CN102360506B - 一种基于局部线性保持的场景颜色风格一致化处理方法 - Google Patents

Abstract

本发明提供一种基于局部线性保持的场景颜色风格一致化处理方法，包括：输入原彩色图像和参考彩色图像，将两者从RGB颜色空间转换到Lab颜色空间；利用11基本色对两者进行颜色分类，计算相应图像中每个颜色类的颜色均值，得出原图像和参考图像的主色调；根据颜色映射机制，建立原图像与参考图像的主色调之间的颜色映射关系；计算原图像每个像素颜色的局部线性关系，并且在保持局部线性关系的前提下，结合主色调颜色映射关系，计算结果图像中每个像素点的颜色值；将结果图像的颜色空间从Lab转换到RGB，输出最终结果。本发明将参考图像的主色调颜色迁移到原图像，同时通过考虑图像空间的局部线性关系，避免了颜色分类带来的颜色过渡不平滑问题。

Description

一种基于局部线性保持的场景颜色风格一致化处理方法

技术领域

本发明涉及图像处理、计算机视觉和增强现实领域，具体地说是一种基于局部线性保持的场景颜色风格一致化处理方法。

背景技术

数字图像领域中，最常见的图像处理方法之一是改变图像的视觉效果。从人类视觉角度看，颜色是人类感知和区分不同物体的一种基本视觉特征。世界上的每一种物体都有其固有的颜色特征，同类物体通常有相同或相近的颜色特征，不同物体则可能表现为不同的特征。相对于其它特征，颜色具有一定的稳定性，它对图像的平移、尺度、旋转变化都不敏感，而且计算简单。颜色转换，是指将一副给定参考图像的颜色风格，迁移到另一幅原图像上，并且使得生成的结果图像的颜色风格尽可能的逼近参考图像的颜色风格。而目前很多领域在图像/视频颜色处理上有很大的需求，具体体现在：(1)计算机图形学及数字图像处理技术在电影电视节目中的应用已不仅是限于电脑特技的制作，还可通过颜色迁移技术改变图像色彩基调，得到所需要的颜色场景。把夏天拍摄的图片或视频处理成秋天效果，把早上拍摄的图像处理成黄昏的效果，既提高了影视制作的效率，也降低了成本；(2)应用于机场X射线行李检测系统得到的伪彩色灰度图像，这些图像通过用不同颜色及亮度进行处理，其中的信息可以明显地增强；(3)在医学方面及其他科学演示中，对于仅仅获得灰度数据的图像特征可以通过颜色迁移来增强，将得到的灰度图像彩色化，可以加强图像的说明效果；(4)图像的颜色迁移不仅可以实现两幅图像的色彩迁移，还可以应用于视频当中，通过对视频文件每帧分别进行颜色迁移来实现整个视频的颜色迁移，将经典的黑白老电影转换成更具真实感的彩色电影；(5)实现对多基调复杂图像的智能化自动处理，应用于商业的图像处理软件中。因此，图像的颜色迁移技术在许多领域都有很大的潜在可用性。目前，场景颜色风格化的研究算法主要分为两类：自动颜色转换和交互式颜色转换。根据不同应用的场合，这些方法均得到了很大的应用。

在基于图像的自动颜色转换方面，2001年，布里斯托大学的E.Reinhard等人利用颜色空间的转换，将原图像和参考图像首先从RGB颜色空间转换到lαβ颜色空间，然后在这三个通道上分别求取二阶统计量期望方差，再针对原图像的每一个像素，进行缩放旋转，求得的最终结果转换为RGB颜色空间即为结果图像的像素颜色值。该方法简单有效，但是针对复杂的图像，需要交互式选取样本进行颜色转换。针对这个问题，2005年日本的Chang等人提出了一种基于颜色分类的方法实现颜色转换。首先将原图像和参考图像按照颜色差异，分成多个颜色类，然后在对应的颜色类之间进行颜色转换。Pitie.F等人以一种全新的思路，证明了N维概率密度函数转移的可行性并将它运用到颜色迁移领域。在灰度图像中，利用直方图规定化实现图像灰度变换使其具有特定的直方图形式。直方图是概率分布密度的体现，而直方图规定化是原图像概率分布密度映射到期望概率分布密度的过程，也就一维概率密度函数转移。而N维概率密度函数转移是基于一维展开的。设f(x)和g(x)是源图像和目标图像的颜色概率密度分布，x_i＝(r_i，g_i，b_i)，r_i、g_i、b_i分别代表红绿蓝三色，选择任意一个旋转矩阵尺，旋转后对N维分别作一维概率密度函数转移，重复多次，直到收敛，得到迁移后的新图像。该方法生成的某些结果图像颜色过渡不平滑，有很多块状，需要通过二次处理对图像进行平滑。

因此，针对自动颜色转换方法中的这些问题，出现了一些基于交互式的颜色转换方法。从2001年纽约州立大学石溪分校的Welsh提出了灰阶影像着色，开启了灰度图像着色的简单、省时的道路，推动了该领域的研究的进展。该算法需要由用户从目标图像和原图像中分别选出适当大小、位置与数量的样本快，并指定目标图像样本块与原图像中样本块的对应关系。Welsh算法不是使用L型或者Box型邻域进行最佳匹配邻域搜索方法进行综合的算法，而是直接匹配图像的亮度数值和邻域的标准方差。它也是使用lαβ颜色空间先将目标图像进行亮度和颜色的分离，从目标图像中等间隔的提取一定的样本点，然后使用匹配算法搜索出处理图像每一个点所对应的目标图像像素点，最后使用这种索引信息构建处理图像的θ和β，将彩色图像中的颜色转移到灰度图像中，并变换回RGB颜色空间。这就是Welsh算法的颜色迁移过程。该方法不能保证处理后图像颜色在空间上的连续性，即本来相邻的、颜色相近的区域可能由于亮度差异而被分配了截然不同的颜色。Takahiko将概率松弛法引入颜色迁移，以选取最优的颜色信息迁移给目标图像素。2003年Takahiko等人又提出种子像素的概念，由用户选取一些彩色像素作为灰度图像的种子，利用颜色繁殖完成颜色迁移。Tomohisa等人改进了颜色繁殖算法，引入图像分割防止错误繁殖边缘像素颜色，并提出了新的基于Lab颜色空间的彩色化算法。

但是上述的这些方法，不能保证结果图像既能在颜色视觉上逼近参考图像的颜色的同时，保持原图像的颜色流形线性结构。

发明内容

根据上述实际需求和关键问题，本发明的目的在于：提出一种基于局部线性保持的场景颜色风格一致化处理方法，该方法不需要用户选取颜色指定原图像种子像素的颜色值，也不需要从参考图像中手动的指定样本块，而是通过采用11基本色对原图像和参考图像进行分类，建立原图像和参考图像的类之间的颜色映射，这样，既能保证生成结果图像的颜色丰富性，又能避免从参考图像中指定样本快。与此同时，构建原图像所有颜色值的局部线性关系，保持了在颜色转换过程中原图像的流行结构不变，保证了结果图像颜色过渡的平滑。

为完成发明目的，本发明采用的技术方案是：一种基于局部线性保持的场景颜色风格一致化处理方法，包含以下步骤：

步骤(1)将输入原彩色图像和参考彩色图像从RGB颜色空间转换到Lab颜色空间，避免各个颜色通道之间的颜色相互干扰而出现失真；

步骤(2)利用11基本色，对原图像和参考图像进行颜色分类，分别求出原图像和参考图像中每个颜色类的颜色均值，形成原图像和参考图像的主色调；

步骤(3)根据参考图像的颜色值在颜色空间中分布的统计特征，估算出缺失的颜色类的Lab颜色值；

步骤(4)根据给定的颜色映射机制，建立原图像与参考图像的主色调之间的颜色映射关系；

步骤(5)针对原图像中每个像素的颜色值，求取它的K近邻，确定该像素颜色值与它的K近邻的线性关系；

步骤(6)利用局部线性嵌入，为原图像中所有像素颜色值构建局部线性关系，克服空洞颜色转换过程中出现颜色偏差而造成效果不佳问题，保证填补后图像场景在视觉上的合理性；

步骤(7)利用约束优化罚函数法，通过能量最小化，求出结果图像中每个像素点的颜色值；

步骤(8)将结果图像的颜色空间从Lab转换回RGB，输出最终结果。

进一步的，步骤(2)中的利用11基本色对原图像和参考图像进行颜色分类采取以下步骤：

步骤(a1)求出11基本色的颜色值，并将其从RGB转换到Lab颜色空间；

步骤(a2)以11基本色的颜色值作为中心点，对原图像和参考图像的所有像素点的颜色值进行维诺划分，得出11个颜色类；

步骤(a3)求出每个颜色类中的所有颜色值的均值，作为该类的颜色主色调。

进一步的，步骤(3)中的根据参考图像的颜色值在颜色空间中分布的统计特征，估算出缺失的颜色类的Lab颜色值采用以下方法：

步骤(b1)统计出参考图像中非空的每一个颜色类的像素个数；

步骤(b2)求出参考图像中每个颜色类的像素数与参考图像总的像素个数的比值；

步骤(b3)计算出参考图像中每个颜色类的主色调值与对应的11基本色颜色值的差；

步骤(b4)根据参考图像中没有颜色类的像素个数的比值，对参考图像中存在的没有颜色类的主色调和11基本色的差值进行加权平均，得到整个参考图像的颜色与11基本色的偏差；

步骤(b5)将参考图像中缺失颜色类对应的11色颜色值，加上参考图像与11基本色的整体颜色偏差，得到参考图像中对应的缺失颜色类的主色调。

进一步的，步骤(4)中的根据给定的颜色映射机制建立原图像与参考图像的主色调之间的颜色映射关系采用以下方法：

步骤(c1)统计出原图像和参考图像中每个颜色类的像素个数；

步骤(c2)对原图像和参考图像每个颜色类的像素个数，按降序进行排序；

步骤(c3)根据排序的结果，建立对应的颜色类之间的映射关系；

步骤(c4)如果参考图像中为空的颜色类较多，导致原图像中的某一类找不到对应的参考图像中的颜色类时，利用步骤(3)的估计结果，估计出参考图像对应的颜色类的颜色值，建立映射关系。

进一步的，步骤(5)中的局部线性关系构建为：根据步骤(5)，原图像中的每个像素都求得了各自K近邻，通过求的最优的每组K近邻的线性组合系数，使得当前像素颜色值与它的K近邻线性组合值尽可能的接近；其中，为求的最优的每组K近邻的线性组合系数，通过构建当前像素颜色值与其K近邻的线性组合值的平方差之和，采用最小二乘法求解该方程，得到最优每组K近邻的线性组合系数。

进一步的，步骤(7)进行能量最小化时，采用约束优化罚函数法，使得结果图像的主色调尽可能的毕竟参考图像的主色调，保证了结果图像的颜色与参考图像的高度一致性。

进一步的，在利用约束优化罚函数法求解结果图像的像素颜色值时，保持了原图像的局部线性关系。

进一步的，步骤(8)将结果图像的颜色空间从Lab转换回RGB后，对生成的最终结果图像中，少数颜色值溢出的像素，通过在其邻域中匹配最近似的颜色值正常的像素后，用匹配到的颜色值代替该异常像素颜色值。

本发明技术方案的原理在于：

利用11基本色对图像进行颜色分类，一方面11基本色标准，符合人类视觉对颜色区分的特征，能够正确的对颜色进行归类；另一方面通过颜色分类，能够尽可能保持原图像颜色类的丰富性，使得生成的结果图像的颜色类不丢失。同时，考虑到参考图像的颜色类会比较少，不能够和原图像的颜色类建立起一一对应的映射关系。因此，对参考图像采取了缺失颜色类主色调估计的方法，保证了最终的结果图像在视觉上的合理性。

估计缺失颜色类主色调颜色值，由于图像本身的颜色分布特点，并不是每一张给定的图像的颜色的主色调跟11基本色颜色值完全一致，必然或多或少存在一定的偏差，这种偏差的大小反映了该幅图像相对于给定标准色的颜色分布状况。因此，可以根据给定图像的11类主色调和11基本色的距离来计算这种偏差。先根据参考图像中存在的颜色类的期望值，和相对应的标准色进行比较，求取出加权偏差的距离。这个距离反应的是该副图像总体的颜色分布趋势；根据求取出的这个距离，加上参考图像中缺失颜色类所对应的11基本色颜色值，得到粗略的缺失颜色类的颜色值；根据每一个存在颜色类和标准色的距离值分布，求取出在适当范围内波动的随机值。这个随机值和粗略的缺失颜色类估计颜色值相加，就是精确的缺失颜色估计值。

局部线性关系反应了给定像素点的颜色值和其K近邻之间的权值约束关系。其主要目的是为了解决场景颜色风格化过程中出现的伪边界的问题。之所以要找到图像中所有的具有不同的颜色值的像素点，主要的原因在于消除在求解能量最小化过程中出现伪逆的情况。同时，具有相同的颜色值的像素点也没有必要分几次来求解他的颜色值。因此，具有不同颜色值的像素点的获取在本设计过程中显得较为重要。对于给定原图像中的每一个像素点，通过比较该像素点和其他已经获得的具有不同颜色值的像素点的值，如果不存在与其具有相同颜色值的像素，则将其标志为一个新的颜色值。

局部线性关系的保持主要是为保持原图像颜色空间的线性关系。原图像颜色空间的线性关系，反映出了原图像中整个颜色分布的趋势及其颜色值之间的关系。因此，K近邻的数量越多，则整个颜色空间的颜色分布结构在颜色转换过程中会保持的越好；颜色转换通过约束优化罚函数法实现，通过加大原图像与参考图像的主色调差值之间的权重，使得生成的结果图像的色调极大限度的逼近参考图像。

本发明与现有的技术相比，其有益的特点是：

1、本发明根据原图像和参考图像颜色分布的特点，采用符合人类视角标准的11基本色对输入图像在Lab颜色空间进行颜色分类，最大限度的保持了输入图像的颜色特性，保证了结果图像的颜色生动性和参考图像的颜色相似性。

2、本发明采用符合人类视觉特征的11基本色对输入图像进行颜色分割，避免了在颜色过程为了达到结果的逼真性而进行手动交互，提高了程序的自动性能，减少了用户不必要的交互。

3、本发明通过采用主色调映射的方式，建立起原图像和参考图像主色调间的一一映射关系，保证了结果图像的颜色真实性，避免出现其他颜色的问题。

4、本发明通过建立原图像颜色空间的局部线性关系，很好的保留了原图像的颜色分布特性。

5、本发明给出的约束优化罚函数法实现颜色转换，保证了原图像颜色的转换方向，约束了结果图像的颜色值尽可能的逼近参考图像，从而使得结果图像的颜色风格与参考图像的颜色风格一致化。

附图说明：

图1是本发明的整体流程图；

图2是本发明的主色调获取的流程图；

图3是本发明的缺失颜色偏差估计示意图；

图4是本发明的缺失颜色估计流程图；

图5是本发明局部线性关系的获取流程图；

图6是本发明颜色风格转换流程图。

具体实施方式：

下面结合附图对本发明作详细说明。

参阅图1本发明的整体流程图，该一种基于局部线性保持的场景颜色风格一致化处理方法具体实施如下：

步骤(1)设计并实现一个场景颜色风格化处理软件，可以输入原彩色图像和参考彩色图像，并将两者从RGB颜色空间转换到Lab颜色空间；

步骤(2)将原图像和参考图像的每个像素的颜色值与11基本色相比较，进行颜色分类，分别求出原图像和参考图像中每个颜色类的颜色均值，即为两者的主色调；

其中，具体的可通过如下步骤实现：步骤(a1)求出11基本色的颜色值，并将其从RGB转换到Lab颜色空间；

步骤(a2)以11基本色的颜色值作为中心点，对原图像和参考图像的所有像素点的颜色值进行维诺划分，得出11个颜色类；

步骤(a3)求出每个颜色类中的所有颜色值的均值，作为该类的颜色主色调。

参阅图2本发明的主色调获取流程图，图像的主色调主要指能代表给定图像颜色风格的几种颜色值。对一堆杂乱无章的数据，通常通过求取期望、方差等统计属性来表示这堆数据的统计性能。在一类性质近似的颜色类中，我们同样采用统计属性期望来表示某一类颜色的主色调。主色调的求取方法是：首先，根据颜色分类的结果，求取每一类中像素的个数；其次，在RGB三个通道上分别求取三个通道的颜色值和；最后，在三个通道上求取均值，得到该类的主色调颜色值。

步骤(3)若参考图像有缺失的颜色类，则对其Lab颜色空间中的颜色值进行统计，根据统计特征估算出缺失的颜色类的颜色值，使参考图像补全11颜色类的主色调；

其中，具体的可通过如下步骤实现：步骤(b1)统计出参考图像中非空的每一个颜色类的像素个数；

步骤(b2)求出参考图像中每个颜色类的像素数与参考图像总的像素个数的比值；

步骤(b3)计算出参考图像中每个颜色类的主色调值与对应的11基本色颜色值的差；

步骤(b4)根据参考图像中没有颜色类的像素个数的比值，对参考图像中存在的没有颜色类的主色调和11基本色的差值进行加权平均，得到整个参考图像的颜色与11基本色的偏差；

步骤(b5)将参考图像中缺失颜色类对应的11色颜色值，加上参考图像与11基本色的整体颜色偏差，得到参考图像中对应的缺失颜色类的主色调。

参阅图3本发明的缺失颜色偏差估计示意图，给定一副参考图像，在颜色分类的过程中，可能存在某一类中包含像素个数为零的情况。在这种情况下，原图像中对应的该类中包含的像素个数若不为零，那么在颜色转换的情况下，可能会导致转换的结果失真。因此，有必要根据参考图像本身的颜色分布特征，估计缺失的这一个类的颜色主色调。由于图像本身的颜色分布特点，并不是每一张给定的图像的颜色的主色调跟11基本色颜色值完全一致，必然或多或少存在一定的偏差，这种偏差的大小反映了该幅图像相对于给定标准色的颜色分布状况。因此，可以根据给定图像的11类主色调和11基本色的距离来计算这种偏差。

首先根据参考图像中存在的颜色类的期望值，和相对应的标准色进行比较，求取出加权偏差的距离。这个距离反应的是该副图像总体的颜色分布趋势。其次，根据求取出的这个距离，加上参考图像中缺失颜色类所对应的11基本色颜色值，得到粗略的缺失颜色类的颜色值。最后，根据每一个存在颜色类和标准色的距离值分布，求取出在适当范围内波动的随机值。这个随机值和粗略的缺失颜色类估计颜色值相加，就是精确的缺失颜色估计值。参考图4的计算流程，其计算公式为：

$C_{\mathrm{Ri}}^{\mathrm{ref}}={\mathrm{\λ}}_i(C_{\mathrm{Ri}}^{\mathrm{BCT}}+\underset{j\∈T}{\mathrm{\Σ}}{w}_j(C_{\mathrm{Rj}}^{\mathrm{ref}}-C_{\mathrm{Rj}}^{\mathrm{BCT}})+{\mathrm{\ϵ}}_i)+(1-{\mathrm{\λ}}_i)C_{\mathrm{Ri}}^{\mathrm{source}}$

$C_{\mathrm{Gi}}^{\mathrm{ref}}={\mathrm{\λ}}_i(C_{\mathrm{Gi}}^{\mathrm{BCT}}+\underset{j\∈T}{\mathrm{\Σ}}{w}_j(C_{\mathrm{Gj}}^{\mathrm{ref}}-C_{\mathrm{Gj}}^{\mathrm{BCT}})+{\mathrm{\ϵ}}_i)+(1-{\mathrm{\λ}}_i)C_{\mathrm{Gi}}^{\mathrm{source}}$

$C_{\mathrm{Bi}}^{\mathrm{ref}}={\mathrm{\λ}}_i(C_{\mathrm{Bi}}^{\mathrm{BCT}}+\underset{j\∈T}{\mathrm{\Σ}}{w}_j(C_{\mathrm{Bj}}^{\mathrm{ref}}-C_{\mathrm{Bj}}^{\mathrm{BCT}})+{\mathrm{\ϵ}}_i)+(1-{\mathrm{\λ}}_i)C_{\mathrm{Bi}}^{\mathrm{source}}$

$w_j=\frac{n\left({\mathrm{ch}}_j^{\mathrm{ref}}\right)}{n\left(I^{\mathrm{ref}}\right)}$

$\underset{i\∈\tilde{T}}{\mathrm{\Σ}}{\mathrm{\ϵ}}_i=0$

步骤(4)根据给定的合适的颜色映射机制，将原图像与参考图像的主色调的颜色值进行排序，并建立它们之间的颜色映射关系；

其中，具体的可通过如下步骤实现：步骤(c1)统计出原图像和参考图像中每个颜色类的像素个数；

步骤(c2)对原图像和参考图像每个颜色类的像素个数，按降序进行排序；

步骤(c3)根据排序的结果，建立对应的颜色类之间的映射关系。

步骤(c4)如果参考图像中为空的颜色类较多，导致原图像中的某一类找不到对应的参考图像中的颜色类时，利用步骤(3)的估计结果，估计出参考图像对应的颜色类的颜色值，建立映射关系。

步骤(5)在原图像中，通过比较任意两个像素的颜色值，获取所有不同颜色值的像素点，再根据原图像中每个像素的颜色值，求取它的K近邻；

其中，原图像中的每个像素都求得了各自K近邻，通过求的最优的每组K近邻的线性组合系数，使得当前像素颜色值与它的K近邻线性组合值尽可能的接近。其中，为求的最优的每组K近邻的线性组合系数，通过构建当前像素颜色值与其K近邻的线性组合值的平方差之和，采用最小二乘法求解该方程，得到最优每组K近邻的线性组合系数。

步骤(6)结合获取的原图像中所有的不同颜色值的像素点，利用LLE的特点，为所有不同颜色值的像素点构建局部线性关系；

参阅图5发明局部线性关系的获取流程图，局部线性关系反应了给定像素点的颜色值和其K近邻之间的权值约束关系。其主要目的是为了解决场景颜色风格化过程中出现的伪边界的问题。首先找到图像中所有的具有不同的颜色值的像素点。主要的原因在于消除在求解能量最小化过程中出现伪逆的情况。同时，具有相同的颜色值的像素点也没有必要分几次来求解他的颜色值。因此，具有不同颜色值的像素点的获取在本发明的设计过程中显得较为重要。具有不同颜色值的像素点的获取的原理如下：对于给定原图像中的每一个像素点，通过比较该像素点和其他已经获得的具有不同颜色值的像素点的值，如果不存在与其具有相同颜色值的像素，则将其标志为一个新的颜色值，其比较公式为：

d_ij＝(p_i-p_j)^T(p_i-p_j)

其中，p_i和p_j分别为不同的像素的颜色值。

我们假设Q_d＝{q₁，q₂，...，q_k}和R_d＝{r₁，r₂，...，r_k}分别代表原图像和参考图像的主色调，集合Q_s＝{q_k+1，q_k+2，...，q_k+n}代表原图像中所有具有不同颜色的像素点集合，同时，假设结果图像的所有像素点的颜色值的集合为Z_r＝{z₁，z₂，...，z_n}。在此假设的条件下，局部线性关系可以这样构建。对于任何一个Q集合中的像素点q_i，它的颜色值能够被它的K近邻和一组待求解的权值关系这样表示：q_i≈w_j+1q_j+1+w_j+2q_j+2+...+w_j+kq_j+k，确保q_i的颜色值尽可能的接近w_j+1q_j+1+w_j+2q_j+2+...+w_j+kq_j+k。那么权值集合如何求解呢？通过最小化如下方程，可以得出权值集合的解。

$W^{*}=\underset{w_{\mathrm{ij}}}{\arg }\min |q_i-\underset{q_j\∈N_i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{q}_j|$

在上述方程中，必须保证

并且如果

那么，w_ij＝0。

步骤(7)利用约束优化罚函数法，通过整体能量最小化，结合原图像和参考图像的主色调，求出结果图像中每个像素点的颜色值；

其中，步骤(7)进行能量最小化时，采用约束优化罚函数法，使得结果图像的主色调尽可能的毕竟参考图像的主色调，保证了结果图像的颜色与参考图像的高度一致性。在利用约束优化罚函数法求解结果图像的像素颜色值时，保持了原图像的局部线性关系。

参考图6本发明颜色风格转换流程图，目的是在保持局部线性关系的前提下，实现原图像到参考图像的颜色风格一致化的变换。那么，为了使得结果图像的颜色风格尽可能的逼近参考图像，实际上则是使得结果图像的主色调的颜色值尽可能的逼近参考图像，基于此，颜色转换的公式如下式：

$Z_r^T{(I-W)}^T(I-W)Z_r+{(Z_r-\tilde{Y})}^T\mathrm{\Λ}(Z_r-\tilde{Y}),$

其中，I是一个单位矩阵，Λ为对角矩阵，

如果

那么Λ_jj＞＞0，否则，Λ_jj＝0。上述方程可以变换成如下线性方程：

$[{(I-W)}^T(I-W)+\mathrm{\Λ}]Z_r=\mathrm{\Λ}\tilde{Y}$

步骤(8)将结果图像的颜色空间从Lab转换回RGB，最终实现参考图像到原图像的颜色迁移，达到场景颜色风格一致化的效果，输出最终结果并保存。

本发明保证场景风格一致化的效果尽可能的逼真，设计并实现了用分类的方法获取原图像和参考图像的主色调，尽可能的包含给定图像中的颜色信息，并建立起他们之间的映射关系。同时传统的颜色风格一致化方法容易产生伪边界的现象，本软件采用了基于局部线性估计的方法来消除伪边界的问题。最后设计并实现了基于局部线性关系保持的颜色映射的方法，通过对所有的不同颜色值的像素点求取和其邻近的像素点的权值关系，通过全局最小化的方法，把参考图像的颜色风格迁移到原图像上去，达到场景风格一致化的效果。

以上所述仅为本发明的一些基本说明，依据本发明的技术方案所做的任何等效变换，均应属于本发明的保护范围。

Claims (5)

1.一种基于局部线性保持的场景颜色风格一致化处理方法，其特征在于包含以下步骤：

步骤（1）将输入原彩色图像和参考彩色图像从RGB颜色空间转换到Lab颜色空间，避免各个颜色通道之间的颜色相互干扰而出现失真；

步骤（2）利用11基本色，对原图像和参考图像进行颜色分类，分别求出原图像和参考图像中每个颜色类的颜色均值，形成原图像和参考图像的主色调；

步骤（3）根据参考图像的颜色值在颜色空间中分布的统计特征，估算出缺失的颜色类的Lab颜色值；

步骤（4）根据给定的颜色映射机制，建立原图像与参考图像的主色调之间的颜色映射关系；

步骤（5）针对原图像中每个像素的颜色值，求取它的K近邻，确定该像素颜色值与它的K近邻的线性关系；

步骤（6）利用局部线性嵌入，为原图像中所有像素颜色值构建局部线性关系，克服空洞颜色转换过程中出现颜色偏差而造成效果不佳问题，保证填补后图像场景在视觉上的合理性；

步骤（7）利用约束优化罚函数法，通过能量最小化，求出结果图像中每个像素点的颜色值；

步骤（8）将结果图像的颜色空间从Lab转换回RGB，输出最终结果。

2.根据权利要求1所述的一种基于局部线性保持的场景颜色风格一致化处理方法，其特征在于：步骤（2）中的利用11基本色对原图像和参考图像进行颜色分类采取以下步骤：

步骤（a1）求出11基本色的颜色值，并将其从RGB转换到Lab颜色空间；

步骤（a2）以11基本色的颜色值作为中心点，对原图像和参考图像的所有像素点的颜色值进行维诺划分，得出11个颜色类；

步骤（a3）求出每个颜色类中的所有颜色值的均值，作为该类的颜色主色调。

3.根据权利要求1所述的一种基于局部线性保持的场景颜色风格一致化处理方法，其特征在于：步骤（3）中的根据参考图像的颜色值在颜色空间中分布的统计特征，估算出缺失的颜色类的Lab颜色值采用以下方法：

步骤（b1）统计出参考图像中非空的每一个颜色类的像素个数；

步骤（b2）求出参考图像中每个颜色类的像素数与参考图像总的像素个数的比值；

步骤（b3）计算出参考图像中每个颜色类的主色调值与对应的11基本色颜色值的差；

步骤（b4）根据参考图像中没有颜色类的像素个数的比值，对参考图像中存在的没有颜色类的主色调和11基本色的差值进行加权平均，得到整个参考图像的颜色与11基本色的偏差；

步骤（b5）将参考图像中缺失颜色类对应的11色颜色值，加上参考图像与11基本色的整体颜色偏差，得到参考图像中对应的缺失颜色类的主色调。

4.根据权利要求1所述的一种基于局部线性保持的场景颜色风格一致化处理方法，其特征在于，步骤（4）中的根据给定的颜色映射机制建立原图像与参考图像的主色调之间的颜色映射关系采用以下方法：

步骤（c1）统计出原图像和参考图像中每个颜色类的像素个数；

步骤（c2）对原图像和参考图像每个颜色类的像素个数，按降序进行排序；

步骤（c3）根据排序的结果，建立对应的颜色类之间的映射关系；

步骤（c4）如果参考图像中为空的颜色类较多，导致原图像中的某一类找不到对应的参考图像中的颜色类时，利用步骤（3）的估计结果，估计出参考图像对应的颜色类的颜色值，建立映射关系。

5.根据权利要求1所述一种基于局部线性保持的场景颜色风格一致化处理方法，其特征在于：步骤（8）将结果图像的颜色空间从Lab转换回RGB后，对生成的最终结果图像中，少数颜色值溢出的像素，通过在其邻域中匹配最近似的颜色值正常的像素后，用匹配到的颜色值代替该颜色值溢出的像素颜色值。

Images