CN115601232B - 一种基于奇异值分解的彩色图像去色方法及*** - Google Patents

一种基于奇异值分解的彩色图像去色方法及*** Download PDF

Info

Publication number
CN115601232B
CN115601232B CN202211597912.2A CN202211597912A CN115601232B CN 115601232 B CN115601232 B CN 115601232B CN 202211597912 A CN202211597912 A CN 202211597912A CN 115601232 B CN115601232 B CN 115601232B
Authority
CN
China
Prior art keywords
singular value
matrix
channel
recombination
image
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.)
Active
Application number
CN202211597912.2A
Other languages
English (en)
Other versions
CN115601232A (zh
Inventor
朱志亮
赵宇晓
罗国亮
黄晓生
肖美华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202211597912.2A priority Critical patent/CN115601232B/zh
Publication of CN115601232A publication Critical patent/CN115601232A/zh
Application granted granted Critical
Publication of CN115601232B publication Critical patent/CN115601232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于奇异值分解的彩色图像去色方法及***，包括：获取具有三通道的彩色图像，并分别对彩色图像的各个通道图像进行奇异值分解，分别得到三通道的三组矩阵；分别将三组矩阵的S矩阵中的奇异值与其对应的
Figure 265373DEST_PATH_IMAGE001
矩阵、
Figure 661719DEST_PATH_IMAGE002
矩阵中的正交向量进行矩阵重组，得到三组奇异值重组矩阵；根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵；基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像。能够在获取到全局对比度的情况下，捕捉到图像的局部特征及对比度信息，从而细化灰度化结果。

Description

一种基于奇异值分解的彩色图像去色方法及***
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于奇异值分解的彩色图像去色方法及***。
背景技术
图像去色是图像处理和计算机视觉中很多应用的必要工具，也是计算机图像处理领域一个重要的研究方向，图像去色的任务是将彩色图像降维成只有一个通道的灰度图。由于去色过程是一个降维的过程，所以一定会有信息的丢失。
基于奇异值分解的图像应用，大多数是对单个灰度图像进行分解处理然后进行重组矩阵来取得想要的效果。这样做虽然可以保留大部分的灰度图中的特征，但是由于灰度化过程中已经丢失了部分信息，比如在图像压缩中，对灰度图进行压缩，由于在灰度化过程中已经丢失了一部分信息，所以在压缩后会原彩色图像中的信息会更加丢失。
发明内容
本发明提供一种基于奇异值分解的彩色图像去色方法及***，用于解决无法还原彩色图像中的特征和颜色对比度的技术问题。
第一方面，本发明提供一种基于奇异值分解的彩色图像去色方法，包括：获取具有 三通道的彩色图像，并分别对所述彩色图像的各个通道图像进行奇异值分解，分别得到三 通道的三组矩阵
Figure 531421DEST_PATH_IMAGE001
，其中，S为分解出的奇异值矩阵，
Figure 319248DEST_PATH_IMAGE002
、
Figure 627870DEST_PATH_IMAGE003
分别为分解出的左正 定矩阵和右正定矩阵，分别将三组矩阵
Figure 842950DEST_PATH_IMAGE001
的S矩阵中的奇异值与其对应的
Figure 869812DEST_PATH_IMAGE004
矩 阵、
Figure 195751DEST_PATH_IMAGE005
矩阵中的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组 矩阵中包含n个奇异值重组矩阵；根据某一通道的S矩阵中的各个奇异值的能量贡献，对某 一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通 道的三组加权重组矩阵；基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并 融合，得到目标灰度化图像。
进一步地，其中，分别将三组矩阵
Figure 890038DEST_PATH_IMAGE001
的S矩阵中的奇异值与其对应的
Figure 7511DEST_PATH_IMAGE004
矩阵、
Figure 521669DEST_PATH_IMAGE005
矩阵中的正交向量进行矩阵重组的表达式：
Figure 385720DEST_PATH_IMAGE006
，
式中，
Figure 934513DEST_PATH_IMAGE007
为第i个奇异值，
Figure 491396DEST_PATH_IMAGE008
、
Figure 227271DEST_PATH_IMAGE009
分别为通道分解后第i个奇异值所对应的左 正交向量和右正交向量，
Figure 160592DEST_PATH_IMAGE010
、
Figure 563891DEST_PATH_IMAGE011
分别为图像的长和宽，
Figure 26096DEST_PATH_IMAGE012
为m和n中的最小值，
Figure 514847DEST_PATH_IMAGE013
为通道图像，其中c可取R、G、B，
Figure 986279DEST_PATH_IMAGE010
、
Figure 244085DEST_PATH_IMAGE011
分别为图像的长和宽。
进一步地，其中，计算某一通道的S矩阵中的各个奇异值的能量贡献的表达式为：
Figure 142771DEST_PATH_IMAGE014
，
式中，
Figure 853238DEST_PATH_IMAGE015
为R通道中的第i个奇异值的能量权重，
Figure 128362DEST_PATH_IMAGE016
为R通道中的第i个奇异 值，
Figure 240674DEST_PATH_IMAGE017
为三通道中分解出的第i个奇异值和，即能量总和，
Figure 310261DEST_PATH_IMAGE018
为G通道中的第i个奇异值 的能量权重，
Figure 508025DEST_PATH_IMAGE019
为B通道中的第i个奇异值的能量权重，
Figure 586839DEST_PATH_IMAGE020
为G通道中的第i个奇异值，
Figure 288079DEST_PATH_IMAGE021
为B通道中的第i个奇异值。
进一步地，其中，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵的表达式为：
Figure 794146DEST_PATH_IMAGE022
，
式中，
Figure 213626DEST_PATH_IMAGE015
为R通道中第i个奇异值的能量权重，
Figure 830553DEST_PATH_IMAGE019
为B通道中第i个奇异值的能 量权重，
Figure 917457DEST_PATH_IMAGE018
为G通道中第i个奇异值的能量权重，
Figure 331777DEST_PATH_IMAGE023
为R通道第i个奇异值的重组矩 阵图像，
Figure 504132DEST_PATH_IMAGE024
为G通道第i个奇异值的重组矩阵图像，
Figure 924749DEST_PATH_IMAGE025
为B通道第i个奇异值 的重组矩阵图像，
Figure 600581DEST_PATH_IMAGE026
为R通道的一组加权重组矩阵，
Figure 448451DEST_PATH_IMAGE027
为G通道的一组加权重组矩阵，
Figure 108103DEST_PATH_IMAGE028
为B通道的一组加权重组矩阵，
Figure 66832DEST_PATH_IMAGE029
为奇异值的总个数。
进一步地，其中，基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合的表达式为：
Figure 862749DEST_PATH_IMAGE030
，
式中，
Figure 350362DEST_PATH_IMAGE031
为R通道的全局对比度权重，
Figure 497310DEST_PATH_IMAGE032
为G通道的全局对比度权重，
Figure 259730DEST_PATH_IMAGE033
为B通 道的全局对比度权重,
Figure 910154DEST_PATH_IMAGE026
为R通道的一组加权重组矩阵，
Figure 99827DEST_PATH_IMAGE027
为G通道的一组加权重组矩 阵，
Figure 468491DEST_PATH_IMAGE028
为B通道的一组加权重组矩阵。
第二方面，一种基于奇异值分解的彩色图像去色***，包括：
获取模块，配置为获取具有三通道的彩色图像，并分别对所述彩色图像的各个通 道图像进行奇异值分解，分别得到三通道的三组矩阵
Figure 769022DEST_PATH_IMAGE001
，其中，S为分解出的奇 异值矩阵，
Figure 539532DEST_PATH_IMAGE002
、
Figure 634527DEST_PATH_IMAGE003
分别为分解出的左正定矩阵和右正定矩阵；重组模块，配置为分别将三组 矩阵
Figure 490488DEST_PATH_IMAGE001
的S矩阵中的奇异值与其对应的
Figure 594710DEST_PATH_IMAGE004
矩阵、
Figure 219727DEST_PATH_IMAGE005
矩阵中的正交向量进行矩阵 重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含n个奇异值重组矩阵；加 权模块，配置为根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异 值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组 矩阵；融合模块，配置为基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并 融合，得到目标灰度化图像。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于奇异值分解的彩色图像去色方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于奇异值分解的彩色图像去色方法的步骤。
本申请的基于奇异值分解的彩色图像去色方法及***，通过对彩色图像的各个通道图像进行奇异值分解，并且根据奇异值的权重和三通道全局对比度保持权重计算得到灰度化图像，能够在获取到全局对比度的情况下，捕捉到图像的局部特征及对比度信息，从而细化灰度化结果，并且由于奇异值分解没有很高的计算复杂度，我们的方法对比其它混合方法更加具有时效性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1为本发明一实施例提供的一种基于奇异值分解的彩色图像去色方法的流程图；
图2为本发明一实施例提供的一种基于奇异值分解的彩色图像去色***的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
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。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。
请参阅图1，其示出了本申请的一种基于奇异值分解的彩色图像去色方法的流程图。
如图1所示，基于奇异值分解的彩色图像去色方法具体包括以下步骤：
步骤S101，获取具有三通道的彩色图像，并分别对所述彩色图像的各个通道图像 进行奇异值分解，分别得到三通道的三组矩阵
Figure 751202DEST_PATH_IMAGE034
，其中，S为分解出的奇异值矩 阵，
Figure 94459DEST_PATH_IMAGE002
、
Figure 736793DEST_PATH_IMAGE003
分别为分解出的左正定矩阵和右正定矩阵。
在本实施例中，通常在基于奇异值分解（SVD）的图像处理应用中，大多数将
Figure 213386DEST_PATH_IMAGE035
矩阵 中的奇异值进行拆分，然后对
Figure 915763DEST_PATH_IMAGE036
矩阵、
Figure 480736DEST_PATH_IMAGE037
矩阵的行和列进行拆分，从而达到矩阵重组，提取 图像中重要特征的作用。
每个奇异值都有其相应的重组矩阵时的能量贡献，实际上，奇异值越大其能量贡献越大，在重组后保留的特征也就越多。
也就是说，每个奇异值在矩阵重组时都有一定的能量贡献，一般来说，奇异值越大其贡献就越大，在重组矩阵来获取新的图像时，新的图像所保持的原图像的特征就越多。通常使用奇异值分解都是处理的单矩阵的灰度图像，实际上，灰度图在灰度化的过程中已经损失了大量的信息，这会使得在进一步通过所得奇异值进行矩阵重组时丢失更多的图像信息。
具体地，对于具有三通道的彩色图像，分别对其三通道图像进行奇异值分解 （SVD）。分解结果可以得到三组
Figure 926761DEST_PATH_IMAGE038
矩阵。
步骤S102，分别将三组矩阵
Figure 260790DEST_PATH_IMAGE038
的S矩阵中的奇异值与其对应的
Figure 134068DEST_PATH_IMAGE004
矩阵、
Figure 451917DEST_PATH_IMAGE005
矩阵中的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵 中包含n个奇异值重组矩阵。
在本实施例中，分别将三组矩阵
Figure 436054DEST_PATH_IMAGE038
的S矩阵中的奇异值与其对应的
Figure 890169DEST_PATH_IMAGE004
矩阵、
Figure 668769DEST_PATH_IMAGE005
矩阵中的正交向量进行矩阵重组的表达式：
Figure 473914DEST_PATH_IMAGE006
，
式中，
Figure 261741DEST_PATH_IMAGE007
为第i个奇异值，
Figure 570363DEST_PATH_IMAGE008
、
Figure 785444DEST_PATH_IMAGE009
分别为通道分解后第i个奇异值所对应的左 正交向量和右正交向量，
Figure 77885DEST_PATH_IMAGE010
、
Figure 138245DEST_PATH_IMAGE011
分别为图像的长和宽，
Figure 566952DEST_PATH_IMAGE012
为m和n中的最小值，
Figure 952934DEST_PATH_IMAGE013
为通道图像，其中c可取R、G、B，
Figure 467092DEST_PATH_IMAGE010
、
Figure 596722DEST_PATH_IMAGE011
分别为图像的长和宽。
步骤S103，根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组矩阵。
在本实施例中，每个奇异值在其重组矩阵时都有能量贡献，三通道通过奇异值分解得到的各个奇异值可以在一定程度上代表信息能量的分布。奇异值越大，则信息能量越大，代表该部分包含的特征越丰富。基于该分析，可以利用能量值所占的比例作为各个矩阵进行融合的权重。因此，每个通道所对应的单个奇异值重组矩阵的加权的步骤可以表示为：
Figure 879936DEST_PATH_IMAGE022
，
式中，
Figure 436819DEST_PATH_IMAGE015
为R通道中第i个奇异值的能量权重，
Figure 438273DEST_PATH_IMAGE019
为B通道中第i个奇异值的能 量权重，
Figure 97226DEST_PATH_IMAGE018
为G通道中第i个奇异值的能量权重，
Figure 500525DEST_PATH_IMAGE023
为R通道第i个奇异值的重组矩 阵图像，
Figure 962731DEST_PATH_IMAGE024
为G通道第i个奇异值的重组矩阵图像，
Figure 451481DEST_PATH_IMAGE025
为B通道第i个奇异值 的重组矩阵图像，
Figure 922913DEST_PATH_IMAGE026
为R通道的一组加权重组矩阵，
Figure 915140DEST_PATH_IMAGE027
为G通道的一组加权重组矩阵，
Figure 79405DEST_PATH_IMAGE028
为B通道的一组加权重组矩阵，
Figure 55451DEST_PATH_IMAGE029
为奇异值的总个数。
Figure 799417DEST_PATH_IMAGE014
，
式中，
Figure 177308DEST_PATH_IMAGE015
为R通道中的第i个奇异值的能量权重，
Figure 981316DEST_PATH_IMAGE016
为R通道中的第i个奇异 值，
Figure 444659DEST_PATH_IMAGE017
为三通道中分解出的第i个奇异值和，即能量总和，
Figure 992315DEST_PATH_IMAGE018
为G通道中的第i个奇异值 的能量权重，
Figure 224713DEST_PATH_IMAGE019
为B通道中的第i个奇异值的能量权重，
Figure 730780DEST_PATH_IMAGE020
为G通道中的第i个奇异值，
Figure 415840DEST_PATH_IMAGE021
为B通道中的第i个奇异值。
步骤S104，基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像。
在本实施例中，基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合的表达式为：
Figure 767187DEST_PATH_IMAGE030
，
式中，
Figure 854091DEST_PATH_IMAGE031
为R通道的全局对比度权重，
Figure 265481DEST_PATH_IMAGE032
为G通道的全局对比度权重，
Figure 437836DEST_PATH_IMAGE033
为B通 道的全局对比度权重,
Figure 592874DEST_PATH_IMAGE026
为R通道的一组加权重组矩阵，
Figure 534285DEST_PATH_IMAGE027
为G通道的一组加权重组矩 阵，
Figure 382156DEST_PATH_IMAGE028
为B通道的一组加权重组矩阵。
具体地，根据现有的对比度保持灰度化方法，即首先构造对比度保持的目标函数， 然后根据通道像素差异来形成最终的最佳组合系数即三通道的灰度化融合权重，使得目标 函数取值最小，得到三通道的权重
Figure 41807DEST_PATH_IMAGE031
、
Figure 732027DEST_PATH_IMAGE032
、
Figure 527945DEST_PATH_IMAGE033
。
综上，本实施例的方法，采用奇异值分解（SVD）理论，将三通道图像进行SVD分解，并对分解出来的奇异值挨个进行矩阵重组，然后根据奇异值的能量贡献将三通道获得的矩阵进行加权融合，这样做最终得到的图像可以在最大程度上保留三通道的细节特征和对比度。但是，这种用奇异值重构矩阵加权融合的方法在整体对比度会有一定的丢失，针对这一问题，为了在保留细节对比度的同时，进一步保留整体对比度，将全局对比度权重与奇异值加权后的通道矩阵进行融合，得到最终的灰度化图像，该方法能够在获取全局特征的情况下，捕获到图像的局部特征及对比度，从而细化灰度化特征。
请参阅图2，其示出了本申请的一种基于奇异值分解的彩色图像去色***的结构框图。
如图2所示，彩色图像去色***200，包括获取模块210、重组模块220、加权模块230以及融合模块240。
其中，获取模块210，配置为获取具有三通道的彩色图像，并分别对所述彩色图像 的各个通道图像进行奇异值分解，分别得到三通道的三组矩阵
Figure 281137DEST_PATH_IMAGE039
，其中，S为分 解出的奇异值矩阵，
Figure 428085DEST_PATH_IMAGE002
、
Figure 190504DEST_PATH_IMAGE003
分别为分解出的左正定矩阵和右正定矩阵；重组模块220，配置为 分别将三组矩阵
Figure 840928DEST_PATH_IMAGE038
的S矩阵中的奇异值与其对应的
Figure 765022DEST_PATH_IMAGE004
矩阵、
Figure 399266DEST_PATH_IMAGE005
矩阵中的正交向 量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含n个奇异值 重组矩阵；加权模块230，配置为根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一 道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道 的三组加权重组矩阵；融合模块240，配置为基于预设的全局对比度权重对各组加权重组矩 阵进行再次加权并融合，得到目标灰度化图像。
应当理解，图2中记载的诸模块与图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于奇异值分解的彩色图像去色方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取具有三通道的彩色图像，并分别对所述彩色图像的各个通道图像进行奇异值 分解，分别得到三通道的三组矩阵
Figure 434218DEST_PATH_IMAGE040
，其中，S为分解出的奇异值矩阵，
Figure 470307DEST_PATH_IMAGE002
、
Figure 299723DEST_PATH_IMAGE003
分 别为分解出的左正定矩阵和右正定矩阵；
分别将三组矩阵
Figure 421263DEST_PATH_IMAGE040
的S矩阵中的奇异值与其对应的
Figure 259906DEST_PATH_IMAGE004
矩阵、
Figure 884922DEST_PATH_IMAGE005
矩阵中 的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含n 个奇异值重组矩阵；
根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组矩阵；
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据基于奇异值分解的彩色图像去色***的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于奇异值分解的彩色图像去色***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于奇异值分解的彩色图像去色方法。输入装置330可接收输入的数字或字符信息，以及产生与基于奇异值分解的彩色图像去色***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于奇异值分解的彩色图像去色***中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取具有三通道的彩色图像，并分别对所述彩色图像的各个通道图像进行奇异值 分解，分别得到三通道的三组矩阵
Figure 416397DEST_PATH_IMAGE038
，其中，S为分解出的奇异值矩阵，
Figure 494075DEST_PATH_IMAGE002
、
Figure 401988DEST_PATH_IMAGE003
分 别为分解出的左正定矩阵和右正定矩阵；
分别将三组矩阵
Figure 147090DEST_PATH_IMAGE038
的S矩阵中的奇异值与其对应的
Figure 583888DEST_PATH_IMAGE004
矩阵、
Figure 414440DEST_PATH_IMAGE005
矩阵中 的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含n 个奇异值重组矩阵；
根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组矩阵；
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于奇异值分解的彩色图像去色方法，其特征在于，包括：
获取具有三通道的彩色图像，并分别对所述彩色图像的各个通道图像进行奇异值分解，分别得到三通道的三组矩阵
Figure QLYQS_1
，其中，S为分解出的奇异值矩阵，
Figure QLYQS_2
、
Figure QLYQS_3
分别为分解出的左正定矩阵和右正定矩阵；
分别将三组矩阵
Figure QLYQS_4
的S矩阵中的奇异值与其对应的
Figure QLYQS_5
矩阵、
Figure QLYQS_6
矩阵中的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含a个奇异值重组矩阵；
根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组矩阵；
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像;
其中，分别将三组矩阵
Figure QLYQS_7
的S矩阵中的奇异值与其对应的
Figure QLYQS_8
矩阵、
Figure QLYQS_9
矩阵中的正交向量进行矩阵重组的表达式：
Figure QLYQS_10
，
式中，
Figure QLYQS_13
为第i个奇异值，
Figure QLYQS_15
、
Figure QLYQS_18
分别为通道分解后第i个奇异值所对应的左正交向量和右正交向量，
Figure QLYQS_12
、
Figure QLYQS_16
分别为图像的长和宽，
Figure QLYQS_17
为m和n中的最小值，
Figure QLYQS_19
为通道图像，其中c可取R、G、B，
Figure QLYQS_11
、
Figure QLYQS_14
分别为图像的长和宽;
其中，计算某一通道的S矩阵中的各个奇异值的能量贡献的表达式为：
Figure QLYQS_20
，
式中，
Figure QLYQS_21
为R通道中的第i个奇异值的能量权重，
Figure QLYQS_22
为R通道中的第i个奇异值，
Figure QLYQS_23
为三通道中分解出的第i个奇异值和，即能量总和，
Figure QLYQS_24
为G通道中的第i个奇异值的能量权重，
Figure QLYQS_25
为B通道中的第i个奇异值的能量权重，
Figure QLYQS_26
为G通道中的第i个奇异值，
Figure QLYQS_27
为B通道中的第i个奇异值;
其中，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵的表达式为：
Figure QLYQS_28
，
式中，
Figure QLYQS_30
为R通道中第i个奇异值的能量权重，
Figure QLYQS_33
为B通道中第i个奇异值的能量权重，
Figure QLYQS_37
为G通道中第i个奇异值的能量权重，
Figure QLYQS_31
为R通道第i个奇异值的重组矩阵图像，
Figure QLYQS_34
为G通道第i个奇异值的重组矩阵图像，
Figure QLYQS_36
为B通道第i个奇异值的重组矩阵图像，
Figure QLYQS_38
为R通道的一组加权重组矩阵，
Figure QLYQS_29
为G通道的一组加权重组矩阵，
Figure QLYQS_32
为B通道的一组加权重组矩阵，
Figure QLYQS_35
为奇异值的总个数。
2.根据权利要求1所述的一种基于奇异值分解的彩色图像去色方法，其特征在于，其中，基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合的表达式为：
Figure QLYQS_39
，
式中，
Figure QLYQS_40
为R通道的全局对比度权重，
Figure QLYQS_41
为G通道的全局对比度权重，
Figure QLYQS_42
为B通道的全局对比度权重,
Figure QLYQS_43
为R通道的一组加权重组矩阵，
Figure QLYQS_44
为G通道的一组加权重组矩阵，
Figure QLYQS_45
为B通道的一组加权重组矩阵。
3.一种基于奇异值分解的彩色图像去色***，用于实现权利要求1-2任一项所述的彩色图像去色方法，其特征在于，包括：
获取模块，配置为获取具有三通道的彩色图像，并分别对所述彩色图像的各个通道图像进行奇异值分解，分别得到三通道的三组矩阵
Figure QLYQS_46
，其中，S为分解出的奇异值矩阵，
Figure QLYQS_47
、
Figure QLYQS_48
分别为分解出的左正定矩阵和右正定矩阵；
重组模块，配置为分别将三组矩阵
Figure QLYQS_49
的S矩阵中的奇异值与其对应的
Figure QLYQS_50
矩阵、
Figure QLYQS_51
矩阵中的正交向量进行矩阵重组，得到三组奇异值重组矩阵，其中，每组奇异值重组矩阵中包含a个奇异值重组矩阵；
加权模块，配置为根据某一通道的S矩阵中的各个奇异值的能量贡献，对某一道中的各个奇异值重组矩阵进行加权，得到某一通道的一组加权重组矩阵，即得到三通道的三组加权重组矩阵；
融合模块，配置为基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合，得到目标灰度化图像。
4.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至2任一项所述的方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至2任一项所述的方法。
CN202211597912.2A 2022-12-14 2022-12-14 一种基于奇异值分解的彩色图像去色方法及*** Active CN115601232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211597912.2A CN115601232B (zh) 2022-12-14 2022-12-14 一种基于奇异值分解的彩色图像去色方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211597912.2A CN115601232B (zh) 2022-12-14 2022-12-14 一种基于奇异值分解的彩色图像去色方法及***

Publications (2)

Publication Number Publication Date
CN115601232A CN115601232A (zh) 2023-01-13
CN115601232B true CN115601232B (zh) 2023-03-10

Family

ID=84854153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211597912.2A Active CN115601232B (zh) 2022-12-14 2022-12-14 一种基于奇异值分解的彩色图像去色方法及***

Country Status (1)

Country Link
CN (1) CN115601232B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474048A (zh) * 2022-09-14 2022-12-13 中车青岛四方车辆研究所有限公司 基于***四元数模型的快速彩色图像压缩方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504207B (zh) * 2016-10-24 2019-08-02 西南科技大学 一种图像数据处理方法
FR3060180A1 (fr) * 2016-12-14 2018-06-15 Cyclopus Procede de traitement d’image numerique
CN109118528A (zh) * 2018-07-24 2019-01-01 西安工程大学 基于区域分块的奇异值分解图像匹配算法
CN109345494B (zh) * 2018-09-11 2020-11-24 中国科学院长春光学精密机械与物理研究所 基于潜在低秩表示和结构张量的图像融合方法及装置
CN112417234B (zh) * 2019-08-23 2024-01-26 中移(苏州)软件技术有限公司 一种数据聚类方法和装置，及计算机可读存储介质
CN111325658B (zh) * 2020-02-19 2022-08-23 成都大学 一种彩色图像自适应去色方法
CN117280356A (zh) * 2021-05-14 2023-12-22 三菱电机株式会社 学习装置、学习方法、图像处理装置和图像处理方法
CN114549352A (zh) * 2022-02-21 2022-05-27 中国第一汽车股份有限公司 图像处理方法、装置、电子设备和存储介质
CN115034992A (zh) * 2022-06-14 2022-09-09 浙江大学 一种长波红外图像去噪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474048A (zh) * 2022-09-14 2022-12-13 中车青岛四方车辆研究所有限公司 基于***四元数模型的快速彩色图像压缩方法

Also Published As

Publication number Publication date
CN115601232A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN111768008B (zh) 联邦学习方法、装置、设备和存储介质
KR102253627B1 (ko) 멀티스케일 이미지 생성
DE102020125207A1 (de) Unbeaufsichtigtes training von neuronalem netz zur bildkompression mit hohem dynamikumfang
KR102016977B1 (ko) 해수면 온도 영상 복원 시스템 및 방법
US20240119707A1 (en) Method for training image generation model, method for generating images, and devices thereof
TWI664853B (zh) 視訊壓縮感測重建方法及裝置
CN110139046B (zh) 一种基于张量的视频帧合成方法
CN109785279B (zh) 一种基于深度学习的图像融合重建方法
CN112906721B (zh) 图像处理方法、装置、设备及计算机可读存储介质
CN110689136B (zh) 一种深度学习模型获得方法、装置、设备及存储介质
CN117495714B (zh) 基于扩散生成先验的人脸图像复原方法、装置及可读介质
WO2022156621A1 (zh) 基于人工智能的图像上色方法、装置、电子设备、计算机可读存储介质及计算机程序产品
Scheidegger et al. The weighted generalised covariance measure
CN114897711A (zh) 一种视频中图像处理方法、装置、设备及存储介质
Wu et al. MG-CNN: A deep CNN to predict saddle points of matrix games
CN115115510A (zh) 一种图像处理方法、***及存储介质和终端设备
CN113420722B (zh) 一种机场安全管理平台的突发事件联动方法及***
CN115601232B (zh) 一种基于奇异值分解的彩色图像去色方法及***
CN115170418B (zh) 符合退化的低秩高维图像填充模型及其填充方法与***
Wang et al. Mixed distortion image enhancement method based on joint of deep residuals learning and reinforcement learning
CN113254996B (zh) 图神经网络训练方法、装置、计算设备及存储介质
CN115311152A (zh) 图像处理方法、装置、电子设备以及存储介质
CN116264606A (zh) 用于处理视频的方法、设备和计算机程序产品
CN113658076B (zh) 基于特征纠缠调制的图像复原方法、装置、设备和介质
CN115019079B (zh) 用于图像识别的分布式概略优化加速深度学习训练的方法

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
GR01 Patent grant
GR01 Patent grant