CN115147259A - 一种图像色彩迁移方法、***及计算机介质 - Google Patents
一种图像色彩迁移方法、***及计算机介质 Download PDFInfo
- Publication number
- CN115147259A CN115147259A CN202210225721.7A CN202210225721A CN115147259A CN 115147259 A CN115147259 A CN 115147259A CN 202210225721 A CN202210225721 A CN 202210225721A CN 115147259 A CN115147259 A CN 115147259A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- color
- regression model
- knn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013508 migration Methods 0.000 title claims abstract description 154
- 230000005012 migration Effects 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 239000003086 colorant Substances 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 13
- 238000010422 painting Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000005069 ears Anatomy 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 244000131522 Citrus pyriformis Species 0.000 description 1
- 244000267823 Hydrangea macrophylla Species 0.000 description 1
- 235000014486 Hydrangea macrophylla Nutrition 0.000 description 1
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 229910052956 cinnabar Inorganic materials 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明提供一种图像色彩迁移方法、***及计算机介质,方法利用图像的局部特征来对色彩进行迁移,该算法能够对图像中的局部颜色细节进行迁移,使图像迁移效果得到一定程度的提升.这样解决了上述算法只利用了图像中色彩的全局统计量来作为特征,而忽略了局部信息,从而导致在源图像与目标图像之间色彩基调极不相同的情况下,其迁移效果不尽人意的问题。同时,还将全局统计量特征与局部的像素特征结合起来,可以先对源图像进行基于K近邻的色彩迁移,再对得到的图像进行一次Reinhard色彩迁移操作;或者先对源图像进行Reinhard色彩迁移,再对得到的图像进行一次基于K近邻的色彩迁移操作。这样解决了相邻像素点的色彩可能存在过度不自然的现象的问题。
Description
技术领域
本发明涉及数字图像处理领域,更具体地,涉及一种图像色彩迁移方法、***及计算机介质。
背景技术
在数字图像处理技术中,图像色彩迁移技术能够满足用户的需求,使得图像达到用户所期望的色彩。而图像色彩迁移技术也就是在源图像不会改变其本身表达的内容信息的条件下,通过某种方式来学习目标图像的整体基调色彩,再将该基调色彩运用到源图像上,使得源图像具有与目标图像相似的色彩信息。图像色彩迁移技术能够改变图像的色彩信息来满足于不同用户对不同颜色的需求。
Reinhard算法通过利用Lab色彩空间三个通道的不相关性,更改源图像和目标图像在Lab色彩空间中三个通道的值,使得两幅图像的均值和方差数值相等,从而实现图像间的色彩迁移。算法易于实现,且运行速度快、效率高。但是,该算法在处理色彩较为丰富的图像时,由于L、a、b三通道会扩大色度差,这样会导致最后迁移结果图像的效果不尽人意。Reinhard算法只能作用于彩色图像与彩色图像之间的转换,若其中一幅图为灰度图像,基于灰度图像只有一个亮度通道这一限制条件,导致Reinhard迁移算法不能直接作用在灰度图像之上。
Welsh提出了灰度图像与彩色图像间的色彩迁移算法。该算法的主要操作是匹配灰度图像与彩色图像的亮度和纹理信息,将源图像的整个颜色转移到目标图像,从而实现灰度图像上色。但是该算法在为每个像素点寻找最佳匹配点时会花费大量时间,降低了算法效率。另外,该算法在匹配的过程中只利用了亮度特征的信息,因此迁移效果的好坏取决于源图像与目标图像的亮度特征与颜色特征是否具有一致性和相似性。
现有技术公开一种全局与超像素分割相融合的色彩迁移方法,首先对源图像及目标图像采用梯度下降简单线性迭代聚类法进行分割处理,然后为源图像中的每一个超像素在目标图像中搜索最相似超像素,之后在匹配的超像素对之间进行色彩迁移,最后消除由于过分割处理所产生的误匹配而导致的色彩的错误迁移及亮度过渡不自然问题,首先在第一次匹配迁移过程中引入模糊矩阵,然后用初次获得的迁移结果的全局统计信息来对源图像进行二次色彩迁移,获得较自然的色彩迁移效果;该方案步骤较为繁琐,且迁移效果不太理想。
发明内容
本发明的首要目的是提供一种图像色彩迁移方法,使图像迁移效果得到一定程度的提升。
本发明的进一步目的是提供一种图像色彩迁移***。
本发明的第三个目的是提供一种计算机介质。
为解决上述技术问题,本发明的技术方案如下:
一种图像色彩迁移方法,包括以下步骤:
S1:通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
S2:根据转换后的源图像S和目标图像T分别进行数据集的建立;
S3:建立第一KNN回归模型和第二KNN回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
S4:利用训练好的第一KNN回归模型和第二KNN回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
S5:将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
优选地,步骤S2中根据转换后的源图像S和目标图像T分别进行数据集的建立,具体为:
所述数据集包括训练集和预测集,所述训练集为从目标图像T的通道L中的N×N矩形块和与所述N×N矩形块的中心点所对应的通道a和通道b的值,所述模型的预测集为源图像S的通道L中N×N的矩形块。
优选地,所述第一KNN回归模型和第二KNN回归模型,具体为:
在目标图像T的通道L中,对于每一个N×N矩形块,找到K个与所述N ×N矩形块数值距离最近的块,若数值距离越相近,则两个矩形块中在通道L 的信息也越相似,为了使数值距离较近的矩形块对选定矩形块的影响大于数值距离较远的矩形块的影响,用数值距离的倒数来进行加权,从通道L映射到通道a 的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型。
优选地,所述数值距离的度量方式为曼哈顿距离。
优选地,所述N×N矩形块具体为3×3矩形块。
优选地,在步骤S1将源图像S的RGB色彩空间转换到Lab色彩空间前,还包括步骤:
利用Reinhard色彩迁移算法对源图像S进行一次Reinhard色彩迁移操作,所述的源图像S为彩色图像。
优选地,在步骤S5得到结果图像后,还包括步骤:
利用Reinhard色彩迁移算法对结果图像进行一次Reinhard色彩迁移操作。
一种图像色彩迁移***,包括:
色彩空间转换模块,所述色彩空间转换模块用于通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
数据集建立模块,所述数据集建立模块用于根据转换后的源图像S和目标图像T分别进行数据集的建立;
回归模型模块,所述回归模型模块用于建立第一KNN回归模型和第二KNN 回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
预测模块,所述预测模块用于利用训练好的第一KNN回归模型和第二KNN 回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
输出模块,所述输出模块用于将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
优选地,所述回归模型模块中,所述第一KNN回归模型和第二KNN回归模型,具体为:
在目标图像T的通道L中,对于每一个N×N矩形块,找到K个与所述N ×N矩形块数值距离最近的块,若数值距离越相近,则两个矩形块中在通道L 的信息也越相似,为了使数值距离较近的矩形块对选定矩形块的影响大于数值距离较远的矩形块的影响,用数值距离的倒数来进行加权,从通道L映射到通道a 的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型。
一种计算机介质,所述计算机介质存储有计算机程序,所述计算机程序被处理器执行时,实现上述所述的图像色彩迁移方法。
与现有技术相比,本发明技术方案的有益效果是:
本专利申请提出了一种基于K近邻回归模型的色彩迁移算法,该算法利用图像的局部特征来对色彩进行迁移,该算法能够对图像中的局部颜色细节进行迁移,使图像迁移效果得到一定程度的提升。这样解决了上述算法只利用了图像中色彩的全局统计量来作为特征,而忽略了局部信息,从而导致在源图像与目标图像之间色彩基调极不相同的情况下,其迁移效果不尽人意的问题。
附图说明
图1为实施例1的方法流程示意图。
图2为实施例2的方法流程示意图。
图3为实施例3的方法流程示意图。
图4为本发明的一个实施例,图4(a)是色彩迁移过程中的源图像,图4(b) 是色彩迁移过程中的目标图像,图4(c)是Reinhard算法的迁移结果,图4(d) 是KNN算法的迁移结果。
图5为对图4实施例的延续,图5(a)是KNN-2算法的迁移结果,图5(b)是 KNN-3算法的迁移结果。
图6为本发明的一个实施例提供的源图像。
图7为根据图6提供的源图像实施不同色彩迁移算法的结果对比示意图,图7(a)是色彩迁移过程中的目标图像,图7(b)是Reinhard算法的迁移结果,图7(c) 是Welsh算法的迁移结果,图7(d)是KNN-1算法的迁移结果,图7(e)是 KNN-2算法的迁移结果,图7(f)是KNN-3算法的迁移结果。
图8为根据图6提供的源图像实施不同色彩迁移算法的结果对比示意图,图8(a)是色彩迁移过程中的目标图像,图8(b)是Reinhard算法的迁移结果,图8(c) 是Welsh算法的迁移结果,图8(d)是KNN-1算法的迁移结果,图8(e)是 KNN-2算法的迁移结果,图8(f)是KNN-3算法的迁移结果。
图9为根据图6提供的源图像实施不同色彩迁移算法的结果对比示意图,图9(a)是色彩迁移过程中的目标图像,图9(b)是Reinhard算法的迁移结果,图9(c) 是Welsh算法的迁移结果,图9(d)是KNN-1算法的迁移结果,图9(e)是 KNN-2算法的迁移结果,图9(f)是KNN-3算法的迁移结果。
图10为根据图6提供的源图像实施不同色彩迁移算法的结果对比示意图,图10(a)是色彩迁移过程中的目标图像,图10(b)是Reinhard算法的迁移结果,
图10(c)是Welsh算法的迁移结果,图10(d)是KNN-1算法的迁移结果,图 10(e)是KNN-2算法的迁移结果,图10(f)是KNN-3算法的迁移结果。
图11为本发明的一个实施例提供的目标图像。
图12为根据图11提供的源图像实施不同色彩迁移算法的结果对比示意图,图 12(a)是色彩迁移过程中的源图像,图12(b)是Reinhard算法的迁移结果,
图12(c)是Welsh算法的迁移结果,图12(d)是KNN-1算法的迁移结果,图 12(e)是KNN-2算法的迁移结果,图12(f)是KNN-3算法的迁移结果。
图13为本发明的一个实施例提供的目标图像。
图14为根据图13提供的源图像实施不同色彩迁移算法的结果对比示意图,图 14(a)是色彩迁移过程中的源图像,图14(b)是Reinhard算法的迁移结果,图14(c)是Welsh算法的迁移结果,图14(d)是KNN-1算法的迁移结果,图 14(e)是KNN-2算法的迁移结果,图14(f)是KNN-3算法的迁移结果。
图15为本发明的一个实施例示意图,图15(a)是色彩迁移过程中的源图像,图15(b)是色彩迁移过程中的目标图像,图15(c)是Reinhard算法的迁移结果,图15(d)是KNN算法的迁移结果,图15(e)是KNN-2算法的迁移结果。
图16为本发明的一个实施例示意图,图16(a)是色彩迁移过程中的源图像,图16(b)是色彩迁移过程中的目标图像,图16(c)是Reinhard算法的迁移结果,图16(d)是KNN算法的迁移结果,图16(e)是KNN-2算法的迁移结果。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种图像色彩迁移方法,如图1所示,包括以下步骤:
S1:通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
S2:根据转换后的源图像S和目标图像T分别进行数据集的建立;
S3:建立第一KNN回归模型和第二KNN回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
S4:利用训练好的第一KNN回归模型和第二KNN回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
S5:将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
步骤S2中根据转换后的源图像S和目标图像T分别进行数据集的建立,具体为:
所述数据集包括训练集和预测集,所述训练集为从目标图像T的通道L中的N×N矩形块和与所述N×N矩形块的中心点所对应的通道a和通道b的值,所述模型的预测集为源图像S的通道L中N×N的矩形块。
所述第一KNN回归模型和第二KNN回归模型,具体为:
在目标图像T的通道L中,对于每一个N×N矩形块,找到K个与所述N ×N矩形块数值距离最近的块,若数值距离越相近,则两个矩形块中在通道L 的信息也越相似,为了使数值距离较近的矩形块对选定矩形块的影响大于数值距离较远的矩形块的影响,用数值距离的倒数来进行加权,从通道L映射到通道a 的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型。
所述数值距离的度量方式为曼哈顿距离。
所述N×N矩形块具体为3×3矩形块。
实施例2
本实施例在实施例1的基础上,在步骤S5得到结果图像后,如图3,还包括步骤:
利用Reinhard色彩迁移算法对结果图像进行一次Reinhard色彩迁移操作。
实施例3
本实施例在实施例1的基础上,在步骤S1将源图像S的RGB色彩空间转换到Lab色彩空间前,如图2,还包括步骤:
利用Reinhard色彩迁移算法对源图像S进行一次Reinhard色彩迁移操作,所述的源图像S为彩色图像。
实施例4
本实施例对实施例1、实施例2和实施例3所提出的图像色彩迁移方法,提供具体地实施例。
图4是根据实施例1提供的图像色彩迁移算法的一个实施例,对以下两幅图像进行色彩迁移处理,并将结果与Reinhard等人的色彩迁移结果进行对比.如图4所示,源图像图4(a)所展示的是草坪与房屋,目标图像图4(b)是黄昏下的红色树木,要将目标图像图4(b)的色彩迁移到源图像图4(a)上,图4(c)是利用 Reinhard色彩迁移算法得到的结果图像,图4(d)是利用实施例1提出的图像色彩迁移算法得到的结果图像。
分析上述两种算法得到的迁移效果图,可以发现,由于Reinhard等人提出的色彩迁移算法是以目标图像色彩的整体统计量作为特征来进行迁移的,因此在目标图像的整体色彩基调是偏红色的情况下,导致最后得到的迁移效果图的天空也是红色基调,图像整体呈现出来的色彩也偏红色;而对于实施例1所提出的图像色彩迁移算法,它是通过KNN算法,利用目标图像的局部数据,在Lab空间中建立通道L分别到通道a与通道b的映射,再在源图像的Lab空间中直接使用训练得到的映射将其通道L的值作为自变量输入,然后得到该色彩基调所对应的通道a与通道b的值,通过KNN的算法思想可以知道基于K近邻回归模型的色彩迁移算法与Reinhard等人提出的色彩迁移算法不同,它所利用的是像素的局部特征来进行迁移,因此最后得出的迁移效果图整体色彩基调为黄色,但由于基于K近邻回归模型的色彩迁移算法只利用了局部信息进行迁移,所以导致了相邻像素点的色彩可能存在过度不自然的现象,如图4(d)所示,在天空中的白云直接与黄色天空分离开来,略显生硬。
为了解决上述两种算法存在的问题,将全局统计量特征与局部的像素特征结合起来,可以先对源图像进行基于K近邻的色彩迁移,再对得到的图像进行一次Reinhard色彩迁移操作。或者,先对源图像进行Reinhard色彩迁移,再对得到的图像进行一次基于K近邻的色彩迁移操作。依然使用上述源图像与目标图像进行展示,如图5所示,为了方便叙述,在后文中,用KNN-1算法表示实施例1提出的图像色彩迁移,用KNN-2表示实施例2提出的图像色彩迁移方法,即先使用基于K近邻回归模型色彩迁移算法再使用Reinhard色彩迁移的算法,用KNN-3表示实施例3提出的图像色彩迁移方法,即先进行Reinhard色彩迁移操作再使用基于K近邻回归模型的色彩迁移算法。
分析观察四种算法得到的结果图像,如图5,可以发现,先对KNN-2算法得到的图像与KNN-1算法得到的结果图像没有较大的差异,图像依然整体呈现出黄色基调,但KNN-3算法得到的图像天空中呈现出明显的蓝色基调,与目标图像中黄昏的天空更为相似,只是天空中依然会出现看起来不连续的像素块。
色彩是被射物体的光反射后呈现出的效果,其之所以能够被感知是因为它建立在人类的视觉感知器官上。图像的色彩是能被我们感知的最主要特征,因为色彩是最具有表现力的特征之一,它能够直接吸引人的眼球,从而影响人的情感,对人的心理和生理两方面都产生影响。不少心理学家认为,视觉是人的第一感觉,且色彩对视觉的冲击力最大。一幅画作也能体现出作者当时的心理情感,通过色彩的喜好也能判断人的性格倾向,在角色塑造中借助色彩感知的含义共性来表达人物的性格特征,川剧中的脸谱色彩也反应了人物的性格品质,这些都属于色彩所具备的心理学范畴。
如图7所示,这里的目标图像图7(a)为一张暴风雨前的海平面照片,天空中的白云与蓝黑色乌云交替出现,照片的整体结构与源图像图6的结构类似。
观察五种算法得到的迁移结果图像7,可以发现在Reinhard算法得到的结果图中,麦穗依然存有绿色的像素,而天空中也能隐约能看到蓝色像素;KNN-1 算法得到的图像整体色彩基调偏浅灰;KNN-2算法得到的结果图像更倾向于深灰色;Welsh得到的结果图像色彩介于两者之间;KNN-3算法得到的图像整体色彩基调更偏向于深蓝色。从视觉效果上来说,KNN-3算法得到的图像与目标图像的整体色调更为相似。
如图8(a)所示,这里的目标图像为一张蓝色绣球花的照片。观察图8可以发现,Reinhard算法得到的结果图中,绿色麦田与蓝色天空存在明显的界限,过度不自然,而其余四种算法最后呈现的结果图像中,图像的前景与背景都非常自然的融合在一起;对于图像中的麦穗而言,Reinhard算法得到的结果图中,麦穗依然带有绿色,而其余四种算法的麦穗都表现为不同程度的蓝色。从视觉效果上来说,KNN-1算法得到的结果图亮度偏高,KNN-3算法得到的结果图亮度较低,Welsh算法比KNN-2算法得到的图像亮度更亮且都介于KNN-1算法与KNN-3算法之间。从肉眼很难判断KNN-2算法与Welsh算法的优劣程度。
在紫色情感色彩转移的实验结果进行对比分析中,如图9(a)所示,目标图像选用为一张紫色花海的照片。观察图9可以发现,Reinhard算法得到的结果图中,依然存在界限明显、过度不自然的问题,而KNN-1算法得到的结果图整体颜色基调为浅紫色,在结合Reinhard算法之后的KNN-2与KNN-3算法中,所呈现的结果图像的整体色彩基调有所加深,KNN-3算法的结果图像饱和度更高,Welsh算法的色彩亮度介于KNN-1算法与KNN-2算法之间。从视觉效果上来说,KNN-2算法得到的图像与目标图像的整体色调更为相似。
接下来对黄色情感色彩转移的实验结果进行对比分析,如图10所示,这里的目标图像选取的是一张黄色柠檬的图像观察图10可以发现,Reinhard算法得到的结果图中,麦穗依然保留了大量的绿色像素,而其余四种算法的麦穗都表现为不同程度的橙黄色,KNN-1算法的结果图颜色最浅,亮度最高,其次分别是Welsh算法、KNN-3算法、KNN-2算法,KNN-2算法的结果图与KNN-3算法的结果图相比,颜色更偏向于橙红色。从视觉效果上来说,KNN-2算法得到的图像与目标图像的整体色调更为相似。
每一位画家都有自己擅长的艺术风格,其具体体现在绘画时使用的色彩、笔触、构图等特征上,使得呈现出来的画作有很高的辨识度,让观赏者能够通过画作一眼识别其作者。例如梵高在他的画作中,喜欢采用高亮度、高纯度的色彩,喜欢用明黄色来象征光明与希望。画家的笔触能够表达心中的情绪,总结内在的情感,梵高的笔触为短的长条形状,不间断的连接在一起给人以流动之感,是天性的释放,同时也是生命的表达。与西方国家的油画类似,我国的国画也能体现出画家创作时的意境。我国著名泼墨画家张大千的画作在不同时期呈现出不同的风格,其画风从“清新俊逸”到“瑰丽雄奇”,再到“苍深渊穆”,增强了意境的感染力。张大千在泼墨画的基础上,融合了西方绘画的技巧,创作了保留中国画特点的泼彩画法,营造出一种墨彩交辉的意境。
《星月夜》是梵高著名的代表作之一,如图11所示,主要以深蓝色的天空、星星发出的黄色光芒为基调,描绘了安睡的村庄,给人以宁静、祥和之感。在本小节的实验中,选取了如图12(a)所示的晚霞图像作为源图像,该图像的整体色调呈粉紫色,与《星月夜》的整体色调大为不同.如图12所示,Reinhard算法得到的结果图中,天空的色调从粉紫色转换为蓝色,但是晚霞的光辉依然呈现出红橙色,而其余四种算法的天空不仅转换为蓝色,且晚霞的光辉转换为《星月夜》中星星的黄色光辉,与之相对应。但Welsh算法得到的结果图与另外三种结果图相比,色彩更加暗淡。因此,从视觉效果上来说,KNN-1、KNN-2、KNN-3 算法得到的结果图像较为相似,且比Reinhard算法与Welsh算法更接近目标图像的整体色调。
峨眉山是画家张大千一生中反复描绘的主题,而《峨眉接引殿》是在他最后一次登峨眉山时所创作出来的,记录了他游记中的所见所闻、所听所想。该画以大青绿为主要色彩基调,利用了朱砂、石绿等艳雅色彩来装饰画作,体现出了峨眉山的绿意盎然、巍峨磅礴,如图9所示。
为了使用图像色彩迁移技术来对《峨眉接引殿》的色彩基调进行迁移,这里选取了如图14(a)所示的现实生活中自然山水风景画来作为源图像,该图像中群山呈灰黑色,树木呈嫩绿色。如图14所示,Reinhard算法得到的结果图中,图像中的山石依然为灰黑色,与目标图像中的整体色彩基调有所差别。从视觉效果上来说,Welsh算法、KNN-1算法、KNN-2算法、KNN-3算法得到的结果图像较为相似,都近似于目标图像的色彩基调,从而使得图像更具有泼墨画的风格特点。
基于灰度图像的色彩转移又被称为灰度图像彩色化.由于灰度图像只有一个亮度通道,因此Reinhard等人提出的色彩迁移算法无法直接作用在灰度图像之上.随后Welsh等人提出了基于灰度图像的色彩迁移,本文提出的基于K近邻回归模型的色彩迁移算法也不局限于彩色图之间的色彩迁移,对灰度图像同样适用。其原因在于基于K近邻回归模型的色彩迁移算法在迁移过程中,只需利用源图像上通道L的值来对通道a与通道b的值进行预测,而灰度图像在 Lab空间中的通道L值是恰好存在的,从而能够完成灰度图像的彩色化过程。
由于Reinhard等人的提出的色彩迁移算法在灰度图像上无效,因此在对基于K近邻回归模型的色彩迁移算法和Reinhard等人的提出的色彩迁移算法进行结合使用的时候,只能先进行基于K近邻回归模型的色彩迁移操作,再对得到的结果图像进行Reinhard等人的色彩迁移操作,也就是KNN-2算法。接下来从灰度自然风景图像与灰度卡通人物两方面来进行实验结果分析。
在这一节实验中,选取了一张现实生活中的灰度树木图像来作为源图像,如图15(a)所示,该图像中的树木颜色为深灰色,天空为白色.为了使该灰度源图像成为恢复为绿色,则选取如图15(b)所示的另一张彩色森林图像作为目标图像。如图所示,KNN-1算法得到的结果图与另两种算法得到的结果图颜色大不相同,整体色彩基调为墨绿色,迁移后的色彩偏深,但是KNN-2算法得到的结果图相较于Welsh算法更接近目标图像的色彩,天空的色彩不像Welsh算法那样表现出黄色基调,更接近真实天空色彩。
给灰度图像上色也是目前一个较为主流的问题。在动漫领域中,色彩迁移技术能够对卡通人物进行自动化上色操作,使得卡通人物的形象更为生动有趣,提高卡通人物的表现力。在这一节的实验中,选取了如图16(a)所示的源图像以及(b)所示的目标图像来进行灰度卡通人物的彩色化.目标图像的整体色彩基调为粉紫色,而在三种算法的结果图像中,与上一小节的结果类似,KNN-1算法得到的结果图与另两种算法得到的结果图相比颜色更偏向紫色,KNN-2算法与Welsh算法得到的结果图更接近目标图像的色彩,但KNN-2算法的结果图亮度更高。
实施例5
本实施例提供一种图像色彩迁移***,包括:
色彩空间转换模块,所述色彩空间转换模块用于通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
数据集建立模块,所述数据集建立模块用于根据转换后的源图像S和目标图像T分别进行数据集的建立;
回归模型模块,所述回归模型模块用于建立第一KNN回归模型和第二KNN 回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
预测模块,所述预测模块用于利用训练好的第一KNN回归模型和第二KNN 回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
输出模块,所述输出模块用于将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
实施例6
本实施例提供一种计算机介质,所述计算机介质存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1至3所述的图像色彩迁移方法。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种图像色彩迁移方法,其特征在于,包括以下步骤:
S1:通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
S2:根据转换后的源图像S和目标图像T分别进行数据集的建立;
S3:建立第一KNN回归模型和第二KNN回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
S4:利用训练好的第一KNN回归模型和第二KNN回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
S5:将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
2.根据权利要求1所述的图像色彩迁移方法,其特征在于,步骤S2中根据转换后的源图像S和目标图像T分别进行数据集的建立,具体为:
所述数据集包括训练集和预测集,所述训练集为从目标图像T的通道L中的N×N矩形块和与所述N×N矩形块的中心点所对应的通道a和通道b的值,所述模型的预测集为源图像S的通道L中N×N的矩形块。
3.根据权利要求2所述的图像色彩迁移方法,其特征在于,所述第一KNN回归模型和第二KNN回归模型,具体为:
在目标图像T的通道L中,对于每一个N×N矩形块,找到K个与所述N×N矩形块数值距离最近的块,若数值距离越相近,则两个矩形块中在通道L的信息也越相似,为了使数值距离较近的矩形块对选定矩形块的影响大于数值距离较远的矩形块的影响,用数值距离的倒数来进行加权,从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型。
4.根据权利要求3所述的图像色彩迁移方法,其特征在于,所述数值距离的度量方式为曼哈顿距离。
5.根据权利要求4所述的图像色彩迁移方法,其特征在于,所述N×N矩形块具体为3×3矩形块。
6.根据权利要求1至5任一项所述的图像色彩迁移方法,其特征在于,在步骤S1将源图像S的RGB色彩空间转换到Lab色彩空间前,还包括步骤:
利用Reinhard色彩迁移算法对源图像S进行一次Reinhard色彩迁移操作,所述的源图像S为彩色图像。
7.根据权利要求1至5任一项所述的图像色彩迁移方法,其特征在于,在步骤S5得到结果图像后,还包括步骤:
利用Reinhard色彩迁移算法对结果图像进行一次Reinhard色彩迁移操作。
8.一种图像色彩迁移***,其特征在于,包括:
色彩空间转换模块,所述色彩空间转换模块用于通过色彩空间的转换矩阵将源图像S和目标图像T的RGB色彩空间转换到Lab色彩空间;
数据集建立模块,所述数据集建立模块用于根据转换后的源图像S和目标图像T分别进行数据集的建立;
回归模型模块,所述回归模型模块用于建立第一KNN回归模型和第二KNN回归模型,利用所述数据集分别训练所述第一KNN回归模型和第二KNN回归模型,得到训练好的从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型;
预测模块,所述预测模块用于利用训练好的第一KNN回归模型和第二KNN回归模型,分别预测源图像S中通道L映射的通道a和通道b的值,得到映射后的图像;
输出模块,所述输出模块用于将映射后的图像转换回RGB色彩空间,得到结果图像,实现将目标图像T的色彩迁移到源图像S上。
9.根据权利要求8所述的图像色彩迁移***,其特征在于,所述回归模型模块中,所述第一KNN回归模型和第二KNN回归模型,具体为:
在目标图像T的通道L中,对于每一个N×N矩形块,找到K个与所述N×N矩形块数值距离最近的块,若数值距离越相近,则两个矩形块中在通道L的信息也越相似,为了使数值距离较近的矩形块对选定矩形块的影响大于数值距离较远的矩形块的影响,用数值距离的倒数来进行加权,从通道L映射到通道a的第一KNN回归模型和从通道L映射到通道b的第二KNN回归模型。
10.一种计算机介质,其特征在于,所述计算机介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至8任一项所述的图像色彩迁移方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210225721.7A CN115147259A (zh) | 2022-03-07 | 2022-03-07 | 一种图像色彩迁移方法、***及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210225721.7A CN115147259A (zh) | 2022-03-07 | 2022-03-07 | 一种图像色彩迁移方法、***及计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147259A true CN115147259A (zh) | 2022-10-04 |
Family
ID=83405699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210225721.7A Pending CN115147259A (zh) | 2022-03-07 | 2022-03-07 | 一种图像色彩迁移方法、***及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664454A (zh) * | 2023-08-01 | 2023-08-29 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
-
2022
- 2022-03-07 CN CN202210225721.7A patent/CN115147259A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664454A (zh) * | 2023-08-01 | 2023-08-29 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
CN116664454B (zh) * | 2023-08-01 | 2023-11-03 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135887A1 (zh) | 页面配色的方法、装置、存储介质和芯片 | |
CN110198437B (zh) | 图像的处理方法、装置、存储介质和电子装置 | |
CN106201535B (zh) | 工具栏背景颜色随着图片的主颜色而变换的方法和装置 | |
Morovič | Color gamut mapping | |
US20060087517A1 (en) | Color naming, color categorization and describing color composition of images | |
CN107945175A (zh) | 图像的评价方法、装置、服务器及存储介质 | |
US7392204B1 (en) | Method for selecting cosmetics | |
Koponen et al. | Data visualization handbook | |
CN112069339A (zh) | 背景图片处理及搜索结果展示方法、装置、设备和介质 | |
Zhang et al. | Inkthetics: a comprehensive computational model for aesthetic evaluation of Chinese ink paintings | |
Dutta et al. | Leveraging smart devices for automatic mood-transferring in real-time oil painting | |
Abbadi et al. | Automatic gray images colorization based on lab color space | |
CN115147259A (zh) | 一种图像色彩迁移方法、***及计算机介质 | |
Wu et al. | Adaptive color transfer from images to terrain visualizations | |
CN109064431B (zh) | 一种图片亮度调节方法、设备及其存储介质 | |
Shamoi et al. | Comparative overview of color models for content-based image retrieval | |
Liu | Two decades of colorization and decolorization for images and videos | |
Brunick et al. | Coloring the animated world: Exploring human color perception and preference through the animated film | |
CN111626130A (zh) | 肤色识别方法、装置、电子设备及介质 | |
Koshy et al. | A complexion based outfit color recommender using neural networks | |
Wu et al. | Automatic generation of traditional patterns and aesthetic quality evaluation technology | |
CN112218006B (zh) | 一种多媒体数据处理方法、装置、电子设备及存储介质 | |
Jameson et al. | The Veridicality of Color: A case study of potential human tetrachromacy | |
Park | Histogram-based colour image analysis on tourism photography | |
Panchaud et al. | Smart cartographic background symbolization for map mashups in geoportals: A proof of concept by example of landuse representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |