CN109300169B - 一种基于线性变换的半透明图像颜色迁移方法 - Google Patents
一种基于线性变换的半透明图像颜色迁移方法 Download PDFInfo
- Publication number
- CN109300169B CN109300169B CN201811036889.3A CN201811036889A CN109300169B CN 109300169 B CN109300169 B CN 109300169B CN 201811036889 A CN201811036889 A CN 201811036889A CN 109300169 B CN109300169 B CN 109300169B
- Authority
- CN
- China
- Prior art keywords
- color
- colors
- image
- significant
- migration
- 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
- 230000005012 migration Effects 0.000 title claims abstract description 35
- 238000013508 migration Methods 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000000470 constituent Substances 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于线性变换的半透明图像颜色迁移方法,根据用户指定的目标颜色,对当前半透明图像的颜色进行处理,使得处理过的图像与原始图像具有相同的结构。其步骤分为提取半透明图像的显著组成颜色、使用线性变换进行颜色迁移、非线性优化图像。本发明能够较好的对半透明图像进行颜色迁移,不需要人工介入调整结果,同时针对非半透明图像进行颜色迁移,也能取得较好的结果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于线性变换的半透明图像颜色迁移方法。
背景技术
在图像处理对图像进行编辑的过程中,经常需要对图像的颜色进行更改。比如特效生成、风格变换、场景模拟等许多领域。为了满足现实生产的需要,针对图像颜色变换,颜色迁移技术是一种有效的方法。而当前没有针对半透明图像进行颜色迁移的方法。若使用基于样本图像颜色进行迁移,则寻找一个好的样本是比较困难的。若在图像上进行绘制颜色进行颜色迁移,则需要大量的人力劳动。
发明内容
本发明的目的是提供一种基于线性变换的半透明图像颜色迁移方法,使用用户指定的目标颜色进行颜色迁移,能够提高半透明图像的编辑效率。
实现本发明目的的具体技术方案是:
一种基于线性变换的半透明图像颜色迁移方法,该方法包括以下具体步骤:
a)提取半透明图像的显著组成颜色
ⅰ)确定颜色聚类的初始点
首先在HSV颜色空间中,将图像的H通道划分为N段(N同时决定了显著组成颜色的数量),N=5,0≤H≤180,然后对分段后的H通道值进行直方图统计,将每个颜色段内的颜色在CIELAB颜色空间内按照AB通道的值进行排序,在排序结果中取中位数的颜色作为聚类算法的初始点;
ⅱ)聚类获取图像显著组成颜色
根据步骤ⅰ确定的初始点,在CIELAB颜色空间,按照公式(1)聚类获取图像显著组成颜色,优化图像显著组成颜色与其他颜色之间距离;
其中,N为显著组成颜色的数量,M为每个颜色段内颜色的数量,Cdom为选出的显著组成颜色,Cj为每类颜色中的第j种颜色,D函数为两颜色之间的距离;
ⅲ)替换在原始图像中不存在的显著组成颜色
在CIELAB颜色空间中,对于在原始图像中不存在的显著组成颜色,在原始图像中搜索与其距离较近的若干个颜色,从搜索得到的若干个颜色中选择使得公式(1)值最小的颜色,替换在原始图像中不存在的显著组成颜色;
b)使用线性变换进行颜色迁移
颜色迁移在CIELAB颜色空间完成;在CIELAB颜色空间中,图像颜色包含L、A、B三个通道;在整个颜色迁移过程中,L通道的值不发生变化,AB两个通道的值发生变化;将AB两个通道考虑成一个平面O,颜色为平面O上面的一个点,利用点的线性变换实现颜色迁移;
具体为:在CIELAB颜色空间中,根据用户提供的目标颜色和计算出的显著组成颜色,按照公式(2),反复迭代优化计算颜色迁移的变换矩阵G,使得原图像中的颜色准确的转移到目标颜色;
其中,N为显著组成颜色的数量,Δci为颜色变化量,J(ci)为相对于参数p的雅克比矩阵;
c)对图像进行非线性优化
经过线性变换得到的图像,部分像素的颜色超出了颜色空间可视区域;按照公式(3)采取非线性优化的方式迭代的将超出颜色空间可视区域的颜色更新到可视区域内;
其中,C代表CIELAB颜色空间中AB平面的中心点位置,C′i代表其他颜色的位置,C′i+1代表更新后的颜色位置,λ的默认值为0.3;对于不超出可视区域的像素点的颜色保持不变。
与现有技术相比,本发明弥补了针对半透明图像颜色迁移的空缺,对于用户来讲,可以快速的完成半透明图像的颜色迁移,提高图像编辑的效率,减轻工作人员的劳动力。此外,本发明也可以对视频进行颜色迁移。
附图说明
图1为本发明流程图;
图2为本发明颜色迁移过程示意图。
具体实施方式
以下结合附图及实施例对本发明作详细描述。
本发明包括以下具体步骤:
步骤1:提取半透明图像的显著组成颜色:
对原始图像的颜色,提取其显著组成颜色,目的是为了获取在CIELAB颜色空间中的能代表整幅图像的颜色。然后利用显著组成颜色在颜色空间中进行线性变换,从而实现颜色迁移的目的。其中显著组成颜色带动了其他颜色的变换。对于聚类算法获取显著组成颜色来讲,初始点的选择对于算法收敛至关重要。为了加快算法收敛,并且保证提取出的显著组成颜色能在CIELAB颜色空间中代表整个图像的颜色,本发明提出了使用在HSV空间中针对H通道进行直方图统计获取初始点。具体为:首先在HSV颜色空间中,将图像的H通道划分为N段(N同时决定了显著组成颜色的数量),N=5,0≤H≤180,然后对分段后的H通道值进行直方图统计,将每个颜色段内的颜色在CIELAB颜色空间内按照AB通道的值进行排序,在排序结果中取中位数的颜色作为聚类算法的初始点;根据初始点,在CIELAB颜色空间,按照公式(1)聚类获取图像显著组成颜色,优化图像显著组成颜色与其他颜色之间距离;
其中,N为显著组成颜色的数量,M为每个颜色段内颜色的数量,Cdom为选出的显著组成颜色,Cj为每类颜色中的第j种颜色,D函数为两颜色之间的距离;
在CIELAB颜色空间中,对于在原始图像中不存在的显著组成颜色,在原始图像中搜索与其距离较近的若干个颜色,从搜索得到的若干个颜色中选择使得公式(1)值最小的颜色;
步骤2:使用线性变换进行颜色迁移
颜色迁移在CIELAB颜色空间完成;在CIELAB颜色空间中,图像颜色包含L、A、B三个通道;在整个颜色迁移过程中,L通道的值不发生变化,AB两个通道的值发生变化;将AB两个通道考虑成一个平面O,颜色为平面O上面的一个点,利用点的线性变换实现颜色迁移;
具体为:在CIELAB颜色空间中,根据用户提供的目标颜色和计算出的显著组成颜色,按照公式(2),反复迭代优化计算颜色迁移的变换矩阵G,使得原图像中的颜色准确的转移到目标颜色;
其中,N为显著组成颜色的数量,Δci为颜色变化量,J(ci)为相对于参数p的雅克比矩阵;
步骤3:对图像进行非线性优化
经过线性变换得到的图像,部分像素的颜色超出了颜色空间可视区域;按照公式(3)采取非线性优化的方式迭代的将超出颜色空间可视区域的颜色更新到可视区域内;
其中,C代表CIELAB颜色空间中AB平面的中心点位置,C′i;代表其他颜色的位置,C′i+1代表更新后的颜色位置,λ的默认值为0.3;对于不超出可视区域的像素点的颜色保持不变。
实施例
参阅图1,本实施例包括以下具体步骤:
步骤1:获取原始图像的显著组成颜色,假设数量N为5,M为各类颜色的数量,则显著组成颜色为颜色C1、C2、C3、C4、C5;这些颜色在颜色空间中,代表了整幅图像。步骤1包括:
步骤1.1:确定颜色聚类的初始点
对于原始图像,将H通道分成N个颜色段(N同样是显著性颜色的数量),对分段后的H通道值进行直方图统计,将N个颜色段中的在CIELAB颜色空间中按照AB值进行排序后的中位数颜色a、b、c、d、e作为初始点;其中N为5;
步骤1.2:聚类获取图像显著组成颜色
根据步骤1.1获取的颜色a、b、c、d、e作为聚类的初始点,将欧几里得距离作为D函数统计颜色之间的距离,按照公式(1)进行聚类获取显著组成颜色C1、C2、C0、C4、C5。注:C0不是最终的显著组成颜色,C0在原始图像中不存在;
步骤1.3:替换在原始图像中不存在的显著组成颜色
对于在原始图像中不存在的显著组成颜色C0,在原始图像中搜索与其距离较近的若干个颜色(C3,C11,C12等),然后选择使得公式(1)值最小的颜色C3。此步骤得到的C3颜色替换步骤1.2得到的C0颜色。最终提取的显著组成颜色为C1、C2、C3、C4、C5;
步骤2:用户指定的目标颜色为颜色C6、C7、C8、C9、C10,则Δc=(C6-C1,C7-C2,C8-C3,C9-C4,C10-C5)。为了将颜色C1、C2、C3、C4、C5迁移到颜色C6、C7、C8、C9、C10,按照公式(2)计算变换矩阵G。在CIELAB颜色空间中,原图像中的颜色C1、C2、C3、C4、C5与变换矩阵G相乘即可得到目标颜色C6、C7、C8、C9、C10,从而实现颜色迁移。注:在CIELAB颜色空间中,变换矩阵G只与颜色在AB通道进行相乘,L通道的值不发生变化。
步骤3:修正步骤2中超出颜色空间可视区域范围的像素,使用非线性优化逐步将颜色更新到可视区域。经过线性变换得到的图像,假设像素P1的颜色超出了颜色空间可视区域。在CIELAB颜色空间中,像素P1的颜色在AB平面O上的位置为C′1;,AB平面O中心位置为C。则按照公式(3)迭代更新像素P1颜色的位置,直到像素P1的颜色在可视区域为止。
结合附图2,本发明颜色迁移过程:
首先输入一张原始图像,利用步骤1提取原始图像的显著组成颜色C1、C2、C3、C4、C5,其次用户指定目标颜色C6、C7、C8、C9、C10,利用步骤2线性变换进行颜色迁移,再利用步骤3进行矫正超出颜色空间可视区域的像素点,最终获得输出图像。
Claims (1)
1.一种基于线性变换的半透明图像颜色迁移方法,其特征在于包括以下步骤:
a)提取半透明图像的显著组成颜色
i)确定颜色聚类的初始点
首先在HSV颜色空间中,将图像的H通道划分为N段,N=5,0≤H≤180,然后对分段后的H通道值进行直方图统计,将每个颜色段内的颜色在CIELAB颜色空间内按照AB通道的值进行排序,在排序结果中取中位数的颜色作为聚类算法的初始点;
ii)聚类获取图像显著组成颜色
根据步骤i确定的初始点,在CIELAB颜色空间,按照公式(1)聚类获取图像显著组成颜色,优化图像显著组成颜色与其他颜色之间距离;
其中,N为显著组成颜色的数量,M为每个颜色段内颜色的数量,Cdom为选出的显著组成颜色,Cj为每类颜色中的第j种颜色,D函数为两颜色之间的距离;
iii)替换在原始图像中不存在的显著组成颜色
在CIELAB颜色空间中,对于在原始图像中不存在的显著组成颜色,在原始图像中搜索与其距离较近的若干个颜色,从搜索得到的若干个颜色中选择使得公式(1)值最小的颜色,替换在原始图像中不存在的显著组成颜色;
b)使用线性变换进行颜色迁移
颜色迁移在CIELAB颜色空间完成;在CIELAB颜色空间中,图像颜色包含L、A、B三个通道;在整个颜色迁移过程中,L通道的值不发生变化,AB两个通道的值发生变化;将AB两个通道考虑成一个平面O,颜色为平面O上面的一个点,利用点的线性变换实现颜色迁移;
具体为:在CIELAB颜色空间中,根据用户提供的目标颜色和计算出的显著组成颜色,按照公式(2),反复迭代优化计算颜色迁移的变换矩阵G,使得原图像中的颜色准确的转移到目标颜色;
其中,N为显著组成颜色的数量,Δci为颜色变化量,J(ci)为相对于参数p的雅克比矩阵;
c)对图像进行非线性优化
经过线性变换得到的图像,部分像素的颜色超出了颜色空间可视区域;按照公式(3)采取非线性优化的方式迭代的将超出颜色空间可视区域的颜色更新到可视区域内;
其中,C代表CIELAB颜色空间中AB平面的中心点位置,C′i代表其他颜色的位置,C′i+1代表更新后的颜色位置,λ的默认值为0.3;对于不超出可视区域的像素点的颜色保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811036889.3A CN109300169B (zh) | 2018-09-06 | 2018-09-06 | 一种基于线性变换的半透明图像颜色迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811036889.3A CN109300169B (zh) | 2018-09-06 | 2018-09-06 | 一种基于线性变换的半透明图像颜色迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300169A CN109300169A (zh) | 2019-02-01 |
CN109300169B true CN109300169B (zh) | 2023-04-07 |
Family
ID=65166159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811036889.3A Active CN109300169B (zh) | 2018-09-06 | 2018-09-06 | 一种基于线性变换的半透明图像颜色迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300169B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728722B (zh) * | 2019-09-18 | 2022-08-02 | 苏宁云计算有限公司 | 图像颜色迁移方法、装置、计算机设备和存储介质 |
CN111080722B (zh) * | 2019-12-11 | 2023-04-21 | 中山大学 | 一种基于显著性检测的颜色迁移方法及系统 |
CN116309161B (zh) * | 2023-03-17 | 2024-03-19 | 内蒙古工业大学 | 一种改善色觉缺陷者感知图像颜色对比度的方法与装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261046A (zh) * | 2015-09-23 | 2016-01-20 | 北京航空航天大学 | 一种场景自适应的色调迁移方法 |
JPWO2014141412A1 (ja) * | 2013-03-13 | 2017-02-16 | 楽天株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
-
2018
- 2018-09-06 CN CN201811036889.3A patent/CN109300169B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2014141412A1 (ja) * | 2013-03-13 | 2017-02-16 | 楽天株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
CN105261046A (zh) * | 2015-09-23 | 2016-01-20 | 北京航空航天大学 | 一种场景自适应的色调迁移方法 |
Non-Patent Citations (1)
Title |
---|
胡国飞 ; 傅健 ; 彭群生.自适应颜色迁移.计算机学报.2004,(第009期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109300169A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN109300169B (zh) | 一种基于线性变换的半透明图像颜色迁移方法 | |
CN110349099B (zh) | 一种复杂场景视频阴影检测与消除方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN108830912A (zh) | 一种深度特征对抗式学习的交互式灰度图像着色方法 | |
CN102982513B (zh) | 一种基于纹理的自适应图像去雾方法 | |
CN110276267A (zh) | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN105374018A (zh) | 一种对图像进行区域增强的方法 | |
CN104809245A (zh) | 一种图像检索方法 | |
CN107564078B (zh) | 一种带有干扰像素的栅格分区图自动矢量化方法 | |
CN102609950A (zh) | 一种二维视频深度图的生成方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
CN110111342B (zh) | 一种抠图算法的优化选取方法及装置 | |
CN112652024A (zh) | 一种基于颜色和谐的对图像重新替色的方法 | |
CN107194870B (zh) | 一种基于显著性物体检测的图像场景重构方法 | |
CN103929629B (zh) | 一种基于图像主要颜色的图像处理方法 | |
CN111079637A (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
CN107533760A (zh) | 一种图像分割方法和装置 | |
CN113436206B (zh) | 一种基于聚类分割的病理组织切片扫描区域定位方法 | |
JP6004260B2 (ja) | 線画着色システム | |
CN109493361B (zh) | 一种火灾烟雾图像分割方法 | |
CN103793927B (zh) | 一种提取主要颜色的图像分析方法 | |
CN105741248A (zh) | 一种去除图像中阴霾退化的方法 |
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 |