CN101441763A - 基于颜色传递的多色调图像统一调整方法 - Google Patents

Abstract

本发明公开了一种基于颜色传递的多色调图像统一调整方法。其步骤为：1)将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间；2)用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样；3)用期望最大化算法对两幅图像分别进行概率分割，并对参考图像和待调整图像的每个分割区间建立映射关系；4)对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性；5)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点；本发明计算量小、方便、快速、解决了现有多色调图像调整方法中存在的色调不连续。

Description

基于颜色传递的多色调图像统一调整方法

技术领域

本发明涉及一种针对基于颜色传递的基于颜色传递的多色调图像统一调整方法。

背景技术

目前的遥感影像存在一个明显的缺陷：由于原始图像中的不同区域的子图像可能是由不同型号的卫星在不同时刻及不同气候条件下拍摄得到的，因此在后期把这些图像进行拼接显示的时候，就会出现相邻图像色调相差过大的问题，在视觉上显得突兀，使观察者感觉不适并影响判读，会为后续的地理数据的分析处理如国土资源统计、自然环境监测、灾害评估以及城市规划带来困难，也会影响分析统计的准确性。这个问题在大多数的商业GIS软件中也经常出现，譬如现在很流行的由Google公司推出的在线GIS***Google Earth中时常可以见到这个问题。由此可见，遥感图像的色调统一研究显得十分必要。

目前的遥感图像处理相关研究工作主要集中在特征提取和分类上，有关匀色的研究很少，目前实践中所采用的还是传统的数字图像处理方法，或者是利用Photoshop等商用软件人工地对图像进行色调调整。下面简要介绍一下传统的数字图像的彩色增强方法：

1)直方图处理

直方图是一幅图像的灰度(彩色)分布的统计，包含了丰富的信息。直方图增强技术正是以直方图作为变换的依据，使变换后的直方图成为期望的形状。遥感图像处理中常用的直方图变换有直方图均衡化、直方图正态化和直方图匹配。

直方图均衡化实际上是对图像进行非线性拉伸，重新分配图像像素的灰度(彩色)值，使一定灰度(彩色)范围内的像元数量大致相同。直方图正态化是将图像的直方图变换为正态分布的形状，这是因为如果图像的灰度(彩色)频率分布具有接近正态的分布的形状，就可以认为这幅图像适合人眼观察。直方图匹配是把原图像的直方图变换为某种指定形状的直方图或者是某一参考图像的直方图，然后按照已知的指定形态的直方图调整源图像各像素的灰度(彩色)值，最后得到一幅直方图与参考直方图匹配的图像。

2)小波变换处理

小波变换是一种信号的时问——尺度(时间——频率)分析方法，它具有多分辨率分析的特点，而且在时、频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时问分辨率和较低的频率分辨率，被誉为分析信号的显微镜。小波变换应用于图像增强，是将图像分解为大小、位置和方向都不同的分量，在做逆变换之前，改变小波变换域中某些系数的大小，这样就能够有选择地放大感兴趣的分量而减小不需要的分量，从而达到实现图像增强的目的。

3)HIS调整

HSI是色调、饱和度和强度彩色模型，色调是描述纯色的属性，饱和度给出一种纯色被白光稀释的程度的度量，亮度是一个主观描述子，体现了无色的强度概念。该模型可以在彩色图像中从携带的彩色信息(色调和饱和度)里消去强度分量的影响，对于开发基于彩色描述的图像处理方法是一个理想的工具。图像的色调信息直接对应于H分量，可采用多种方法对其进行调整，以获得期望的色调。

发明内容

本发明的目的在于克服现有全局调整算法的不足，处理时间长的不足，提供一种基于颜色传递的多色调图像统一调整方法。

基于颜色传递的多色调图像统一调整方法包括以下步骤：

1)将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间；

2)用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样；

3)用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系；

4)对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性；

5)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点；

所述的将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间，其步骤为：

(1)拥有两种色调的一幅图像分割为两幅图像，是由用户对一张存在两种色调的图片进行初步的区域划分，将它划分为两个部分：待调整图片和参考图片；

(2)如果原图片使用的是RGB颜色空间，则经过下面步骤，将其转换为lαβ颜色空间，其步骤为：

a)第一步是把图像从RGB转化成XYZ三色值，其中XYZ是设备无关空间，如下所示：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.5141& 0.3239& 0.1604\\ 0.2651& 0.6702& 0.0641\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

b)第二步是从XYZ空间转化为LMS空间，如下所示：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3897& 0.6980& -0.0787\\ -0.2298& 1.1834& 0.0464\\ 0.0000& 0.0000& 1.0000\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

c)把这两个转化矩阵进行合并，得到从RGB颜色空间到LMS颜色空间的转换矩阵，得到如下矩阵：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

d)算出LMS值的对数值：

L＝logL，M＝logM，S＝logS

采用如下公式进行最终变换：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right]$

所述的用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样步骤：

(3)用K均值算法对两幅图像进行分割，其步骤为；

e)将输入的点分为K个初始集，采用随意分割或启发式分割均可；

f)计算每个集合的中心点或质心；

g)利用公式：

D_m＝min|x_m-u_i|²，x_m为输入的点，u_i为各个集合的质心将每个点分配给距离它最近的中心点；

h)重新计算各个集合的质心，并利用公式：

$V=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_i\∈S_i}{\mathrm{\Σ}}{|x_j-u_i|}^2$

计算集群内的平方差，当其值小于某个用户指定的值，或是迭代一定数目的步骤后，分割结束；否则迭代的进行第g和第h步。

(4)对参考图像的各个分割区域进行采样，可由用户手工进行采样，或计算机随机采样；

所述的用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系步骤：

(5)用期望最大化算法对两幅图像分别进行概率分割步骤为：

i)初始化：利用上一节的K均值分割结果计算出每个区域的均值u_i和标准差σ_i；

j)期望：像素I(x，y)属于第i个高斯模型G_i(i；u_i，σ_i)的概率可以通过下式计算：

$P_{\mathrm{xy}}^i=\frac{\exp (-\frac{{(I(x,y)-u_i)}^2}{2{\mathrm{\σ}}_i^2})}{{\mathrm{\Σ}}_{j=1}^N\exp (-\frac{{(I(x,y)-u_j)}^2}{2{\mathrm{\σ}}_j^2})}$

G_i代表区域i高斯分布G_i(i；u_i，σ_i)，_ip_xy代表图像I的象素I(x，y)属于G_i的概率，p_xy代表图像I的象素I(x，y)的概率分布估计， $p_{\mathrm{xy}}^t=\left\{p_{\mathrm{xy}}^t{}_i\right|i=\mathrm{1,2}...\}$

k)最大化：根据下列式子重新计算区域i的高斯分布G_i(i；u_i，σ_i)的均值u_i和标准差σ_i：

$u_i=\frac{1}{\underset{x,y}{\mathrm{\Σ}}p_{\mathrm{xy}}^i}\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^{i}I(x,y)$

${\mathrm{\σ}}_i=\sqrt{\frac{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i{(I(x,y)-u_i)}^2}{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i}}$

l)重复进行j、k两个步骤直到收敛。

(6)对参考图象和待调整图象的每个分割区间建立映射关系，步骤为：

m)我们就要建立起待调整图像中的每个高斯模型

到参考图像中的某些高斯模型的映射函数f(·)，这个映射可以是人工指定，也可以是由算法自动完成，但要满足步骤2中的条件；

n)假设待调整图像有两个高斯模型

和

在亮度通道中 $u_{t_i}\≥u_{t_j},$ 那么，映射后的均值u′也应该满足 $u_{t_i}\′\≥u_{t_j}\′.$ 在我们的算法中，当

与的亮度均值最接近，且满足单调性的情况下，

被映射到

所述的对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性步骤：

(7)由于两幅图像在全局亮度上的差异，如果直接采用它们的亮度进行比较，就会导致很差的匹配结果，因此，我们需要事先对图像的亮度进行转换，使它们保持一致。我们采用了一种线性映射来对两幅图像的亮度分布的均值和标准差进行映射：

$Y\′\left(p\right)=\frac{{\mathrm{\σ}}_s}{{\mathrm{\σ}}_t}(Y\left(p\right)-u_t)+u_s$

u_s，σ_s：参考图像的亮度均值和标准差

u_t，σ_t：待调整图像的亮度均值和标准差

所述的对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点步骤：

(8)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，其步骤为：

o)对于待调整图像的每一个点和参考图像中相应的采样点，首先判断待调整图像中的点和参考图像中的采样点是否属于K均值分割后的同一区域，即判断f(KMeansPartitionResult(P_t))是否等于f(KMeansPartitionResult(P_s))。如果两个点不在同一区域，即以上两函数值不相等，则继续比较下一对点；如果在同一区域，即以上两函数值相等，则继续步骤2进行匹配；

p)以两点间的亮度和概率分布作为评价标准，计算P_t和P_s的距离，P_t和P_s的距离函数定义如下：

$\mathrm{dis}\tan \mathrm{ce}(p_s,p_t)=w_1|l_{p_s}-l_{p_t}|+w_2\left|\right|{\stackrel{\→}{P}}_{p_s}-{\stackrel{\→}{P}}_{p_t}\left|\right|$

表示p_s、p_t的亮度差

表示点p_s的概率分割结果向量

表示经过区域映射后的点p_t的概率分割结果向量

表示

和之间的欧式距离

通常取w₂∝10w₁

计算待调整图像中的点和参考图像中的所有采样点之间距离，其中距离最小的那个采样点即为最佳匹配点。

(9)将参考图像中最匹配点的颜色值传递给待调整图像中的对应点，其步骤为：

q)在找到P_t的匹配点P_s后，将P_s的颜色信息(即αβ通道的值)传递给P_t，保持P_t的亮度不变(即l通道的值)。

本发明与现有技术相比具有的有益效果：

传统的基于人工的图像调整方法耗时长，工作量大，效率低；相关的色调调整的研究工作主要是针对日常图像的处理研究，并不适用于以目标众多、区域复杂、各区域间边界不明显、饱和度亮度低为特点的遥感图像；现有的研究工作只能处理两种色调的调整，而调整的效果尚不理想；且不能对含有多种色调的图像的色调进行统一调整。

本发明提出了一种新的多色调遥感图像的统一调整算法，能有效地去除大范围遥感图像中杂乱的色调和明显的拼合边界，交互操作简便，处理速度快，并能应用到图像处理的其他领域。

本发明中提出的一种新的颜色传递算法来进行两种色调的调整统一，是在待调整图像点和参考图像的采样点进行匹配的过程中，引入了基于期望最大化的概率分割结果作为重要的评判标准，取得了较好的匹配结果。

总之，应用本发明可以快速有效地进行两种色调的调整统一。本发明很好地解决了传统的基于人工的图像调整方法耗时长，工作量大，效率低的不足，本发明在用户交互的方便性、计算的快捷性和匹配结果上都有显著提高。

附图说明

图1是基于颜色传递的多色调图像统一调整方法流程示意图；

图2(a)是待调整色调区域；

图2(b)是参考色调区域；

图3(a)是待调整色调区域的K均值分割结果，不同的颜色表示不同的分割区域；

图3(b)是参考色调区域的K均值分割结果，不同的颜色表示不同的分割区域；

图4是参考色调区域的采样图，图中的红色点表示采样点；

图5(a)是对待调整色调区域进行概率分割示意图，在概率分割时被分割为同一区域在图中用白色表示；

图5(b)是对参考色调区域进行概率分割示意图，在概率分割时被分割为同一区域在图中用白色表示；

图6是用本发明进行色调调整后的结果图。

具体实施方式

基于颜色传递的多色调图像统一调整方法包括以下步骤：

1)将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间；

2)用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样；

3)用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系；

4)对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性；

5)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点；

图1展示了基于颜色传递的多色调图像统一调整方法的流程。

所述的将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间，其步骤为：

(1)拥有两种色调的一幅图像分割为两幅图像，是由用户对一张存在两种色调的图片进行初步的区域划分，将它划分为两个部分：待调整图片(图2(a))和参考图片(图2(b))；

(2)如果原图片使用的是RGB颜色空间，则经过下面步骤，将其转换为lαβ颜色空间，其步骤为：

a)第一步是把图像从RGB转化成XYZ三色值，其中XYZ是设备无关空间，如下所示：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.5141& 0.3239& 0.1604\\ 0.2651& 0.6702& 0.0641\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

b)第二步是从XYZ空间转化为LMS空间，如下所示：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3897& 0.6980& -0.0787\\ -0.2298& 1.1834& 0.0464\\ 0.0000& 0.0000& 1.0000\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

c)把这两个转化矩阵进行合并，得到从RGB颜色空间到LMS颜色空间的转换矩阵，得到如下矩阵：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

d)算出LMS值的对数值：

L＝logL，M＝logM，S＝logS

采用如下公式进行最终变换：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right]$

所述的用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样步骤：

(3)用K均值算法对两幅图像进行分割，其步骤为；

e)将输入的点分为K个初始集，采用随意分割或启发式分割均可；

f)计算每个集合的中心点或质心；

g)利用公式：

D_m＝min|x_m-u_i|²，x_m为输入的点，u_i为各个集合的质心将每个点分配给距离它最近的中心点；

h)重新计算各个集合的质心，并利用公式：

$V=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_i\∈S_i}{\mathrm{\Σ}}{|x_j-u_i|}^2$

计算集群内的平方差，当其值小于某个用户指定的值，或是迭代一定数目的步骤后，分割结束；否则迭代的进行第g和第h步。

图3中展示了对待调整色调区域和参考色调区域用K均值分割后的结果，图中的不同颜色代表着不同的分割区域。

(4)对参考图像的各个分割区域进行采样，可由用户手工进行采样，或计算机随机采样。对参考色调区域的采样如图4所示，其中的红色点表示采样点。

所述的用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系步骤：

(5)用期望最大化算法对两幅图像分别进行概率分割步骤为：

i)初始化：利用上一节的K均值分割结果计算出每个区域的均值u_i和标准差σ_i；

j)期望：像素I(x，y)属于第i个高斯模型G_i(i；u_i，σ_i)的概率可以通过下式计算：

$P_{\mathrm{xy}}^i=\frac{\exp (-\frac{{(I(x,y)-u_i)}^2}{2{\mathrm{\σ}}_i^2})}{{\mathrm{\Σ}}_{j=1}^N\exp (-\frac{{(I(x,y)-u_j)}^2}{2{\mathrm{\σ}}_j^2})}$

G_i代表区域i高斯分布G_i(i；u_i，σ_i)，_ip_xy代表图像I的象素I(x，y)属于G_i的概率，p_xy代表图像I的象素I(x，y)的概率分布估计， $p_{\mathrm{xy}}^t=\left\{p_{\mathrm{xy}}^t{}_i\right|i=\mathrm{1,2}...\}$

k)最大化：根据下列式子重新计算区域i的高斯分布G_i(i；u_i，σ_i)的均值u_i和标准差σ_i：

$u_i=\frac{1}{\underset{x,y}{\mathrm{\Σ}}p_{\mathrm{xy}}^i}\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^{i}I(x,y)$

${\mathrm{\σ}}_i=\sqrt{\frac{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i{(I(x,y)-u_i)}^2}{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i}}$

l)重复进行j、k两个步骤直到收敛。

图5展示了对待调整色调和参考色调区域进行概率分割后的结果示意图，被分割为同一区域的部分在图中用白色填充；

(6)对参考图象和待调整图象的每个分割区间建立映射关系，步骤为：

m)我们就要建立起待调整图像中的每个高斯模型G_t到参考图像中的某些高斯模型的映射函数f(·)，这个映射可以是人工指定，也可以是由算法自动完成，但要满足步骤2中的条件；

n)假设待调整图像有两个高斯模型

和

在亮度通道中 $u_{t_i}\≥u_{t_j},$ 那么，映射后的均值u′也应该满足 $u_{t_i}\′\≥u_{t_j}\′.$ 在我们的算法中，当

与

的亮度均值最接近，且满足单调性的情况下，

被映射到

所述的对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性步骤：

(7)由于两幅图像在全局亮度上的差异，如果直接采用它们的亮度进行比较，就会导致很差的匹配结果，因此，我们需要事先对图像的亮度进行转换，使它们保持一致。我们采用了一种线性映射来对两幅图像的亮度分布的均值和标准差进行映射：

$Y\′\left(p\right)=\frac{{\mathrm{\σ}}_s}{{\mathrm{\σ}}_t}(Y\left(p\right)-u_t)+u_s$

u_s，σ_s：参考图像的亮度均值和标准差

u_t，σ_t：待调整图像的亮度均值和标准差

所述的对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点步骤：

(8)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，其步骤为：

o)对于待调整图像的每一个点和参考图像中相应的采样点，首先判断待调整图像中的点和参考图像中的采样点是否属于K均值分割后的同一区域，即判断f(KMeansPartitionResult(P_t))是否等于f(KMeansPartitionResult(P_s))。如果两个点不在同一区域，即以上两函数值不相等，则继续比较下一对点；如果在同一区域，即以上两函数值相等，则继续步骤2进行匹配；

p)以两点间的亮度和概率分布作为评价标准，计算P_t和P_s的距离，P_t和P_s的距离函数定义如下：

$\mathrm{dis}\tan \mathrm{ce}(p_s,p_t)=w_1|l_{p_s}-l_{p_t}|+w_2\left|\right|{\stackrel{\→}{P}}_{p_s}-{\stackrel{\→}{P}}_{p_t}\left|\right|$

表示p_s、p_t的亮度差

表示点p_s的概率分割结果向量

表示经过区域映射后的点p_t的概率分割结果向量

表示

和

之间的欧式距离

通常取w₂∝10w₁

计算待调整图像中的点和参考图像中的所有采样点之间距离，其中距离最小的那个采样点即为最佳匹配点。

(9)将参考图像中最匹配点的颜色值传递给待调整图像中的对应点，其步骤为：

q)在找到P_t的匹配点P_s后，将P_s的颜色信息(即αβ通道的值)传递给P_t，保持P_t的亮度不变(即l通道的值)。

最后色调调整结果如图6所示，可以看出，原本两个色调不同的区域，经过基于颜色传递的多色调图像统一调整方法调整后，色调趋于一致。

以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1、一种基于颜色传递的多色调图像统一调整方法，其特征在于包括以下步骤：

1)将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间；

2)用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样；

3)用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系；

4)对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性；

5)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点

2、根据权利要求1所述的一种基于颜色传递的多色调图像统一调整方法，其特征在于将拥有两种色调的一幅图像分割为两幅图像——参考图像和待调整图像，并将这两幅图像转换到lαβ颜色空间，其步骤为：

(1)拥有两种色调的一幅图像分割为两幅图像，是由用户对一张存在两种色调的图片进行初步的区域划分，将它划分为两个部分：待调整图片和参考图片；

(2)如果原图片使用的是RGB颜色空间，则经过下面步骤，将其转换为lαβ颜色空间，其步骤为：

a)第一步是把图像从RGB转化成XYZ三色值，其中XYZ是设备无关空间，如下所示：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.5141& 0.3239& 0.1604\\ 0.2651& 0.6702& 0.0641\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

b)第二步是从XYZ空间转化为LMS空间，如下所示：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3897& 0.6980& -0.0787\\ -0.2298& 1.1834& 0.0464\\ 0.0000& 0.0000& 1.0000\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

c)把这两个转化矩阵进行合并，得到从RGB颜色空间到LMS颜色空间的转换矩阵，得到如下矩阵：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1228& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

d)算出LMS值的对数值：

L＝logL，M＝logM，S＝logS

采用如下公式进行最终变换：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}\frac{1}{\sqrt{3}}& 0& 0\\ 0& \frac{1}{\sqrt{6}}& 0\\ 0& 0& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right]$

3、根据权利要求2所述的针对多色调图像基于颜色传递的局部色调调整方法，其特征在于用K均值算法对两幅图像进行分割，并对参考图像的各个分割区域进行采样步骤：

(3)用K均值算法对两幅图像进行分割，其步骤为；

e)将输入的点分为K个初始集，采用随意分割或启发式分割均可；

f)计算每个集合的中心点或质心；

g)利用公式：

D_m＝min|x_m-u_i|²，x_m为输入的点，u_i为各个集合的质心

将每个点分配给距离它最近的中心点；

h)重新计算各个集合的质心，并利用公式：

$V=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_i\∈S_i}{\mathrm{\Σ}}{|x_j-u_i|}^2$

计算集群内的平方差，当其值小于某个用户指定的值，或是迭代一定数目的步骤后，分割结束；否则迭代的进行第g和第h步

(4)对参考图像的各个分割区域进行采样，可由用户手工进行采样，或计算机随机采样

。

4、根据权利要求1所述的针对多种色调图像基于颜色传递的局部色调调整方法，其特征在于用期望最大化算法对两幅图像分别进行概率分割，并对参考图象和待调整图象的每个分割区间建立映射关系步骤：

(5)用期望最大化算法对两幅图像分别进行概率分割步骤为：

i)初始化：利用上一节的K均值分割结果计算出每个区域的均值u_i和标准差σ_i；

j)期望：像素I(x，y)属于第i个高斯模型G_i(i；u_i，σ_i)的概率可以通过下式计算：

$P_{\mathrm{xy}}^i=\frac{\exp (-\frac{{(I(x,y)-u_i)}^2}{2{\mathrm{\σ}}_i^2})}{{\mathrm{\Σ}}_{j=1}^N\exp (-\frac{{(I(x,y)-u_j)}^2}{2{\mathrm{\σ}}_j^2})}$

G_i代表区域i高斯分布G_i(i；u_i，σ_i)，_ip_xy代表图像I的象素I(x，y)属于G_i的概率，p_xy代表图像I的象素I(x，y)的概率分布估计， $p_{\mathrm{xy}}^t=\left\{p_{\mathrm{xy}}^t{}_i\right|i=\mathrm{1,2}...\}$

，

k)最大化：根据下列式子重新计算区域i的高斯分布G_i(i；u_i，σ_i)的均值u_i和标准差σ_i：

$u_i=\frac{1}{\underset{x,y}{\mathrm{\Σ}}p_{\mathrm{xy}}^i}\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^{i}I(x,y)$

${\mathrm{\σ}}_i=\sqrt{\frac{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i{(I(x,y)-u_i)}^2}{\underset{x,y}{\mathrm{\Σ}}P_{\mathrm{xy}}^i}}$

l)重复进行j，k两个步骤直到收

(6)对参考图象和待调整图象的每个分割区间建立映射关系，步骤为：

m)我们就要建立起待调整图像中的每个高斯模型

到参考图像中的某些高斯模型的映射函数f(·)，这个映射可以是人工指定，也可以是由算法自动完成，但要满足步骤2中的条件；

n)假设待调整图像有两个高斯模型

和

在亮度通道中 $u_{t_i}\≥u_{t_j},$ 那么，映射后的均值u′也应该满足 $u_{t_i}\′\≥u_{t_j}\′$ 在我们的算法中，当

与

的亮度均值最接近，且满足单调性的情况下，

被映射到

5、根据权利要求1所述的针对两种色调图像基于颜色传递的局部色调调整方法，其特征在于对待调整图像进行亮度的缩放，使它与参考图像的亮度保持一致性步骤：

(7)由于两幅图像在全局亮度上的差异，如果直接采用它们的亮度进行比较，就会导致很差的匹配结果，因此，我们需要事先对图像的亮度进行转换，使它们保持一致我们采用了一种线性映射来对两幅图像的亮度分布的均值和标准差进行映射：

$Y\′\left(p\right)=\frac{{\mathrm{\σ}}_s}{{\mathrm{\σ}}_t}(Y\left(p\right)-u_t)+u_s$

u_s，σ_s：参考图像的亮度均值和标准差

u_t，σ_t：：待调整图像的亮度均值和标准差。

6、根据权利要求1所述的针对多色调图像基于颜色传递的局部色调调整方法，其特征在于对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，将参考图像中最匹配点的颜色值传递给待调整图像中的对应点步骤：

(8)对待调整图像的每个点，在参考图像的采样点中寻找与其最匹配的点，其步骤为：

o)对于待调整图像的每一个点和参考图像中相应的采样点，首先判断待调整图像中的点和参考图像中的采样点是否属于K均值分割后的同一区域，即判断f(KMeansPartitionResult(P_t))是否等于f(KMeansPartitionResult(P_s))如果两个点不在同一区域，即以上两函数值不相等，则继续比较下一对点；如果在同一区域，即以上两函数值相等，则继续步骤2进行匹配；

p)以两点间的亮度和概率分布作为评价标准，计算P_t和P_s的距离，P_t和P_s的距离函数定义如下：

$\mathrm{dis}\tan \mathrm{ce}(p_s,p_t)=w_1|l_{p_s}-l_{p_t}|+w_2\left|\right|{\stackrel{\→}{P}}_{p_s}-{\stackrel{\→}{P}}_{p_t}\left|\right|$

表示p_s、p_t的亮度差

表示点p_s的概率分割结果向量

表示经过区域映射后的点p_t的概率分割结果向量

表示和

之间的欧式距离

通常取w₂∝10w₁

计算待调整图像中的点和参考图像中的所有采样点之间距离，其中距离最小的那个采样点即为最佳匹配点

(9)将参考图像中最匹配点的颜色值传递给待调整图像中的对应点，其步骤为：

q)在找到P_t的匹配点P_s后，将P_s的颜色信息(即αβ通道的值)传递给P_t，保持P_t的亮度不变(即l通道的值)。

Images