CN103793888B - 一种基于参照图像的主要颜色的图像增强方法 - Google Patents
一种基于参照图像的主要颜色的图像增强方法 Download PDFInfo
- Publication number
- CN103793888B CN103793888B CN201410054912.7A CN201410054912A CN103793888B CN 103793888 B CN103793888 B CN 103793888B CN 201410054912 A CN201410054912 A CN 201410054912A CN 103793888 B CN103793888 B CN 103793888B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- queue
- value
- primary
- 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
Links
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种基于参照图像的主要颜色的图像增强方法,其通过对参照图像以及待处理的原始图像分别进行主要颜色的提取,并根据原始图像和参照图像的主要颜色对原始图像进行图像增强的处理,从而使增强处理后的图像的颜色效果与参照图像相近,从而实现滤镜的多样化以及自定义化,并且操作更快捷方便。
Description
技术领域
本发明涉及一种图像增强方法,特别是一种基于参照图像的主要颜色的图像增强方法。
背景技术
对图像进行美化已经成为我们拍摄照片后一个必不可少的步骤,现有技术中主要是提供一些已经预设好的滤镜给用户进行选择,但是这些需要程序预设存在滤镜才能使用户进行使用,因此存在很大的局限性。
发明内容
本发明为解决上述问题,提供了一种基于参照图像的主要颜色的图像增强方法,从而实现图像增强处理的多样化以及自定义化。
为实现上述目的,本发明采用的技术方案为:
一种基于参照图像的主要颜色的图像增强方法,其特征在于,包括以下步骤:
10.加载参照图像以及待处理的原始图像;
20.对原始图像和参照图像分别进行主要颜色的提取;
30.根据原始图像和参照图像的主要颜色对原始图像进行图像增强的处理
作为优选的实施例,所述的步骤20进一步包括:
21.对原始图像或参照图像进行模糊处理,得到模糊图像;
22.对模糊图像进行所有像素点的直方图统计,以及计算红、绿、蓝三个通道的颜色最大值与颜色最小值,并最终得到父级颜色框;
23.根据所述的父级颜色框创建初始队列,并对初始队列进行颜色拓展分割得到分割队列;
24.对所述的分割队列进行排序得到排序队列,并对排序队列进行颜色拓展分割得到最终队列;
25.对所述的最终队列进行颜色提取,得到原始图像或参照图像的主要颜色。
作为优选的实施例,所述步骤21中的模糊处理为中值模糊处理或高斯模糊处理或均值模糊处理或卷积处理。
作为优选的实施例,所述的步骤22进一步包括:
221.创建一个大小为32*32*32的数组,并全部初始化为0;
222.对所述的模糊图像的每个像素点进行遍历,取得红、绿、蓝三个通道的颜色最大值与颜色最小值,并且在遍历过程中对像素点出现的次数进行直方图统计到数组中;
223.根据直方图统计到的数组以及红、绿、蓝三个通道的颜色最大值与颜色最小值,进行父级颜色框的创建,并得到该父级颜色框的颜色个数、容积和颜色均值。
作为优选的实施例,所述步骤223中的父级颜色框的颜色个数、容积和颜色均值的计算方法分别为:
颜色个数为直方图统计的数组在颜色范围里出现的颜色个数;
容积为(rMax-rMin+1)*(gMax-gMin+1)*(bMax-bMin+1);
颜色均值为颜色范围里出现的颜色和除以颜色个数;
其中,
rMax,gMax,bMax分别为红、绿、蓝三个通道的颜色最大值;
rMin,gMin,bMin分别为红、绿、蓝三个通道的颜色最小值;
父级颜色框的颜色范围为红色通道范围在rMin到rMax之间,绿色通道范围在gMin到gMax之间,蓝色通道范围在bMin到bMax之间;
颜色和为颜色范围内每个索引出现的颜色值乘以该颜色值出现的个数,累加得到颜色和。
作为优选的实施例,所述步骤23中根据所述的父级颜色框创建初始队列,主要是根据创建的父级颜色框得到该父级颜色框的颜色个数,并通过对颜色个数从大到小的排序创建初始队列。
作为优选的实施例,所述步骤23中对初始队列进行颜色拓展分割得到分割队列,主要是通过设置待提取的主要颜色的数量,然后利用中位分割法对初始队列进行分割,最终得到分割队列。
作为优选的实施例,所述的步骤24中对所述的分割队列进行排序得到排序队列,主要是根据创建的父级颜色框得到该父级颜色框的容积,并通过对容积进行从大到小的排序创建排序队列。
作为优选的实施例,所述的步骤24中对排序队列进行颜色拓展分割得到最终队列,主要是通过设置待提取的主要颜色的数量,然后利用中位分割法对排序队列进行分割得到最终队列。
作为优选的实施例,所述步骤25中对所述的最终队列进行颜色提取得到原始图像或参照图像的主要颜色,主要是按照最终队列的顺序得到原始图像或参照图像的主要颜色。
作为优选的实施例,所述的步骤30进一步包括:
31.将参照图像及参照图像的主要颜色、原始图像及原始图像的主要颜色进行色彩空间转换,从RGB色彩空间转为Lab色彩空间,并分别得到各自的转换图像;
32.计算所述转换图像的映射数组,然后将映射数组分别与参照图像、原始图像进行计算得到各自的Lab色彩空间的颜色值,从而得到结果图像;
33.对结果图像进行色彩空间转换,从Lab色彩空间转为RGB色彩空间,最终得到增强处理后的图像。
作为优选的实施例,所述的步骤31中从RGB色彩空间转为Lab色彩空间的计算方法如下:
f(X)=(0.431*R+0.342*G+0.178*B)/255.0;
f(Y)=(0.222*R+0.707*G+0.071*B)/255.0;
f(Z)=(0.020*R+0.130*G+0.939*B)/255.0;
t(x)=f(X)/0.951,t(y)=f(Y),t(z)=f(Z)/1.089;
如果(t(y)>0.008856),
f(t(y))=pow(t(y),0.33333);
f(Light)=116.0*f(t(y))-16.0;
否则,
f(t(y))=7.78*t(y)+16.0/116.0;
f(Light)=903.3*t(y);
如果(t(x)>0.008856),
f(t(x))=pow(t(x),0.33333);
否则,
f(t(x))=7.78*t(x)+16.0/116.0;
如果(t(z)>0.008856),
f(t(z))=pow(t(z),0.33333);
否则,
f(t(z))=7.78*t(z)+16.0/116.0;
最后,
L=f(Light)*2.5599;
a=(128.0+(f(t(x))-f(t(y)))*635.0);
b=(128.0+(f(t(y))-f(t(z)))*254.0);
其中,L、a、b为Lab色彩空间中对应像素点的颜色值;R、G、B为RGB色彩空间中对应像素点的颜色值。
作为优选的实施例,所述的步骤32进一步包括:
321.计算所述转换图像的映射数组,主要是判断原始图像的主要颜色的a、b通道颜色值,如果原始图像的a通道颜色值大于0,则其关于a通道的映射数组的值取参照图像的主要颜色的a通道颜色值,否则取原始图像的主要颜色的a通道颜色值,如果原始图像的b通道颜色值大于0,则其关于b通道的映射数组的值取参照图像的主要颜色的b通道颜色值,否则取原始图像的主要颜色的b通道颜色值,以此计算得到映射数组里所有索引的初始值;
322.计算原始图像的对应像素点的对应索引的权重和对应索引的颜色值;
323.将对应索引的权重乘以对应索引的颜色值,并且将他们累加得到颜色和,即得到对应像素点的最终颜色值;以此类推,计算原始图像所有像素点的最终颜色值,从而得到结果图像。
作为优选的实施例,所述的步骤33从Lab色彩空间转为RGB色彩空间的计算方法如下:
f(L)=L'/2.550;f(A)=(a'-128.0)/1.27;f(B)=(b'-128.0)/1.27;
f(P)=(f(L)+16.0)/116.0;
f(Y(yn))=f(P)*f(P)*f(P);
如果(f(Y(yn))>0.008856),
f(Y)=f(LabYn)*f(Y(yn));
f(Ha)=(f(P)+f(A))/500.0;
f(X)=f(LabXn)*f(Ha)*f(Ha)*f(Ha);
f(Hb)=(f(P)-f(B))/200.0;
f(Z)=f(LabZn)*f(Hb)*f(Hb)*f(Hb);
否则,
f(Y)=f(LabYn)*f(L)/903.3;
f(Sqyyn)=pow(f(L))/903.3,f(PowFactor);
f(Ha)=f(A)/500.0/7.787+f(Sqyyn);
f(X)=f(LabXn)*f(Ha)*f(Ha)*f(Ha);
f(Hb)=f(Sqyyn)-f(B)/200./7.787;
f(Z)=f(LabZn)*f(Hb)*f(Hb)*f(Hb);
最后,
R'=(3.063*f(X)-1.393*f(Y)-0.476*f(Z))*255;
G'=(-0.969*f(X)+1.876*f(Y)+0.042*f(Z))*255;
B'=(0.068*f(X)-0.229*f(Y)+1.069*f(Z))*255;
其中,R'、G'、B'为图像增强后的RGB色彩空间中对应像素点的颜色值;L'、a'、b'为图像增强后的Lab色彩空间中对应像素点的颜色值。
本发明的有益效果是:
本发明的一种基于参照图像的主要颜色的图像增强方法,其通过对参照图像以及待处理的原始图像分别进行主要颜色的提取,并根据原始图像和参照图像的主要颜色对原始图像进行图像增强的处理,从而使增强处理后的图像的颜色效果与参照图像相近,从而实现滤镜的多样化以及自定义化,并且操作更快捷方便。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种基于参照图像的主要颜色的图像增强方法的流程简图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于参照图像的主要颜色的图像增强方法,其包括以下步骤:
10.加载参照图像以及待处理的原始图像;
20.对原始图像和参照图像分别进行主要颜色的提取;
30.根据原始图像和参照图像的主要颜色对原始图像进行图像增强的处理。
本实施例中,所述的步骤20进一步包括:
21.对原始图像或参照图像进行模糊处理,得到模糊图像;
22.对模糊图像进行所有像素点的直方图统计,以及计算红、绿、蓝三个通道的颜色最大值与颜色最小值,并最终得到父级颜色框;
23.根据所述的父级颜色框创建初始队列,并对初始队列进行颜色拓展分割得到分割队列;
24.对所述的分割队列进行排序得到排序队列,并对排序队列进行颜色拓展分割得到最终队列;
25.对所述的最终队列进行颜色提取,得到原始图像或参照图像的主要颜色。
所述步骤21中的模糊处理主要是为了消除图像中存在的一些噪点,使主要颜色的提取质量更好,其可以采用中值模糊处理或高斯模糊处理或均值模糊处理或卷积处理;具体介绍如下:
中值模糊处理,即中值滤波处理,主要是对要处理的像素点周围的N*N模板像素点的颜色值进行从大到小或者从小到大的排序,得到排序后最中间的那个颜色值,即中位数,然后将该像素点的颜色值设置为其中位数的颜色值;其中,N为模糊的半径。
高斯模糊处理,主要是采用正态分布计算图像中每个像素的变换,其中,在N维空间的正态分布方程为:
在二维空间的正态分布方程为:
其中r是模糊半径(r2=u2+v2),σ是正态分布的标准偏差,u是原像素点在x轴上的位置偏移值,v是原像素点在y轴上的位置偏移值。
均值模糊处理是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素;该临近像素是指以目标象素为中心的周围8个象素,构成一个滤波模板,即去掉目标象素本身;再用模板中的全体像素的平均值来代替原来像素值。
卷积处理:卷积是对矩阵中的每一个元素进行的操作,卷积所实现的功能是由其卷积核的形式决定的,卷积核是一个大小固定、有数值参数构成的矩阵,矩阵的中心为参考点或锚点,矩阵的大小称为核支撑;要计算一个像素点的卷积后的颜色值,首先将核的参考点定位到该像素点,核的其余元素覆盖矩阵中相对应的局部周围点;对于每一个核中的的像素点,得到这个像素点的值与卷积核数组中特定点的值的乘积并求所有这些乘积的累加和,再用累加和除以卷积核数组里的总和得到的值,即该特定点的卷积值,用这个结果替代该像素点的颜色值;通过在整个图像上移动像素点,对图像的每个像素点重复此操作。
本实施例中,所述的步骤22进一步包括:
221.创建一个大小为32*32*32的数组nHistogram,并全部初始化为0;这边大小固定为32,主要是因为颜色有256种颜色,而将其分为32组,即每组有8个颜色,每组的颜色范围从(n-1)*8到(n*8-1),n表示组的编号,例如第3组的范围从16到22;
222.对所述的模糊图像的每个像素点进行遍历,取得红、绿、蓝三个通道的颜色最大值(rMax,gMax,bMax)与颜色最小值(rMin,gMin,bMin),并且在遍历过程中对像素点出现的次数进行直方图统计到数组nHistogram中;
例如:nHistogram[r][g][b]=nHistogram[r][g][b]+1,其中nHistogram为直方图统计的数组,r、g、b表示遍历的像素点的红、绿、蓝通道的颜色值
223.根据直方图统计到的数组nHistogram以及红、绿、蓝三个通道的颜色最大值与颜色最小值,进行父级颜色框的创建,并得到该父级颜色框的颜色个数、容积和颜色均值。
所述步骤223中的父级颜色框的颜色个数、容积和颜色均值的计算方法分别为:
颜色个数为直方图统计的数组nHistogram在颜色范围里出现的颜色个数;
容积为(rMax-rMin+1)*(gMax-gMin+1)*(bMax-bMin+1);
颜色均值为颜色范围里出现的颜色和除以颜色个数;
其中,
rMax,gMax,bMax分别为红、绿、蓝三个通道的颜色最大值;
rMin,gMin,bMin分别为红、绿、蓝三个通道的颜色最小值;
父级颜色框的颜色范围为红色通道范围在rMin到rMax之间,绿色通道范围在gMin到gMax之间,蓝色通道范围在bMin到bMax之间;
颜色和为颜色范围内每个索引出现的颜色值乘以该颜色值出现的个数,累加得到颜色和。
本实施例中,所述步骤23中根据所述的父级颜色框创建初始队列,主要是根据创建的父级颜色框得到该父级颜色框的颜色个数,并通过对颜色个数从大到小的排序创建初始队列;所述步骤23中对初始队列进行颜色拓展分割得到分割队列,主要是通过设置待提取的主要颜色的数量,本实例设为21个,然后利用中位分割法对初始队列进行分割,最终得到分割队列;所述的步骤24中对所述的分割队列进行排序得到排序队列,主要是根据创建的父级颜色框得到该父级颜色框的容积,并通过对容积进行从大到小的排序创建排序队列;所述的步骤24中对排序队列进行颜色拓展分割得到最终队列,主要是通过设置待提取的主要颜色的数量,然后利用中位分割法对排序队列进行分割得到最终队列;所述步骤25中对所述的最终队列进行颜色提取得到原始图像或参照图像的主要颜色,由于分割队列已经排序好,这里主要是直接按照最终队列的顺序得到原始图像或参照图像的主要颜色,通过以上方法提取的原始图像或参照图像的主要颜色的质量更好,并为后续的图像智能处理做基础准备。
本实施例中,所述的步骤30进一步包括:
31.将参照图像及参照图像的主要颜色、原始图像及原始图像的主要颜色进行色彩空间转换,从RGB色彩空间转为Lab色彩空间,并分别得到各自的转换图像;
32.计算所述转换图像的映射数组,然后将映射数组分别与参照图像、原始图像进行计算得到各自的Lab色彩空间的颜色值,从而得到结果图像;
33.对结果图像进行色彩空间转换,从Lab色彩空间转为RGB色彩空间,最终得到增强处理后的图像。
所述的步骤31中从RGB色彩空间转为Lab色彩空间的计算方法如下:
f(X)=(0.431*R+0.342*G+0.178*B)/255.0;
f(Y)=(0.222*R+0.707*G+0.071*B)/255.0;
f(Z)=(0.020*R+0.130*G+0.939*B)/255.0;
t(x)=f(X)/0.951,t(y)=f(Y),t(z)=f(Z)/1.089;
如果(t(y)>0.008856),
f(t(y))=pow(t(y),0.33333);
f(Light)=116.0*f(t(y))-16.0;
否则,
f(t(y))=7.78*t(y)+16.0/116.0;
f(Light)=903.3*t(y);
如果(t(x)>0.008856),
f(t(x))=pow(t(x),0.33333);
否则,
f(t(x))=7.78*t(x)+16.0/116.0;
如果(t(z)>0.008856),
f(t(z))=pow(t(z),0.33333);
否则,
f(t(z))=7.78*t(z)+16.0/116.0;
最后,
L=f(Light)*2.5599;
a=(128.0+(f(t(x))-f(t(y)))*635.0);
b=(128.0+(f(t(y))-f(t(z)))*254.0);
其中,L、a、b为Lab色彩空间中对应像素点的颜色值;R、G、B为RGB色彩空间中对应像素点的颜色值。
所述的步骤32进一步包括:
321.计算所述转换图像的映射数组,主要是判断原始图像的主要颜色的a、b通道颜色值,如果原始图像的a通道颜色值大于0,则其关于a通道的映射数组的值取参照图像的主要颜色的a通道颜色值,否则取原始图像的主要颜色的a通道颜色值,如果原始图像的b通道颜色值大于0,则其关于b通道的映射数组的值取参照图像的主要颜色的b通道颜色值,否则取原始图像的主要颜色的b通道颜色值,以此计算得到映射数组里所有索引的初始值;
322.计算原始图像的对应像素点的对应索引的权重和对应索引的颜色值;
323.将对应索引的权重乘以对应索引的颜色值,并且将他们累加得到颜色和,即得到对应像素点的最终颜色值;以此类推,计算原始图像所有像素点的最终颜色值,从而得到结果图像。
所述的步骤33从Lab色彩空间转为RGB色彩空间的计算方法如下:
f(L)=L'/2.550;f(A)=(a'-128.0)/1.27;f(B)=(b'-128.0)/1.27;
f(P)=(f(L)+16.0)/116.0;
f(Y(yn))=f(P)*f(P)*f(P);
如果(f(Y(yn))>0.008856),
f(Y)=f(LabYn)*f(Y(yn));
f(Ha)=(f(P)+f(A))/500.0;
f(X)=f(LabXn)*f(Ha)*f(Ha)*f(Ha);
f(Hb)=(f(P)-f(B))/200.0;
f(Z)=f(LabZn)*f(Hb)*f(Hb)*f(Hb);
否则,
f(Y)=f(LabYn)*f(L)/903.3;
f(Sqyyn)=pow(f(L))/903.3,f(PowFactor);
f(Ha)=f(A)/500.0/7.787+f(Sqyyn);
f(X)=f(LabXn)*f(Ha)*f(Ha)*f(Ha);
f(Hb)=f(Sqyyn)-f(B)/200./7.787;
f(Z)=f(LabZn)*f(Hb)*f(Hb)*f(Hb);
最后,
R'=(3.063*f(X)-1.393*f(Y)-0.476*f(Z))*255;
G'=(-0.969*f(X)+1.876*f(Y)+0.042*f(Z))*255;
B'=(0.068*f(X)-0.229*f(Y)+1.069*f(Z))*255;
其中,R'、G'、B'为图像增强后的RGB色彩空间中对应像素点的颜色值;L'、a'、b'为图像增强后的Lab色彩空间中对应像素点的颜色值。
上述说明示出并描述了本发明的优选实施例,如前,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于参照图像的主要颜色的图像增强方法,其特征在于,包括以下步骤:
10.加载参照图像以及待处理的原始图像;
20.对原始图像和参照图像分别进行主要颜色的提取;
30.根据原始图像和参照图像的主要颜色对原始图像进行图像增强的处理;
其中,所述的步骤20进一步包括:
21.对原始图像或参照图像进行模糊处理,得到模糊图像;
22.对模糊图像进行所有像素点的直方图统计,即,对所述的模糊图像的每个像素点进行遍历,取得红、绿、蓝三个通道的颜色最大值与颜色最小值,并且在遍历过程中对像素点出现的次数进行直方图统计到数组中;以及计算红、绿、蓝三个通道的颜色最大值与颜色最小值,并最终得到父级颜色框,即,根据直方图统计到的数组以及红、绿、蓝三个通道的颜色最大值与颜色最小值,进行父级颜色框的创建,并得到该父级颜色框的颜色个数、容积和颜色均值;
23.根据所述的父级颜色框创建初始队列,并对初始队列进行颜色拓展分割得到分割队列;
24.对所述的分割队列进行排序得到排序队列,并对排序队列进行颜色拓展分割得到最终队列;
25.对所述的最终队列进行颜色提取,得到原始图像或参照图像的主要颜色。
2.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述步骤21中的模糊处理为中值模糊处理或高斯模糊处理或均值模糊处理或卷积处理。
3.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述步骤223中的父级颜色框的颜色个数、容积和颜色均值的计算方法分别为:
颜色个数为直方图统计的数组在颜色范围里出现的颜色个数;
容积为(rMax-rMin+1)*(gMax-gMin+1)*(bMax-bMin+1);
颜色均值为颜色范围里出现的颜色和除以颜色个数;
其中,
rMax,gMax,bMax分别为红、绿、蓝三个通道的颜色最大值;
rMin,gMin,bMin分别为红、绿、蓝三个通道的颜色最小值;
父级颜色框的颜色范围为红色通道范围在rMin到rMax之间,绿色通道范围在gMin到gMax之间,蓝色通道范围在bMin到bMax之间;
颜色和为颜色范围内每个索引出现的颜色值乘以该颜色值出现的个数,累加得到颜色和。
4.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述步骤23中根据所述的父级颜色框创建初始队列,主要是根据创建的父级颜色框得到该父级颜色框的颜色个数,并通过对颜色个数从大到小的排序创建初始队列。
5.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述步骤23中对初始队列进行颜色拓展分割得到分割队列,主要是通过设置待提取的主要颜色的数量,然后利用中位分割法对初始队列进行分割,最终得到分割队列。
6.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述的步骤24中对所述的分割队列进行排序得到排序队列,主要是根据创建的父级颜色框得到该父级颜色框的容积,并通过对容积进行从大到小的排序创建排序队列。
7.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述的步骤24中对排序队列进行颜色拓展分割得到最终队列,主要是通过设置待提取的主要颜色的数量,然后利用中位分割法对排序队列进行分割得到最终队列。
8.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述步骤25中对所述的最终队列进行颜色提取得到原始图像或参照图像的主要颜色,主要是按照最终队列的顺序得到原始图像或参照图像的主要颜色。
9.根据权利要求1所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述的步骤30进一步包括:
31.将参照图像及参照图像的主要颜色、原始图像及原始图像的主要颜色进行色彩空间转换,从RGB色彩空间转为Lab色彩空间,并分别得到各自的转换图像;
32.计算所述转换图像的映射数组,然后将映射数组分别与参照图像、原始图像进行计算得到各自的Lab色彩空间的颜色值,从而得到结果图像;
33.对结果图像进行色彩空间转换,从Lab色彩空间转为RGB色彩空间,最终得到增强处理后的图像。
10.根据权利要求9所述的一种基于参照图像的主要颜色的图像增强方法,其特征在于:所述的步骤32进一步包括:
321.计算所述转换图像的映射数组,主要是判断原始图像的主要颜色的a、b通道颜色值,如果原始图像的a通道颜色值大于0,则其关于a通道映射数组的值取参照图像的主要颜色的a通道颜色值,否则取原始图像的主要颜色的a通道颜色值,如果原始图像的b通道颜色值大于0,则其关于b通道的映射数组的值取参照图像的主要颜色的b通道颜色值,否则取原始图像的主要颜色的b通道颜色值,以此计算得到映射数组里所有索引的初始值;
322.计算原始图像的对应像素点的对应索引的权重和对应索引的颜色值;
323.将对应索引的权重乘以对应索引的颜色值,并且将他们累加得到颜色和,即得到对应像素点的最终颜色值;以此类推,计算原始图像所有像素点的最终颜色值,从而得到结果图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410054912.7A CN103793888B (zh) | 2014-02-18 | 2014-02-18 | 一种基于参照图像的主要颜色的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410054912.7A CN103793888B (zh) | 2014-02-18 | 2014-02-18 | 一种基于参照图像的主要颜色的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793888A CN103793888A (zh) | 2014-05-14 |
CN103793888B true CN103793888B (zh) | 2017-01-11 |
Family
ID=50669514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410054912.7A Active CN103793888B (zh) | 2014-02-18 | 2014-02-18 | 一种基于参照图像的主要颜色的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793888B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6349962B2 (ja) * | 2014-05-27 | 2018-07-04 | 富士ゼロックス株式会社 | 画像処理装置およびプログラム |
CN104537756B (zh) * | 2015-01-22 | 2018-04-20 | 广州广电运通金融电子股份有限公司 | 一种基于Lab色彩空间的钞票分类鉴别方法和装置 |
CN104700442A (zh) * | 2015-03-30 | 2015-06-10 | 厦门美图网科技有限公司 | 一种自动添加滤镜与文字的图像处理方法和系统 |
CN106791756A (zh) * | 2017-01-17 | 2017-05-31 | 维沃移动通信有限公司 | 一种多媒体数据处理方法及移动终端 |
CN107248181A (zh) * | 2017-06-16 | 2017-10-13 | 北京三快在线科技有限公司 | 图像生成方法及装置、电子设备 |
CN107770447B (zh) * | 2017-10-31 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN112887301B (zh) * | 2021-01-22 | 2023-07-04 | 广州孚鼎自动化控制设备有限公司 | 高安全性发电机组云控制系统 |
CN113706415A (zh) * | 2021-08-27 | 2021-11-26 | 北京瑞莱智慧科技有限公司 | 训练数据生成、对抗样本生成、图像色彩修正方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1438610A (zh) * | 2002-02-06 | 2003-08-27 | 三星电子株式会社 | 使用直方图匹配增强对比度的装置和方法 |
CN102918562A (zh) * | 2010-02-16 | 2013-02-06 | 苹果公司 | 用于生成增强图像的方法和系统 |
-
2014
- 2014-02-18 CN CN201410054912.7A patent/CN103793888B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1438610A (zh) * | 2002-02-06 | 2003-08-27 | 三星电子株式会社 | 使用直方图匹配增强对比度的装置和方法 |
CN102918562A (zh) * | 2010-02-16 | 2013-02-06 | 苹果公司 | 用于生成增强图像的方法和系统 |
Non-Patent Citations (3)
Title |
---|
Color Transfer between Images;Erik Reinhard,Michael Ashikhmin,Bruce Gooch等;《IEEE Computer Graphics and Applications》;20011031;第21卷(第5期);第1页第1段,第3页至第4页第2段 * |
一种改进的快速中位切割彩色图像量化算法;陈卫东,张强,杨丽;《计算机工程与应用》;20071121;第43卷(第33期);第2页第2段 * |
基于色彩的图像检索系统研究及实现;肖治江;《中国优秀硕士学位论文全文数据库信息科技辑》;20071115;第2007年卷(第5期);第26-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103793888A (zh) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793888B (zh) | 一种基于参照图像的主要颜色的图像增强方法 | |
Saravanan et al. | Real time implementation of RGB to HSV/HSI/HSL and its reverse color space models | |
CN108830912B (zh) | 一种深度特征对抗式学习的交互式灰度图像着色方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN107016415B (zh) | 一种基于全卷积网络的彩色图像色彩语义分类方法 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN106920221A (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
CN104134198A (zh) | 一种对图像进行局部处理的方法 | |
CN110782466B (zh) | 图片分割方法、装置和系统 | |
CN110675462A (zh) | 一种基于卷积神经网络的灰度图像彩色化方法 | |
CN103886565A (zh) | 基于目的性优化及直方图均衡化的夜间彩色图像增强方法 | |
CN103617596A (zh) | 一种基于流型转换的图像色彩风格变换方法 | |
CN104700442A (zh) | 一种自动添加滤镜与文字的图像处理方法和系统 | |
CN103854261A (zh) | 色偏图像的校正方法 | |
CN103258334B (zh) | 彩色图像的场景光源颜色估计方法 | |
CN110322530A (zh) | 一种基于深度残差网络的可交互图像着色 | |
CN103955900B (zh) | 基于生物视觉机理的图像去雾方法 | |
CN103929629B (zh) | 一种基于图像主要颜色的图像处理方法 | |
CN105761292A (zh) | 一种基于颜色转移和修正的图像着色方法 | |
CN103295205B (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
Chen et al. | Color feature extraction of Hainan Li brocade image based on RGB and HSV | |
CN113436284A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |