CN101667299A - 一种数字图像染色方法 - Google Patents

Abstract

本发明公开了一种数字图像染色方法，包括以下步骤：选择一幅内容近似黑白图像的彩色图像作为色源；分别提取两幅图像特征向量空间模型；判定目标图像与色源图像的相似度；转换图像RGB表示模式到Lαβ模式；传递色彩信息；转换图像Lαβ表示模式到RGB模式形成染色后的目标图像。本发明的染色技术的色源来自一幅内容近似的彩色画面，利用亮度信息根据最佳匹配算法自动完成，具有客观性，染色后的画面保持原有信息，但增加了色源的颜色等信息，从而增强了视觉效果和真实感，提高了染色的成功率。整个取色、赋色过程完全是自动化处理，方便快捷，只需具备正常的视觉感观能力即可，不需要任何绘画和色彩等专业技巧。

Description

一种数字图像染色方法

技术领域

本发明涉及一种数字图像处理技术，特别是一种数字图像染色方法。

背景技术

由于人眼对彩色的变化远比对灰度的变化敏感，因此黑白图像染色是图像处理中最常要解决的问题之一。在娱乐方面，为了增强视觉效果，有价值的黑白照片、经典电影需要给灰度图像着色；在教育和科研领域，给一些科学图像和插图着色，有利于生动地表达这些图像所包含的信息，充分发挥人的感知能力；在医疗诊断和数字化人体研究方面，给灰度的MRI磁共振图像、X光图像和CT图像着色，有利于充分显示这些图形的特征，及时发现病症。

从三维颜色空间上讲，灰度图像仅仅只有亮度或者强度的变化，属一维空间上的变化。灰度图像着色首要的前提就是增加真实感信息的同时最大限度地保持图像原有的信息。在RGB颜色空间中，不同的颜色可能亮度相同而色调或饱和度不同。由于这些模糊性，着色问题一直没有得到满意解决。因此使用软件染色方法也只能是根据亮度或纹理分布自动将整幅画面分几个不同的着色区域，仍然需要用户决定图像各部分的颜色。如目前流行的Photoshop对黑白照片着色，用户要仔细观察图片，考虑填充颜色种类和明暗过渡等细节，逐一勾画出填充不同颜色的选区，使用色彩平衡、色调/饱和度等方法来完成填充工作。在医学上对灰度图像，如MRI、X光和CT等，进行伪彩色处理是另一种非常有效的图像增强技术。灰度图像的等密度伪彩色编码实质上是建立图像的灰度级与颜色的一种影射关系，因此可以做到自动染色。但是伪彩色只是通过色阶把在灰度图像中不易分辨的一些细节在伪彩色图像中显现出来，它无法反映黑白图像的真实颜色。一方面，伪彩色没有唯一的编码方式，同一张图像的伪彩色图很可能由于医生的不同而改变。另一方面，由于伪彩色技术只适用于256级以下的灰度图像，对高于256级灰度的高分辨率图像来说，只能先将灰度级压缩影射为256级灰度，然后再进行编码，但压缩影射相当于降低了处理图像的灰度分辨率。

发明内容

为解决现有技术存在的上述问题，本发明要提出一种不需要任何绘画和色彩等专业技巧，整个染色过程完全自动化处理、方便快捷、而且染色质量高的数字图像染色方法。

为了实现上述目的，本发明的技术方案如下：一种数字图像染色方法包括以下步骤：

A、选择色源图像

对于一幅需要染色的黑白图像，即目标图像，选择一幅内容近似的彩色图像作为色源，即色源图像；

B、分别提取两幅图像特征向量空间模型

利用公式(1)分别计算目标图像和色源图像中每个像素点的灰度值：

$I=\left[\begin{array}{ccc}0.229& 0.587& 0.114\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

对于每个像素点在某邻域内的灰度变化，考虑该像素点的3*3邻域，它包括9个像素点，其中I_i(i＝0，1，…，8)表示图像在该像素点处的灰度，I₀所在位置为中心点，用矩阵表示为

$\left[\begin{array}{ccc}{I}_1& I_2& I_3\\ I_4& I_0& I_5\\ I_6& I_7& I_8\end{array}\right]$

因此像素点I₀的灰度变化值为：

从公式(2)容易看出，T可以看作八位二进制数，它的取值为T∈{0，1，Λ255}；

计算图像所有像素点的T值，T(i，j)表示像素点I₀(i，j)处的值，h_k(k＝0，1，Λ255)表示T值为k的像素点数量与总像素的比值，则：

$h_k=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}f(i,j,k)}{m*n}---\left(3\right)$

其中n和m分别为图像的高度和宽度，f(i，j，k)表示为：

$f(i,j,k)=\left\{\begin{array}{cc}1& \mathrm{ifT}(i,j)=k\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

由此可以得到色源图像的特征向量空间模型s＝{h₀，h₁，Λ，h₂₅₅}和目标图像的特征向量空间模型d＝{h′₀，h′₁，Λ，h′₂₅₅}；

C、判定目标图像与色源图像的相似度

计算色源图像特征向量和目标图像特征向量的空间夹角cos(s，d)值，作为两幅图像的相似度sim(s，d)

$\mathrm{sim}(s,d)=\cos (s,d)=\frac{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i{h^{\′}}_i}{\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i^2}\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h^{\′}}_i^2}}---\left(5\right)$

sim(q，d)的范围为[0，1]，sim(q，d)的值越大，则两幅图像就越相似；当两幅图像的相似度大于0.5，则被选的色源图像可以作为合格色源图像；当两幅图像的相似度小于0.5，则需要另换色源图像，并从步骤A开始重新计算新色源图像的特征向量及其与目标图像的相似度；

D、转换图像RGB表示模式到Lαβ模式

分别转换合格色源图像和目标图像中每个像素点的表示模式，将像素的RGB值变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(6\right)$

通过自然对数消除变换过程中产生的空间变形，并由LMS空间变换到Lαβ：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.5774& 0.5774\\ 0.4082& 0.4082& -0.8164\\ 0.7071& -0.7071& 0\end{array}\right]\left[\begin{array}{c}\log \left(L_1\right)\\ \log \left(M_1\right)\\ \log \left(S_1\right)\end{array}\right]---\left(7\right)$

其中L表示亮度信息，α表示黄兰信息，β表示红绿信息；对于一幅图像的亮度信息，可以使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& \·\·\·\·\·\·& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& \·\·\·\·\·\·& L_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ L_{n,1}& L_{n,2}& L_{n,3}& \·\·\·\·\·\·& L_{n,m}\end{array}\right]---\left(8\right)$

其中n和m分别为图像的高度和宽度，L_i，j是像素点的亮度值；α和β通道的信息也可用相同的方法表示；

E、传递色彩信息

设合格色源图像信息为L(s)、α(s)和β(s)，分辨率为m×n；目标图像亮度信息为L(d)；对于目标图像中每一个灰度图像的像素点(i，j)，设它与色源图像所有像素点亮度值的差为ΔL，即

ΔL_i，j＝|L_i，j(d)-L_k，p(s)|               (9)

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}\mathrm{\Δ}{L}_{\mathrm{1,1}}& \mathrm{\Δ}{L}_{\mathrm{1,2}}& \mathrm{\Δ}{L}_{\mathrm{1,3}}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{1,m}\\ \mathrm{\Δ}{L}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& \mathrm{\Δ}{L}_{\mathrm{2,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ \mathrm{\Δ}{L}_{n,1}& \mathrm{\Δ}{L}_{n,2}& {\mathrm{\ΔL}}_{n,3}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{n,m}\end{array}\right]---\left(10\right)$

当ΔL_k，p＝min{ΔL_1，1，ΔL_1，2......ΔL_m，n}时，则可以借用合格色源图像中像素点(k，p)为目标图像像素点(i，j)染色：

$\left.\begin{array}{c}{L^{\′}}_{i,j}\left(d\right)=\frac{{\mathrm{\σ}}_d^L}{{\mathrm{\σ}}_s^L}(L_{s,p}\left(s\right)-E\left(L\left(s\right)\right))+E\left(L\left(d\right)\right)\\ {{\mathrm{\α}}^{\′}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {{\mathrm{\β}}^{\′}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}---\left(11\right)$

其中E(L)和σ^L分别是L通道的均值和方差；

F、转换图像Lαβ表示模式到RGB模式

将染色完成的目标图像，由Lαβ表示模式逆变换到RGB模式：

由Lαβ空间变换到LMS

$\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.4082& 0.7071\\ 0.5774& 0.4082& -0.7071\\ 0.5774& -0.7071& 0\end{array}\right]\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]---\left(12\right)$

通过自然幂指数消除变换过程中产生的空间变形，并由LMS变换到RGB空间：

$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}4.4679& -3.5873& 0.1193\\ -1.2186& 2.3809& -0.1624\\ 0.0497& -0.2439& 1.2045\end{array}\right]\left[\begin{array}{c}{e}^{L_1}\\ e^{M_1}\\ e^{S_1}\end{array}\right]---\left(13\right)$

形成染色后的目标图像。

本发明所述的选择合格色源图像也可以色源像素点采样，即从合格色源图像中抽取一定数量有代表性的像素点代替整幅图，具体步骤为：

根据图像灰度的范围为256个等级，分别统计在第i等级中的像素的个数，并设为l[k]，按照直方图每个刻度中所包含像素点的比例来采集样本像素点；在第k个刻度上，则应该采样的数量为

其中n和m分别为图像的高度和宽度，N为采样的总数量，一般为200到1000。

与现有技术相比，本发明具有以下有益效果：

1、本发明的染色技术的色源来自一幅内容近似的彩色画面，利用亮度信息根据最佳匹配算法自动完成，具有客观性，染色后画面保持原有信息，但增加了色源的颜色等信息，从而增强了视觉效果和真实感。

2、本发明通过计算色源图像和目标图像的相似度来选择合适的色源图像，提高了染色的成功率。

3、本发明的整个取色、赋色过程完全是自动化处理，方便快捷，只需具备正常的视觉感观能力即可，不需要任何绘画和色彩等专业技巧。

4、本发明在色源图像分辨率大时，从色源图像中抽取一定数量有代表性的像素点代替整幅图，这样遍历的像素点较少，可以提高染色速度。

附图说明

本发明共有附图2幅，其中：

图1是数字图像染色方法的流程图。

图2是数字图像染色方法的示意图。

图中：101、色源图像，102、目标图像，103、合格色源图像，104、染色后的目标图像。

具体实施方式

下面结合附图对本发明进行进一步地描述。如图1-2所示，一种数字图像染色方法包括以下步骤：

A、选择色源图像101

对于一幅需要染色的黑白图像，即目标图像102，选择一幅内容近似的彩色图像作为色源，即色源图像101；

B、分别提取两幅图像特征向量空间模型

利用公式(1)分别计算目标图像102和色源图像101中每个像素点的灰度值：

$I=\left[\begin{array}{ccc}0.229& 0.587& 0.114\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

对于每个像素点在某邻域内的灰度变化，考虑该像素点的3*3邻域，它包括9个像素点，其中I_i(i＝0，1，…，8)表示图像在该像素点处的灰度，I₀所在位置为中心点，用矩阵表示为

$\left[\begin{array}{ccc}{I}_1& I_2& I_3\\ I_4& I_0& I_5\\ I_6& I_7& I_8\end{array}\right]$

因此像素点I₀的灰度变化值为：

从公式(2)容易看出，T可以看作八位二进制数，它的取值为T∈{0，1，Λ255}；

计算图像所有像素点的T值，T(i，j)表示像素点I₀(i，j)处的值，h_k(k＝0，1，Λ255)表示T值为k的像素点数量与总像素的比值，则：

$h_k=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}f(i,j,k)}{m*n}---\left(3\right)$

其中n和m分别为图像的高度和宽度，f(i，j，k)表示为：

$f(i,j,k)=\left\{\begin{array}{cc}1& \mathrm{ifT}(i,j)=k\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

由此可以得到色源图像101的特征向量空间模型s＝{h₀，h₁，Λ，h₂₅₅}和目标图像102的特征向量空间模型d＝{h′₀，h′₁，Λ，h′₂₅₅}；

C、判定目标图像102与色源图像101的相似度

计算色源图像101特征向量和目标图像102特征向量的空间夹角cos(s，d)值，作为两幅图像的相似度sim(s，d)

$\mathrm{sim}(s,d)=\cos (s,d)=\frac{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i{h^{\′}}_i}{\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i^2}\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h^{\′}}_i^2}}---\left(5\right)$

sim(q，d)的范围为[0，1]，sim(q，d)的值越大，则两幅图像就越相似；当两幅图像的相似度大于0.5，则被选的色源图像101可以作为合格色源图像103；当两幅图像的相似度小于0.5，则需要另换色源图像101，并从步骤A开始重新计算新色源图像101的特征向量及其与目标图像102的相似度；

D、转换图像RGB表示模式到Lαβ模式

分别转换合格色源图像103和目标图像102中每个像素点的表示模式，将像素的RGB值变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(6\right)$

通过自然对数消除变换过程中产生的空间变形，并由LMS空间变换到Lαβ：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.5774& 0.5774\\ 0.4082& 0.4082& -0.8164\\ 0.7071& -0.7071& 0\end{array}\right]\left[\begin{array}{c}\log \left(L_1\right)\\ \log \left(M_1\right)\\ \log \left(S_1\right)\end{array}\right]---\left(7\right)$

其中L表示亮度信息，α表示黄兰信息，β表示红绿信息；对于一幅图像的亮度信息，可以使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& \·\·\·\·\·\·& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& \·\·\·\·\·\·& L_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ L_{n,1}& L_{n,2}& L_{n,3}& \·\·\·\·\·\·& L_{n,m}\end{array}\right]---\left(8\right)$

其中n和m分别为图像的高度和宽度，L_i，j是像素点的亮度值；α和β通道的信息也可用相同的方法表示；

E、传递色彩信息

设合格色源图像103信息为L(s)、α(s)和β(s)，分辨率为m×n；目标图像102亮度信息为L(d)；对于目标图像102中每一个灰度图像的像素点(i，j)，设它与合格色源图像103所有像素点亮度值的差为ΔL，即

ΔL_i，j＝|L_i，j(d)-L_k，p(s)|                    (9)

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}\mathrm{\Δ}{L}_{\mathrm{1,1}}& \mathrm{\Δ}{L}_{\mathrm{1,2}}& \mathrm{\Δ}{L}_{\mathrm{1,3}}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{1,m}\\ \mathrm{\Δ}{L}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& \mathrm{\Δ}{L}_{\mathrm{2,3}}& \·\·\·\·\·\·& \mathrm{\Δ}{L}_{2,m}\\ \·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\·& \·\·\·\·\·\·& \·\·\·\·\·\·\\ \mathrm{\Δ}{L}_{n,1}& \mathrm{\Δ}{L}_{n,2}& {\mathrm{\ΔL}}_{n,3}& \·\·\·\·\·\·& {\mathrm{\ΔL}}_{n,m}\end{array}\right]---\left(10\right)$

当ΔL_k，p＝min{ΔL_1，1，ΔL_1，2......ΔL_m，n}时，则可以借用合格色源图像103中像素点(k，p)为目标图像102像素点(i，j)染色：

$\left.\begin{array}{c}{L^{\′}}_{i,j}\left(d\right)=\frac{{\mathrm{\σ}}_d^L}{{\mathrm{\σ}}_s^L}(L_{s,p}\left(s\right)-E\left(L\left(s\right)\right))+E\left(L\left(d\right)\right)\\ {{\mathrm{\α}}^{\′}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {{\mathrm{\β}}^{\′}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}---\left(11\right)$

其中E(L)和σ^L分别是L通道的均值和方差；

F、转换图像Lαβ表示模式到RGB模式

将染色完成的目标图像102，由Lαβ表示模式逆变换到RGB模式：

由Lαβ空间变换到LMS

$\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.4082& 0.7071\\ 0.5774& 0.4082& -0.7071\\ 0.5774& -0.7071& 0\end{array}\right]\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]---\left(12\right)$

通过自然幂指数消除变换过程中产生的空间变形，并由LMS变换到RGB空间：

$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}4.4679& -3.5873& 0.1193\\ -1.2186& 2.3809& -0.1624\\ 0.0497& -0.2439& 1.2045\end{array}\right]\left[\begin{array}{c}{e}^{L_1}\\ e^{M_1}\\ e^{S_1}\end{array}\right]---\left(13\right)$

形成染色后的目标图像104。

本发明所述的选择合格色源图像103也可以色源像素点采样，即从合格色源图像103中抽取一定数量有代表性的像素点代替整幅图，具体步骤为：

根据图像灰度的范围为256个等级，分别统计在第i等级中的像素的个数，并设为l[k]，按照直方图每个刻度中所包含像素点的比例来采集样本像素点；在第k个刻度上，则应该采样的数量为

其中n和m分别为图像的高度和宽度，N为采样的总数量，一般为200到1000。

Claims (2)

1、一种数字图像染色方法，其特征在于：包括以下步骤：

A、选择色源图像(101)

对于一幅需要染色的黑白图像，即目标图像(102)，选择一幅内容近似的彩色图像作为色源，即色源图像(101)；

B、分别提取两幅图像特征向量空间模型

利用公式(1)分别计算目标图像(102)和色源图像(101)中每个像素点的灰度值：

$I=\left[\begin{array}{ccc}0.229& 0.587& 0.114\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

对于每个像素点在某邻域内的灰度变化，考虑该像素点的3*3邻域，它包括9个像素点，其中I_i(i＝0，1，...，8)表示图像在该像素点处的灰度，I₀所在位置为中心点，用矩阵表示为

$\left[\begin{array}{ccc}{I}_1& I_2& I_3\\ I_4& I_0& I_5\\ I_6& I_7& I_8\end{array}\right]$

因此像素点I₀的灰度变化值为：

从公式(2)容易看出，T可以看作八位二进制数，它的取值为T∈{0，1，Λ255}；

计算图像所有像素点的T值，T(i，j)表示像素点I₀(i，j)处的值，h_k(k＝0，1，A 255)表示T值为k的像素点数量与总像素的比值，则：

$h_k=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}f(i,j,k)}{m*n}---\left(3\right)$

其中n和m分别为图像的高度和宽度，f(i，j，k)表示为：

$f(i,j,k)=\left\{\begin{array}{cc}1& \mathrm{if\; T}(i,j)=k\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

由此可以得到色源图像(101)的特征向量空间模型s＝{h₀，h₁，Λ，h₂₅₅}和目标图像(102)的特征向量空间模型d＝{h′₀，h′₁，Λ，h′₂₅₅}；

C、判定目标图像(102)与色源图像(101)的相似度

计算色源图像(101)特征向量和目标图像(102)特征向量的空间夹角cos(s，d)值，作为两幅图像的相似度sim(s，d)

$\mathrm{sim}(s,d)=\cos (s,d)=\frac{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i{h^{\′}}_i}{\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h}_i^2}\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{h^{\′}}_i^2}}---\left(5\right)$

sim(q，d)的范围为[0，1]，sim(q，d)的值越大，则两幅图像就越相似；当两幅图像的相似度大于0.5，则被选的色源图像(101)可以作为合格色源图像(103)；当两幅图像的相似度小于0.5，则需要另换色源图像(101)，并从步骤A开始重新计算新色源图像(101)的特征向量及其与目标图像(102)的相似度；

D、转换图像RGB表示模式到Lαβ模式

分别转换合格色源图像(103)和目标图像(102)中每个像素点的表示模式，将像素的RGB值变换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(6\right)$

通过自然对数消除变换过程中产生的空间变形，并由LMS空间变换到Lαβ：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.5774& 0.5774\\ 0.4082& 0.4082& -0.8164\\ 0.7071& -0.7071& 0\end{array}\right]\left[\begin{array}{c}\log \left(L_1\right)\\ \log \left(M_1\right)\\ \log \left(S_1\right)\end{array}\right]---\left(7\right)$

其中L表示亮度信息，α表示黄兰信息，β表示红绿信息；对于一幅图像的亮度信息，可以使用二维矩阵表示为：

$L=\left[\begin{array}{ccccc}{L}_{\mathrm{1,1}}& L_{\mathrm{1,2}}& L_{\mathrm{1,3}}& ......& L_{1,m}\\ L_{\mathrm{2,1}}& L_{\mathrm{2,2}}& L_{\mathrm{2,3}}& ......& L_{2,m}\\ ......& ......& ......& ......& ......\\ L_{n,1}& L_{n,2}& L_{n,3}& ......& L_{n,m}\end{array}\right]---\left(8\right)$

其中n和m分别为图像的高度和宽度，L_i，j是像素点的亮度值；α和β通道的信息也可用相同的方法表示；

E、传递色彩信息

设合格色源图像(103)信息为L(s)、α(s)和β(s)，分辨率为m×n；目标图像(102)亮度信息为L(d)；对于目标图像(102)中每一个灰度图像的像素点(i，j)，设它与合格色源图像(103)所有像素点亮度值的差为ΔL，即

ΔL_i，j＝|L_i，j(d)-L_k，p(s)|    (9)

因此，ΔL使用矩阵表示为：

$\mathrm{\ΔL}=\left[\begin{array}{ccccc}{\mathrm{\ΔL}}_{\mathrm{1,1}}& {\mathrm{\ΔL}}_{\mathrm{1,2}}& {\mathrm{\ΔL}}_{\mathrm{1,3}}& ......& {\mathrm{\ΔL}}_{1,m}\\ {\mathrm{\ΔL}}_{\mathrm{2,1}}& \mathrm{\Δ}{L}_{\mathrm{2,2}}& {\mathrm{\ΔL}}_{\mathrm{2,3}}& ......& {\mathrm{\ΔL}}_{2,m}\\ ......& ......& ......& ......& ......\\ \mathrm{\Δ}{L}_{n,1}& {\mathrm{\ΔL}}_{n,2}& {\mathrm{\ΔL}}_{n,3}& ......& \mathrm{\Δ}{L}_{n,m}\end{array}\right]---\left(10\right)$

当ΔL_k，p＝min{ΔL_1，1，ΔL_1，2......ΔL_m，n}时，则可以借用合格色源图像(103)中像素点(k，p)为目标图像(102)像素点(i，j)染色：

$\left.\begin{array}{c}{L^{\′}}_{i,j}\left(d\right)=\frac{{\mathrm{\σ}}_d^L}{{\mathrm{\σ}}_s^L}(L_{k,p}\left(s\right)-E\left(L\left(s\right)\right))+E(L\left(d\right))\\ {{\mathrm{\α}}^{\′}}_{i,j}\left(d\right)={\mathrm{\α}}_{k,p}\left(s\right)\\ {{\mathrm{\β}}^{\′}}_{i,j}\left(d\right)={\mathrm{\β}}_{k,p}\left(s\right)\end{array}\right\}---\left(11\right)$

其中E(L)和σ^L分别是L通道的均值和方差；

F、转换图像Lαβ表示模式到RGB模式

将染色完成的目标图像(102)，由Lαβ表示模式逆变换到RGB模式：

由Lαβ空间变换到LMS

$\left[\begin{array}{c}{L}_1\\ M_1\\ S_1\end{array}\right]=\left[\begin{array}{ccc}0.5774& 0.4082& 0.7071\\ 0.5774& 0.4082& -0.7071\\ 0.5774& -0.7071& 0\end{array}\right]\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]---\left(12\right)$

通过自然幂指数消除变换过程中产生的空间变形，并由LMS变换到RGB空间：

$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}4.4679& -3.5873& 0.1193\\ -1.2186& 2.3809& -0.1624\\ 0.0497& -0.2439& 1.2045\end{array}\right]\left[\begin{array}{c}{e}^{L_1}\\ e^{M_1}\\ e^{S_1}\end{array}\right]---\left(13\right)$

形成染色后的目标图像(104)。

2、根据权利要求1所述的数字图像染色方法，其特征在于：所述的合格色源图像(103)也可以色源像素点采样，即从合格色源图像(103)中抽取一定数量有代表性的像素点代替整幅图，具体步骤为：

根据图像灰度的范围为256个等级，分别统计在第i等级中的像素的个数，并设为l[k]，按照直方图每个刻度中所包含像素点的比例来采集样本像素点；在第k个刻度上，则应该采样的数量为

其中n和m分别为图像的高度和宽度，N为采样的总数量，一般为200到1000。

Images