员亟待解决的问题。


技术实现要素：

3.本发明的目的在于提供了一种室内采光识别方法、装置、电子设备和存储介质，其能够准确识别室内采光。
4.本发明的实施例可以这样实现：
5.第一方面，本发明提供一种室内采光识别方法，所述方法包括：
6.获取待识别房屋的室内照片；
7.将所述室内照片划分为多个网格；
8.对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征；
9.将所述采光特征输入至预先训练的采光识别模型，得到所述待识别房屋的采光程度的识别结果。
10.在可选的实施方式中，所述对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征的步骤包括：
11.对所述多个网格的图像特征进行统计分析，得到所述室内照片的整体特征；
12.对所述多个网格的亮度值进行分析，得到所述室内照片的亮度特征；
13.将所述整体特征和所述亮度特征作为所述采光特征。
14.在可选的实施方式中，所述对所述多个网格的亮度值进行分析，得到所述室内照片的亮度特征的步骤包括：
15.对所述多个网格的亮度值进行亮度分布分析，得到所述室内照片的网格特征；
16.对所述多个网格的亮度值进行对比度分析，得到所述室内照片的对比特征；
17.对所述多个网格的亮度值进行亮度变化分析，得到所述室内照片的变化特征；
18.根据亮度值大于预设值、且位置连续的多个网格，确定所述室内照片的业务特征；
19.将所述网格特征、所述对比特征、所述变化特征及所述业务特征作为所述采光特征。
20.在可选的实施方式中，所述采光识别模型的训练过程为：
21.获取多张样本图像，所述样本图像包括有标签样本图像和无标签样本图像，所述有标签样本图像的真实标签表征所述有标签样本图像的采光程度；
22.根据所述有标签样本图像及其真实标签确定所述无标签样本图像的虚拟标签；
23.利用所述有标签样本图像及其真实标签和所述无标签样本图像及其虚拟标签对所述采光识别模型进行训练，得到训练后的采光识别模型。
24.在可选的实施方式中，所述根据所述有标签样本图像及其真实标签确定所述无标签样本图像的虚拟标签的步骤包括：
25.根据所述有标签样本图像及其真实标签，利用标签传播算法，从所述无标签样本图像中确定与有标签样本图像属于相同类别的初选无标签样本图像；
26.将所述有标签样本图像的真实标签作为与其属于相同类型的初选无标签样本图像的虚拟标签；
27.若所述无标签样本图像中还存在未确定出虚拟标签的待选无标签样本图像，则按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签。
28.在可选的实施方式中，所述按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签的步骤包括：
29.从所述待选无标签样本图像的采光特征中获取所表征的采光程度与真实标签一致的目标特征；
30.根据所述待选无标签样本图像的目标特征的取值及预设阈值，从所述待选无标签样本图像中选取预设比例的图像作为目标无标签样本图像，所述目标无标签样本图像的虚拟标签为与所述目标特征表征的采光程度一致的真实标签。
31.在可选的实施方式中，所述按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签的步骤还包括：
32.若所述无标签样本图像中还存在尚未确定出虚拟标签的剩余图像，则将所有所述剩余图像作为一类，并为所有所述剩余图像设置表征该类别的虚拟标签。
33.第二方面，本发明提供一种室内采光识别装置，所述装置包括：
34.获取模块，用于获取待识别房屋的室内照片；
35.分析模块，用于将所述室内照片划分为多个网格；
36.所述分析模块，还用于对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征；
37.识别模块，用于将所述采光特征输入至预先训练的采光识别模型，得到所述待识别房屋的采光程度的识别结果。
38.第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现前述实施方式中任一项所述的室内采光识别方法。
39.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现前述实施方式中任一项所述的室内采光识别方法。
40.本发明实施例通过对待识别房屋的室内照片划分多个网格，对多个网格的图像特征进行分析，确定表征待识别房屋的采光程度的采光特征，再将分析出来的采光特征输入至预先训练的采光识别模型，最终得到准确的待识别房屋的采光程度的识别结果，通过对
网格的图像特征分析得到能准确表征待识别房屋采光的采光特征，再利用采光特征及采光识别模型，得到准确的采光识别结果。
附图说明
41.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
42.图1为本发明实施例提供的室内采光识别方法的流程示例图。
43.图2为本发明实施例提供的对欠曝图片进行曝光调整前后的对比示例图。
44.图3为本发明实施例提供的不同网格大小划分的示例图。
45.图4为本发明实施例提供的亮度图的热力图的示例图。
46.图5(a)为本发明实施例提供的平均亮度维度下网格的亮度值分析的示例图。
47.图5(b)为本发明实施例提供的网格亮部占比维度下网格的亮度值分析的示例图。
48.图5(c)为本发明实施例提供的暗部占比维度下网格的亮度值分析的示例图。
49.图6为本发明实施例提供的特征维度排序结果的示例图。
50.图7为本发明实施例提供的室内采光装置的方框示例图。
51.图8为本发明实施例提供的电子设备的方框示意图。
52.图标：10-电子设备；11-处理器；12-存储器；13-总线；100-室内采光识别装置；110-获取模块；120-分析模块；130-识别模块；140-训练模块。
具体实施方式
53.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
54.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
56.在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
57.此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
58.需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
59.室内采光程度是判断房屋品质的重要维度，对房屋的室内采光进行准确、客观地评价在房屋工程及房屋相关的衍生领域都有广泛的应用场景。在房抵贷中，贷款机构会对购房者的房屋进行评估，计算房屋估值是衡量房屋价值和品质的重要手段。房屋估值亦称房产估值，是指根据房屋的结构、标准、地理位置、用料、面积、新旧程度等因素对房屋价值的估算。
60.在房产估值的计算中，室内采光程度是判断房屋品质的重要维度，采光好，就意味着房子亮堂，光线亮一点，房屋价值就会更高，相反，住在采光差的房子里，心里会很压抑，房屋价值就会偏低。采光会受到很多维度的影响，如房子的朝向、楼间距、楼层、进深和面宽等等。同时，拍摄曝光、天气情况、是否开灯和窗帘等都会影响房屋的判断。但是，采光极好或采光极差并不这么好定义，不同的人针对采光程度有可能会有自己的判别标准，因此如何通过室内照片判断采光程度，成为本领域技术人员亟待解决的技术问题。
61.室内采光程度识别通常采用人工判断，而人工判断涉及判断标准不一致，采光程度的理解不一致等难于界定，造成采光程度的判断不够准确、不够客观。
62.有鉴于此，本发明实施例提出了一种室内采光识别方法、装置、电子设备和存储介质，通过将室内照片进行网格划分，对网格的图像特征进行分析，得到较为准确的表征采光程度的采光特征，根据采光特征利用采光识别模型对房屋进行采光程度的准确识别，利用本发明实施例提供的采光结果一方面能够校验客户经理或客户填写信息的真实性；另一方面，也能够直接根据本发明实施例提供的采光识别结果对室内采光情况进行初步判断。下面将对其进行详细描述。
63.请参考图1，图1为本发明实施例提供的室内采光识别方法的流程示例图，该方法包括以下步骤：
64.步骤s101，获取待识别房屋的室内照片。
65.在本实施例中，由于图像曝光对采光的识别有很大影响，室内照片是根据获取到的待识别房屋的原始照片的曝光质量对原始照片进行曝光修正处理后的照片，对于曝光质量较好的原始照片，无需处理就可以将原始照片作为室内照片，对于曝光质量欠佳的原始照片，需要将原始照片进行曝光修正后，将修正后的原始照片作为室内照片。
66.在本实施例中，相机成像中，用错误的曝光捕捉照片仍然是错误的主要来源，过曝和欠曝是图像曝光不当导致的亮度问题。具体来说，过曝表示图像过度曝光，即图像中某些区域太亮，超出了相机传感器能够捕捉到的范围；而欠曝则表示图像曝光不足，即图像中某些区域太暗，无法展现真实细节。在拍摄房屋采光时，过曝和欠曝可能会根据拍摄环境和相机设置而产生，比如强光环境下未能适当控制相机曝光时间等原因，这时捕捉到的图片偏亮或偏暗并不是真实的，而是由于拍摄造成的“假采光”判断，这时就需要将这部分图片进行曝光修正。
67.图像处理中一般采用直方图均衡化的方法来处理过曝和欠曝的图像。直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法。例如，更亮的图像将所有像素限制在高值。但是一个好的图像会有来自图像所有区域的像素。因此，需要将这个直方图扩展到两端。直方图均衡化的基本原理是：对在图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽，而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并，从而增大对比度，使图像清晰，达到增强的目的。要想实现图像直方图均衡化
的效果,对于原图像的直方图需要做一个分布函数的映射，这个映射函数就是累积分布函数。在直方图均衡化过程中，映射方法是：
[0068][0069]
k＝0,1,2,
…
,l-1
[0070]
其中，n是图像中像素的总和，k是指像素的灰度级数，即图像中像素的灰度级数，nj是当前灰度级j的像素个数，l是图像中可能的灰度级总数。需要说明的是，直方图均衡化通常来说都是对单通道图像进行的，如果是多通道图像则可以对每个通道分别进行均衡化。
[0071]
请参照图2，图2为本发明实施例提供的对欠曝图片进行曝光调整前后的对比示例图，图2中的欠曝图片的整张图片都极暗，不能真实地反映房屋的采光情况，图2中的通过曝光修正后的图片能够较为真实地反映房屋的采光情况。
[0072]
除了直方图均衡化的方法，还可以通过神经网络的方法进行曝光修正，通过训练人工神经网络，学习图片中各个区域的亮度分布规律和图像曝光值之间的函数关系，以预测并调整图像曝光值，从而实现图像的曝光修正。一种实现流程如下：将一组原始图像和对应的曝光值输入训练集中，通过人工神经网络学习图像中不同区域的亮度分布特征和曝光值之间的映射关系，训练出一个能够对不同图像进行曝光修正的模型。利用已训练好的神经网络对新的图像进行曝光修正，将新的图像输入到已经训练好的神经网络中，通过神经网络计算出新的曝光值，并对图像进行相应的曝光修正。
[0073]
步骤s102，将室内照片划分为多个网格。
[0074]
在本实施例中，一方面，为了对室内照片的图像特征进行准确分析，从而能够得到准确反应采光程度的采光特征，另一方面，为了提高分析的效率，将室内照片划分为多个网格，通过分析网格的图像特征，得到采光特征。
[0075]
将室内照片划分为多个网格，即将室内照片划分成若干个小的网格区域，每个小区域内都有一个特定的宽度、高度和亮度，并且代表了室内图像中对应区域的像素。
[0076]
请参照图3，图3为本发明实施例提供的不同网格大小划分的示例图，图3中示出了原图、3
×
3网格化后的图、6
×
6网格化后的图、12
×
12网格化后的图。
[0077]
在将室内照片进行网格化处理时，网格大小的不同会对分析结果产生一定的影响。一般来说，网格越小，对室内照片的细节信息进行了更加精细的提取，能够检测到更小范围内的亮度变化和特征变化；反之，网格越大，覆盖的区域也越广，可以提取更为宏观的图像特征。在房屋采光能力的分析中，采用不同大小的网格化处理也会导致分析结果的不同。如果采用较小的网格大小，可以更加精细地检测出房间各个位置的亮度和颜色分布情况，并且可以更好地分析窗户的采光效果。但是，因为网格相对较小，计算量较大，需要更多的时间和计算资源。反之，采用较大的网格大小可以快速获得整体的亮度和颜色分布情况，但是可能会忽略某些局部细节。因此，在训练采光识别模型阶段，进行网格化处理时，可以需要根据模型训练采用的数据集的情况选择合适的网格大小，以在保证结果准确的基础上提高计算效率。另外，还可以根据实际应用场景，结合人的视觉习惯和对图像特征的理解，选择更加合适的网格大小。
[0078]
步骤s103，对多个网格的图像特征进行分析，确定表征待识别房屋的采光程度的采光特征。
[0079]
在本实施例中，对多个网格的图像特征进行分析包括、不限于通过计算不同网格内像素的平均亮度值，了解到整个图片的亮度情况、通过特征提取的方法，对不同网格内像素的亮度、颜色等信息进行统计和分析，衍生出表征待识别房屋的采光程度的采光特征。
[0080]
步骤s104，将采光特征输入至预先训练的采光识别模型，得到待识别房屋的采光程度的识别结果。
[0081]
在本实施例中，采光识别模型的训练方法可以与本实施例提供的室内采光识别方法在同一个设备上运行，先在设备上运行训练采光识别模型的方法，再运行室内采光识别方法，两者也可以在不同的设备上运行，本实施例对此不予限定。
[0082]
本实施例提供的上述方法，通过将室内照片进行网格划分，对网格的图像特征进行分析，得到较为准确的表征采光程度的采光特征，根据采光特征利用采光识别模型对房屋进行采光程度的准确识别。
[0083]
在可选的实施方式中，一种确定表征待识别房屋的采光程度的采光特征的实现方式是：
[0084]
首先，对多个网格的图像特征进行统计分析，得到室内照片的整体特征；
[0085]
在本实施例中，整体特征包括、但不限于室内照片的整体亮度、宽和高的比值、室内照片的大小、室内照片的对比度、色调、深度、整体亮部占比、整体暗部占比等等。注意，这里的亮度范围0到255，0代表全黑(暗)，255代表全白(亮)，数字越大亮度越亮，数字越小亮度越暗。亮部指网格灰度值大于设定亮度阈值的格子(例如，亮度阈值为180)，暗部指网格灰度值小于设定暗度阈值的格子(例如，暗度阈值为80)。
[0086]
其次，对多个网格的亮度值进行分析，得到室内照片的亮度特征；
[0087]
在本实施例中，对多个网格的亮度值的分析包括、但不限于亮度分布分析、对比度分析、亮度变化分析等。
[0088]
在本实施例中，一种得到室内照片的亮度特征实现方式为：
[0089]
对多个网格的亮度值进行亮度分布分析，得到室内照片的网格特征；
[0090]
对多个网格的亮度值进行对比度分析，得到室内照片的对比特征；
[0091]
对多个网格的亮度值进行亮度变化分析，得到室内照片的变化特征；
[0092]
根据亮度值大于预设值、且位置连续的多个网格，确定室内照片的业务特征；
[0093]
将网格特征、对比特征、变化特征及业务特征作为采光特征。
[0094]
在本实施例中，网格特征包括、但不限于不同网格的平均亮度、网格亮部占比、最亮网格亮度、网格暗部占比、最亮网格暗度、亮部平均亮度、暗部平均亮度等等。其中，网格亮部占比指计算亮部格子数占全部格子数的比例，同理，网格暗部占比指计算暗部格子数占全部格子数的比例。
[0095]
在本实施例中，对比特征包括、但不限于亮部与暗部的亮度平均差、最亮网格与最暗网格的相对距离、亮部中心点与暗部中心点的距离等等。即先计算亮部与暗部区域，再计算不同区域的对比程度与方向特征。
[0096]
在本实施例中，变化特征包括、但不限于计算纵向/横向亮度与暗部的变化程度、亮度与暗部区域边缘形状、亮部位置是否处于顶端等等。
[0097]
在本实施例中，业务特征可以通过连续亮部区域模拟窗口大小、方位、颜色强度等等，计算窗口面积、距离、是否窗帘部分遮挡、是否有其他物品遮挡等等。
[0098]
最后，将整体特征和亮度特征作为采光特征。
[0099]
在本实施例中，通过分析出室内照片的图像特征的统计规律及从多种维度对亮度进行分析，得到能够较为准确反映出室内采光的采光特征。
[0100]
在本实施例中，由于确定亮度特征时会涉及到网格的亮度值，本实施例还提供了两种计算亮度值的实现方式：
[0101]
方式一：rgb加权平均法
[0102]
亮度值可以通过灰度值体现，计算出的图片的灰度值可以作为图片的亮度值来使用，采用计算图片灰度图的方式(范围为0-255)，0代表全黑(暗)，255代表全白(亮)，数字越大亮度越亮，数字越小亮度越暗。计算图片的灰度值是将彩色图像转换为灰度图像的一种方法。灰度图像只包含一个通道，每个像素的灰度值代表了该像素在图像中的亮度，越高表示越亮，越低表示越暗。计算灰度值有多种方法，其中一种常用的方法是使用心理学灰度加权公式。在将rgb图像转换为灰度图像时，可以通过下面的公式计算灰度值：
[0103]
gray＝r
×
0.299+g
×
0.587+b
×
0.114
[0104]
其中，r、g、b分别代表像素的红、绿、蓝三个通道，0.299、0.587、0.114是心理学上感知亮度的加权系数，代表了人眼对不同颜色的感知程度不同。请参照图4，图4为本发明实施例提供的亮度图的热力图的示例图，图4展示了灰度图(亮度图)、9
×
9网格化后的亮度图及不同亮度的热力图。
[0105]
另外，还有一种直接取平均值的方法：
[0106]
gray＝(r+g+b)/3
[0107]
这种方法简单易懂，但是会忽略掉心理学上不同颜色的感知差异。
[0108]
方式二：hsv色彩空间的v通道法
[0109]
hsv色彩空间是一种常用的用于描述颜色的色彩空间。其中，h代表色调，s代表饱和度，v代表亮度。通过将图像转换到hsv色彩空间并提取v通道的数值，可以直接得到图像的亮度值。在实际应用中，可以根据需求选择适合的方法来计算图片的亮度值。
[0110]
在可选的实施方式中，在对采光识别模型进行训练时，需要采用样本图像及对应的表征采光程度的标签，由于采光程度的判断本身具有一定的难度，因此，对样本图像进行采光极好/极差的打标是相当耗时的工作，为了提高采光识别模型的训练效率，本实施例还提供了一种采用少量的带标签的样本图像对模型进行训练的实现方式：
[0111]
首先，获取多张样本图像，样本图像包括有标签样本图像和无标签样本图像，有标签样本图像的真实标签表征有标签样本图像的采光程度。
[0112]
在本实施例中，由于有标签样本图像只需要占整个样本图像的一小部分比例，因此，有标签样本图像的真实标签可以通过人工打标完成。由于较为极端的情况更容易准确识别，因此，真实标签可以包括采光极好和采光极差两种。
[0113]
其次，根据有标签样本图像及其真实标签确定无标签样本图像的虚拟标签。
[0114]
在本实施例中，虚拟标签可以和真实标签是一致的，例如，真实标签包括采光极好和采光极差，虚拟标签也包括采光极好和采光极差，虚拟标签还可以包括比真实标签更多的类别，例如，虚拟标签包括采光极好、采光极差及采光一般。
[0115]
最后，利用有标签样本图像及其真实标签和无标签样本图像及其虚拟标签对采光识别模型进行训练，得到训练后的采光识别模型。
[0116]
在可选的实施方式中，通过根据有标签样本图像及其真实标签确定无标签样本图像的虚拟标签，可以有效扩充样本图像的标签，使训练出的采光识别模型更准确，本实施例基于半监督的思想，利用已有的少量的有标签样本图像，结合单变量异常区域分析的方法，推断出室内采光的好坏情况，并进一步通过新增部分标签样本的方式补充标签库。由此，通过将少量标注好的数据与大量未标记数据相结合，实现了改善标签库的效果，新增了部分极好/极差样本的标签，进一步补充了标签库。
[0117]
一种实现方式为：根据有标签样本图像及其真实标签，利用标签传播算法，从无标签样本图像中确定与有标签样本图像属于相同类别的初选无标签样本图像；将有标签样本图像的真实标签作为与其属于相同类型的初选无标签样本图像的虚拟标签；若无标签样本图像中还存在未确定出虚拟标签的待选无标签样本图像，则按照待选无标签样本图像的采光特征确定待选无标签样本图像的虚拟标签。
[0118]
在本实施例中，标签传播算法基于类似样本将标签传递给邻近样本的思想，从而在未标记的数据中推测出其标记信息。其公式可以表示为：
[0119][0120]
其中，是样本i的标签预测结果，ω
ij
是样本j对样本i的影响权重，y(i)是样本j的真实标签值，n是样本总数。在标签传播算法中，影响权重ω
ij
通常基于数据之间的相似度计算得到。常见的相似度计算方法包括距离度量、核函数和图模型等。一种相似度的计算方式是使用的是欧式距离来分别计算影响权重，欧几里得距离(euclidean distance)公式如下：
[0121]
其中，d(p,q)是两点间的距离，q和p是两个点的n维向量，qi和pi分别是q和p的第i个分量。
[0122]
在本实施例中，利用标签传播算法确定出的初选无标签样本图像可以包括全部无标签样本图像，即全部无标签样本图像通过标签传播算法都确定出其虚拟标签，也可以只包括部分无标签样本图像，还有一部分无标签样本图像仍然未能确定出其虚拟标签，在一些应用场景中，确定出的虚拟标签仍然不能满足需求，此时，本实施例还提供了另一种确定剩余无标签样本图像的虚拟标签的实现方式：
[0123]
从待选无标签样本图像的采光特征中获取所表征的采光程度与真实标签一致的目标特征；
[0124]
根据待选无标签样本图像的目标特征的取值及预设阈值，从待选无标签样本图像中选取预设比例的图像作为目标无标签样本图像，目标无标签样本图像的虚拟标签为与目标特征表征的采光程度一致的真实标签；
[0125]
若无标签样本图像中还存在尚未确定出虚拟标签的剩余图像，则将所有剩余图像作为一类，并为所有剩余图像设置表征该类别的虚拟标签。
[0126]
在本实施例中，待选无标签样本图像为通过标签传播算法仍然无法确定其虚拟标签的无标签样本图像。采光特征包括、但不限于网格特征、对比特征、变化特征及业务特征。目标特征为采光特征中的一种，不同场景下，目标特征可以是采光特征中的不同的特征，例如，在场景1中，对比特征能够充分表征采光程度，则对比特征为目标特征，在场景2中，变化特征能够充分表征采光程度，则变化特征为目标特征。
[0127]
请参照图5(a)～图5(c)，图5(a)为本发明实施例提供的平均亮度维度下网格的亮度值分析的示例图，图5(b)为本发明实施例提供的网格亮部占比维度下网格的亮度值分析的示例图，图5(c)为本发明实施例提供的暗部占比维度下网格的亮度值分析的示例图。图5(a)～图5(c)均是各自维度下网格的亮度值的柱状图与折线图的组合图，其中，每一个维度的柱状图的横坐标为该维度特征的分箱结果，纵坐标bin count distribution是该维度的柱状图的纵坐标，表示不同分箱下好坏样本的分布情况，纵坐标bad probability是该维度的折线图的纵坐标，表示该分箱下坏样本占该分箱样本的比例，例如，图5(a)中，第一行平均亮度中[-inf,60]中第一个柱状图上出现331，17.8％表示平均亮度在[-inf,60]时，该分箱样本数为331且该分箱占总样本数的占比为17.8％；折线图第一行平均亮度中[-inf,60]中第一个点的值为99.4％，表示该分箱样本中坏样本率为99.4％，图5(a)中其他的柱状图与上述第一个柱状图类似，折线图中的其他点的含义与第一行平均亮度中的第一个点的含义类似，其他维度的图中柱状图的含义及折线图中的点的含义也与图5(a)类似，只是表示的特征不同。注意，图5(a)～图5(c)中的采光不好的图中bad表示采光差，good表示采光一般；采光极好的图中bad表示采光极好，good表示采光一般。
[0128]
在本实施例中，目标特征表征的采光程度可以是采光极好、也可以是采光极差，目标特征表征的采光程度不同，其对应的预设阈值也不一样，确定目标无标签样本图像的方式也不一样，例如，从目标特征取值大于预设阈值的待选无标签样本图像中，选取目标特征取值最大的预设比例的待选无标签样本图像作为目标无标签样本图像。
[0129]
需要说明的是，预设阈值用于判断目标特征的特征值是否异常，如果目标特征的特征值超过了阈值，则认为该数据点在异常区域内。设定阈值的过程需要选择合适的方法和参数。一些常用的方法和参数为：
[0130]
最小二乘法(residual method)：假设数据服从正态分布，可以根据数据的均值和标准差计算出异常区域的上下限，通常取3σ或6σ作为阈值。
[0131]
箱线图(box plot)：通过箱线图可以直观地显示数据的中位数、四分位数、最大值和最小值等统计信息，同时也可以用来检测和判别异常数据点。
[0132]
直方图(histogram)和密度图(density plot)：可以可视化数据分布，并根据数据的分布情况和领域知识等选择合适的阈值。
[0133]
上述方法设定的预设阈值还可以基于目标特征的特征值的实际分布情况和领域知识进行调整和优化，以充分反映目标特征的特征值的异常情况。同时，先使用可视化工具帮助确定阈值，进而识别和标注异常数据点。可以使用上述三种方法中的至少一种，也可以将上述三种方法中的多种结合使用，以选出不同目标特征中异常区域作为坏样本的标签。
[0134]
在本实施例中，可以基于预设的机器学习方法，利用联合维度的方式来进行采光情况的判断。其中，联合维度指的是将多个相关的特征维度(例如，上述实施例中的整体特征和亮度特征及亮度特征中包括的网格特征、对比特征、变化特征及业务特征)组合在一起
作为判断标准，从而提高模型的准确性和鲁棒性。一种方式是使用随机森林的方法来代替联合维度分类，首先需要对特征重要性进行排序，以确定最重要的特征维度，为了进一步提高模型的准确性，还可以加入当天的天气情况、拍摄时间等维度进行辅助判断，例如，在考虑室内采光情况时，可以将当天的天气情况作为一个辅助因素考虑在内。如果天气晴朗，则室内的采光情况可能更好；如果天气阴沉或下雨，则室内的采光情况可能更差。此外，还可以考虑拍摄时间等因素，如可能在某些特定时间拍摄的照片中的采光情况较好。最终，利用这些判断标准，实现了对用户画像的总结，即采光差的房屋整体偏暗，暗部占比大，光暗变化明显；采光较好的房屋整体偏亮，亮部占比大，光暗变化不明显。最终得到更准确的采光识别结果。请参照图6，图6为本发明实施例提供的特征维度排序结果的示例图，图6中，只展示前12名的特征，从上往下分别是全部亮度、全部像素中暗部的占比、平均亮度、暗部网格的占比、全部像素中亮部的占比、网格化后最暗网格的亮度、亮部网格的占比、亮部与暗部的平均亮度、亮部与暗部的距离、全部像素中亮部的占比、全部像素中亮度的方差、网格化后最亮网格与最暗网格的亮度差。
[0135]
为了执行上述实施例及各个可能的实施方式中的相应步骤，下面给出一种室内采光识别装置的实现方式。请参照图7，图7为本发明实施例提供的室内采光识别装置100的方框示意图。需要说明的是，本实施例所提供的室内采光识别装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。
[0136]
室内采光识别装置100包括获取模块110、分析模块120、识别模块130及训练模块140。
[0137]
获取模块110，用于获取待识别房屋的室内照片；
[0138]
分析模块120，用于将室内照片划分为多个网格；
[0139]
分析模块120，还用于对多个网格的图像特征进行分析，确定表征待识别房屋的采光程度的采光特征；
[0140]
识别模块130，用于将采光特征输入至预先训练的采光识别模型，得到待识别房屋的采光程度的识别结果。
[0141]
在可选的实施方式中，分析模块120具体用于：对多个网格的图像特征进行统计分析，得到室内照片的整体特征；对多个网格的亮度值进行分析，得到室内照片的亮度特征；将整体特征和亮度特征作为采光特征。
[0142]
在可选的实施方式中，分析模块120在用于对多个网格的亮度值进行分析，得到室内照片的亮度特征时具体用于：对多个网格的亮度值进行亮度分布分析，得到室内照片的网格特征；对多个网格的亮度值进行对比度分析，得到室内照片的对比特征；对多个网格的亮度值进行亮度变化分析，得到室内照片的变化特征；根据亮度值大于预设值、且位置连续的多个网格，确定室内照片的业务特征；将网格特征、对比特征、变化特征及业务特征作为采光特征。
[0143]
在可选的实施方式中，训练模块140用于：获取多张样本图像，样本图像包括有标签样本图像和无标签样本图像，有标签样本图像的真实标签表征有标签样本图像的采光程度；根据有标签样本图像及其真实标签确定无标签样本图像的虚拟标签；利用有标签样本图像及其真实标签和无标签样本图像及其虚拟标签对采光识别模型进行训练，得到训练后的采光识别模型。
[0144]
在可选的实施方式中，训练模块140在用于根据有标签样本图像及其真实标签确定无标签样本图像的虚拟标签时具体用于：根据有标签样本图像及其真实标签，利用标签传播算法，从无标签样本图像中确定与有标签样本图像属于相同类别的初选无标签样本图像；将有标签样本图像的真实标签作为与其属于相同类型的初选无标签样本图像的虚拟标签；若无标签样本图像中还存在未确定出虚拟标签的待选无标签样本图像，则按照待选无标签样本图像的采光特征确定待选无标签样本图像的虚拟标签。
[0145]
在可选的实施方式中，训练模块140在用于按照待选无标签样本图像的采光特征确定待选无标签样本图像的虚拟标签的步骤时具体用于：从待选无标签样本图像的采光特征中获取所表征的采光程度与真实标签一致的目标特征；根据待选无标签样本图像的目标特征的取值及预设阈值，从待选无标签样本图像中选取预设比例的图像作为目标无标签样本图像，目标无标签样本图像的虚拟标签为与目标特征表征的采光程度一致的真实标签。
[0146]
在可选的实施方式中，训练模块140在用于按照待选无标签样本图像的采光特征确定待选无标签样本图像的虚拟标签时还用于：若无标签样本图像中还存在尚未确定出虚拟标签的剩余图像，则将所有剩余图像作为一类，并为所有剩余图像设置表征该类别的虚拟标签。
[0147]
本实施例还提供了一种电子设备10的方框示意图，请参照图8，图8为本发明实施例提供的电子设备10的方框示意图，电子设备10包括处理器11、存储器12、总线13。处理器11、存储器12通过总线13连接。
[0148]
处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0149]
存储器12用于存储程序，例如图7中的室内采光识别装置100，室内采光识别装置100均包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块，处理器11在接收到执行指令后，执行程序以实现本发明实施例中的室内采光识别方法。
[0150]
存储器12可能包括高速随机存取存储器(ram：random access memory)，也可能还包括非易失存储器(non-volatile memory)。可选地，存储器12可以是内置于处理器11中的存储装置，也可以是独立于处理器11的存储装置。
[0151]
总线13可以是isa总线、pci总线或eisa总线等。图8仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0152]
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现前述实施方式中的室内采光识别方法。
[0153]
综上所述，本发明实施例提供了一种室内采光识别方法、装置、电子设备和存储介质，方法包括：获取待识别房屋的室内照片；将室内照片划分为多个网格；对多个网格的图像特征进行分析，确定表征待识别房屋的采光程度的采光特征；将采光特征输入至预先训练的采光识别模型，得到待识别房屋的采光程度的识别结果。与现有技术相比，本发明实施例至少具有以下优势：通过划分网格，并对多个网格的图像特征进行分析，准确确定出表征
待识别房屋的采光程度的采光特征，提高了室内采光识别的准确性；网格的平均亮度值、颜色信息以及亮度变化情况等信息有助于深入了解图像的特征和统计规律，并进一步分析出图像在房屋采光能力方面的表现；基于特征的分析结果，能够帮助模拟出窗户的大小、位置与朝向等因素对房屋采光能力的影响，从而提供更为可靠的改进建议；利用已有的少量标记数据和大量未标记数据，通过半监督方式，结合获取所表征的采光程度与真实标签一致的目标特征及预设阈值，推断出室内采光的好坏情况，确定出未标记样本的虚拟标签，通过新增部分标签样本的方式补充标签库；基于图像个分析出的采光特征及识别结果，实现了对用户画像的总结，即采光差的房屋整体偏暗，暗部占比大，光暗变化明显；采光较好的房屋整体偏亮，亮部占比大，光暗变化不明显，对于房屋的使用价值判断提供更有效的参考；具有较高的灵活性和可扩展性，可以针对不同的样本图像的数据集和应用场景对采光识别模型进行调整和优化。
[0154]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种室内采光识别方法，其特征在于，所述方法包括：获取待识别房屋的室内照片；将所述室内照片划分为多个网格；对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征；将所述采光特征输入至预先训练的采光识别模型，得到所述待识别房屋的采光程度的识别结果。2.如权利要求1所述的室内采光识别方法，其特征在于，所述对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征的步骤包括：对所述多个网格的图像特征进行统计分析，得到所述室内照片的整体特征；对所述多个网格的亮度值进行分析，得到所述室内照片的亮度特征；将所述整体特征和所述亮度特征作为所述采光特征。3.如权利要求2所述的室内采光识别方法，其特征在于，所述对所述多个网格的亮度值进行分析，得到所述室内照片的亮度特征的步骤包括：对所述多个网格的亮度值进行亮度分布分析，得到所述室内照片的网格特征；对所述多个网格的亮度值进行对比度分析，得到所述室内照片的对比特征；对所述多个网格的亮度值进行亮度变化分析，得到所述室内照片的变化特征；根据亮度值大于预设值、且位置连续的多个网格，确定所述室内照片的业务特征；将所述网格特征、所述对比特征、所述变化特征及所述业务特征作为所述采光特征。4.如权利要求1所述的室内采光识别方法，其特征在于，所述采光识别模型的训练过程为：获取多张样本图像，所述样本图像包括有标签样本图像和无标签样本图像，所述有标签样本图像的真实标签表征所述有标签样本图像的采光程度；根据所述有标签样本图像及其真实标签确定所述无标签样本图像的虚拟标签；利用所述有标签样本图像及其真实标签和所述无标签样本图像及其虚拟标签对所述采光识别模型进行训练，得到训练后的采光识别模型。5.如权利要求4所述的室内采光识别方法，其特征在于，所述根据所述有标签样本图像及其真实标签确定所述无标签样本图像的虚拟标签的步骤包括：根据所述有标签样本图像及其真实标签，利用标签传播算法，从所述无标签样本图像中确定与有标签样本图像属于相同类别的初选无标签样本图像；将所述有标签样本图像的真实标签作为与其属于相同类型的初选无标签样本图像的虚拟标签；若所述无标签样本图像中还存在未确定出虚拟标签的待选无标签样本图像，则按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签。6.如权利要求5所述的室内采光识别方法，其特征在于，所述按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签的步骤包括：从所述待选无标签样本图像的采光特征中获取所表征的采光程度与真实标签一致的目标特征；根据所述待选无标签样本图像的目标特征的取值及预设阈值，从所述待选无标签样本
图像中选取预设比例的图像作为目标无标签样本图像，所述目标无标签样本图像的虚拟标签为与所述目标特征表征的采光程度一致的真实标签。7.如权利要求6所述的室内采光识别方法，其特征在于，所述按照所述待选无标签样本图像的采光特征确定所述待选无标签样本图像的虚拟标签的步骤还包括：若所述无标签样本图像中还存在尚未确定出虚拟标签的剩余图像，则将所有所述剩余图像作为一类，并为所有所述剩余图像设置表征该类别的虚拟标签。8.一种室内采光识别装置，其特征在于，所述装置包括：获取模块，用于获取待识别房屋的室内照片；分析模块，用于将所述室内照片划分为多个网格；所述分析模块，还用于对所述多个网格的图像特征进行分析，确定表征所述待识别房屋的采光程度的采光特征；识别模块，用于将所述采光特征输入至预先训练的采光识别模型，得到所述待识别房屋的采光程度的识别结果。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现权利要求1-7中任一项所述的室内采光识别方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1-7中任一项所述的室内采光识别方法。

技术总结
本发明涉及图像处理技术领域，提供了一种室内采光识别方法、装置、电子设备和存储介质，方法包括：获取待识别房屋的室内照片；将室内照片划分为多个网格；对多个网格的图像特征进行分析，确定表征待识别房屋的采光程度的采光特征；将采光特征输入至预先训练的采光识别模型，得到待识别房屋的采光程度的识别结果。本发明其能够准确识别室内采光。发明其能够准确识别室内采光。发明其能够准确识别室内采光。


技术研发人员：金秋 吕文勇 周智杰 吴枭 汪劲松
受保护的技术使用者：成都新希望金融信息有限公司
技术研发日：2023.07.14
技术公布日：2023/10/19