CN109919834A - 一种基于svd的图像水彩风格转换方法及装置 - Google Patents

Abstract

本申请实施例公开了一种基于SVD的图像水彩风格转换方法及装置，其中方法包括：通过SVD算法提取源图像的主成分，得到第一图像；利用结合分水岭的mean‑shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像；对所述第二图像进行小区域融合处理，得到第三图像。本申请实施例通过采用SVD算法提取源图像的主成分，在忽略源图像细节的同时，又保留了图像边缘等重要信息，从而使得在利用结合分水岭的mean‑shift分割算法对第一图像进行处理后，减少产生的区域的数量，从而使得mean‑shift分割算法的处理时长进一步缩短，提高了水彩风格图像转换的效率。

Description

一种基于SVD的图像水彩风格转换方法及装置

技术领域

本申请涉及图像处理技术领域，尤其涉及一种基于SVD的图像水彩风格转换方法及装置。

背景技术

Mean-Shift算法由于具有图像平滑和自动填充色彩的效果，十分适用于图像的非真实感绘制。目前，已经有不少学者将该算法应用于图像非真实感绘制的实现。但是由于传统算法在执行时，需对图像中的每个像素进行有限次数的Mean-Shift迭代，时间效率较低。这给该算法的实际应用带来困难。在使用该算法对图像进行水彩风格效果绘制时，如何提高时间效率是关键。

以结合分水岭的mean-shift分割算法为水彩风格绘制算法的基础。虽然结合分水岭的mean-shift分割算法已经在一定程度上提高了传统mean-shift分割算法的时间效率。但是实际应用过程中，时间效率仍有待提高。如何对其再改进，以提高时间效率仍是水彩风格图像转换实时应用的关键。

发明内容

本申请实施例提供了一种基于SVD的图像水彩风格转换方法及装置，进一步地提高了水彩风格图像转换的效率。

有鉴于此，本申请第一方面提供了一种基于SVD的图像水彩风格转换方法，所述方法包括：

通过SVD算法提取源图像的主成分，得到第一图像；

利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像；

对所述第二图像进行小区域融合处理，得到第三图像。

可选地，所述得到第三图像后还包括：

利用色彩传递技术对所述第三图像进行处理，得到第四图像。

可选地，所述利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像具体包括：

对所述第一图像进行分水岭变换，将所述第一图像分割成m个子区域，即为S_j(j＝1,2,…,m)；

通过第一计算式计算每个所述子区域S_j的均值向量M_j；

通过第二计算式对每个所述子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个所述子区域S_j的收敛值Z_j，所述收敛值Z_j为当前均值向量迭代后的值；

当相邻两个所述子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个所述子区域S_a和S_b进行合并；

对各个所述区域进行色彩填充，得到包含若干个所述子区域的第二图像。

可选地，所述第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点。

可选地，所述第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数。

本申请第二方面提供一种基于SVD的图像水彩风格转换装置，所述装置包括：

提取单元，用于通过SVD算法提取源图像的主成分，得到第一图像；

第一处理单元，用于利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像；

第二处理单元，用于对所述第二图像进行小区域融合处理，得到第三图像。

可选地，还包括：

第三处理单元，用于利用色彩传递技术对所述第三图像进行处理，得到第四图像。

可选地，所述第一处理单元还用于：

对所述第一图像进行分水岭变换，将所述第一图像分割成m个子区域，即为S_j(j＝1,2,…,m)；

通过第一计算式计算每个所述子区域S_j的均值向量M_j；

通过第二计算式对每个所述子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个所述子区域S_j的收敛值Z_j，所述收敛值Z_j为当前均值向量迭代后的值；

当相邻两个所述子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个所述子区域S_a和S_b进行合并；

对各个所述区域进行色彩填充，得到包含若干个所述子区域的第二图像。

可选地，所述第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点。

可选地，所述第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，提供了一种基于SVD的图像水彩风格转换方法，通过采用SVD算法提取源图像的主成分，在忽略源图像细节的同时，又保留了图像边缘等重要信息，从而使得在利用结合分水岭的mean-shift分割算法对第一图像进行处理后，减少产生的区域的数量，从而使得mean-shift分割算法的处理时长进一步缩短，提高了水彩风格图像转换的效率。

附图说明

图1为本申请实施例中一种基于SVD的图像水彩风格转换方法的一个方法流程图；

图2为本申请实施例中一种基于SVD的图像水彩风格转换方法的另一个方法流程图；

图3为本申请实施例中一种基于SVD的图像水彩风格转换装置的一个装置结构图；

图4为本申请实施例中一种基于SVD的图像水彩风格转换装置的另一个装置结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请设计了一种基于SVD的图像水彩风格转换方法及装置，进一步地提高了水彩风格图像转换的效率。

为了便于理解，请参阅图1，图1为本申请实施例中一种基于SVD的图像水彩风格转换方法的一个方法流程图，如图1所示，具体为：

101、通过SVD算法提取源图像的主成分，得到第一图像；

需要说明的是，SVD是线性代数中一种重要的矩阵分解方法。

假设矩阵A∈R^m*n，则存在一个分解，使得：

从而，可将矩阵A写成U、V两个方阵和对角阵∑的乘积，这一过程，称为奇异值分解。

上式中，U、V为正交矩阵。

U＝[u₁,u₂,…,u_m]∈R^m*m，

V＝[v₁,v₂,…,v_n]∈R^n*n，

∑＝diag[σ₁,σ₂,…,σ_P],P＝min(m,n)。

其中，σ₁≥σ₂≥…≥σ_P≥0，σ_i(i＝1,2,…,P)称为矩阵A的奇异值，它是AA^T或者A^TA的特征值λ_i的平方根，即U的第i列称为A的关于σ_i的左奇异向量，V的第i列称为A的关于σ_i的右奇异向量。

将奇异值由大而小排列，则向量(σ₁,σ₂,…,σ_P)即为矩阵A的奇异值向量。

研究发现，图像的主要信息反映在奇异值分解之后的前K个较大奇异值向量，以及其对应的左奇异和右奇异向量中，此处K≤P。图像奇异值分解后，取不同K值时，效果也并不相同，具体为，K值越大，图像越清晰，图像的细节越丰富。当K值越小时，图像的细节相应越少。

奇异值分解(Singular Value Decomposition，SVD)旨在低维子空间中寻求目标数据集的紧致表示，从而消除目标数据集中的噪声干扰和冗余信息。它可以看做对称方阵在任意矩阵上的推广，也可以理解为矩阵的优值分解。其分解的奇异值反映了数据的内在属性，在降噪，主成份提取，人脸识别，图像压缩等众多领域中得到了广泛应用。

将奇异值分解应用于图像处理中，可将图像视为一个矩阵。SVD是一种很好的图像内容分析和处理的工具。它可将各类的图像矩阵分解为较低维度的矩阵，并以此来获取图像的有效信息。利用SVD处理图像矩阵时，因为矩阵的特征主要由较大的奇异值决定，奇异值个数越多，图像细节越丰富。因此在分解过程中，舍弃部分较小的奇异值，可忽略图像细节，减少图像冗余信息，利用较大的奇异值可保留图像的基本信息，即图像的主成分。这种图像表示方法既突出了图像的主要特征，又减少了图像的冗余细节信息。

在现实水彩画创作过程中，通常艺术家们对物体的细节并不关注。故在对图像进行水彩风格绘制模拟时，图像中过多的细节反而会增加水彩风格绘制的处理难度。故我们考虑，在对图像进行水彩风格处理前，可先用SVD算法提取源图像的特征，即提取源图像的主要成分。提取源图像的主要成分并不会影响图像信息的表达，并且还可以在很好保留图像轮廓的情况下，忽略图像中过多的无用细节，比如平滑纹理区，降低噪声干扰等。利用SVD的特性，可以很好地简化图像水彩风格绘制的后续处理过程，从而提高时间效率。

102、利用结合分水岭的mean-shift分割算法对第一图像进行处理，得到包含若干个区域的第二图像；

103、对第二图像进行小区域融合处理，得到第三图像。

本申请实施例中，提供了一种基于SVD的图像水彩风格转换方法，通过采用SVD算法提取源图像的主成分，在忽略源图像细节的同时，又保留了图像边缘等重要信息，从而使得在利用结合分水岭的mean-shift分割算法对第一图像进行处理后，减少产生的区域的数量，从而使得mean-shift分割算法的处理时长进一步缩短，提高了水彩风格图像转换的效率。

请参阅图2，图2为本申请实施例中一种基于SVD的图像水彩风格转换方法的另一个方法流程图，如图2所示，具体为：

201、通过SVD算法提取源图像的主成分，得到第一图像；

需要说明的是，SVD是线性代数中一种重要的矩阵分解方法。

假设矩阵A∈R^m*n，则存在一个分解，使得：

从而，可将矩阵A写成U、V两个方阵和对角阵∑的乘积，这一过程，称为奇异值分解。

上式中，U、V为正交矩阵。

U＝[u₁,u₂,…,u_m]∈R^m*m，

V＝[v₁,v₂,…,v_n]∈R^n*n，

∑＝diag[σ₁,σ₂,…,σ_P],P＝min(m,n)。

其中，σ₁≥σ₂≥…≥σ_P≥0，σ_i(i＝1,2,…,P)称为矩阵A的奇异值，它是AA^T或者A^TA的特征值λ_i的平方根，即U的第i列称为A的关于σ_i的左奇异向量，V的第i列称为A的关于σ_i的右奇异向量。

将奇异值由大而小排列，则向量(σ₁,σ₂,…,σ_P)即为矩阵A的奇异值向量。

研究发现，图像的主要信息反映在奇异值分解之后的前K个较大奇异值向量，以及其对应的左奇异和右奇异向量中，此处K≤P。图像奇异值分解后，取不同K值时，效果也并不相同，具体为，K值越大，图像越清晰，图像的细节越丰富。当K值越小时，图像的细节相应越少。

奇异值分解(Singular Value Decomposition，SVD)旨在低维子空间中寻求目标数据集的紧致表示，从而消除目标数据集中的噪声干扰和冗余信息。它可以看做对称方阵在任意矩阵上的推广，也可以理解为矩阵的优值分解。其分解的奇异值反映了数据的内在属性，在降噪，主成份提取，人脸识别，图像压缩等众多领域中得到了广泛应用。

将奇异值分解应用于图像处理中，可将图像视为一个矩阵。SVD是一种很好的图像内容分析和处理的工具。它可将各类的图像矩阵分解为较低维度的矩阵，并以此来获取图像的有效信息。利用SVD处理图像矩阵时，因为矩阵的特征主要由较大的奇异值决定，奇异值个数越多，图像细节越丰富。因此在分解过程中，舍弃部分较小的奇异值，可忽略图像细节，减少图像冗余信息，利用较大的奇异值可保留图像的基本信息，即图像的主成分。这种图像表示方法既突出了图像的主要特征，又减少了图像的冗余细节信息。

在现实水彩画创作过程中，通常艺术家们对物体的细节并不关注。故在对图像进行水彩风格绘制模拟时，图像中过多的细节反而会增加水彩风格绘制的处理难度。故我们考虑，在对图像进行水彩风格处理前，可先用SVD算法提取源图像的特征，即提取源图像的主要成分。提取源图像的主要成分并不会影响图像信息的表达，并且还可以在很好保留图像轮廓的情况下，忽略图像中过多的无用细节，比如平滑纹理区，降低噪声干扰等。利用SVD的特性，可以很好地简化图像水彩风格绘制的后续处理过程，从而提高时间效率。

202、对第一图像进行分水岭变换，将第一图像分割成m个子区域，即为S_j(j＝1,2,…,m)；

203、通过第一计算式计算每个子区域S_j的均值向量M_j；

第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点；

204、通过第二计算式对每个子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个子区域S_j的收敛值Z_j，收敛值Z_j为当前均值向量迭代后的值；

第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数；

205、当相邻两个子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个子区域S_a和S_b进行合并；

206、对各个区域进行色彩填充，得到包含若干个子区域的第二图像；

207、对第二图像进行小区域融合处理，得到第三图像；

208、利用色彩传递技术对第三图像进行处理，得到第四图像；

需要说明的是，采用色彩传递技术对第三图像进行处理，能够改善第三图像水彩风格的色彩视觉效果，得到水彩风格更为明显的第四图像。

请参阅图3，图3为本申请实施例中一种基于SVD的图像水彩风格转换装置的一个装置结构图，如图3所示，具体为：

提取单元301，用于通过SVD算法提取源图像的主成分，得到第一图像；

第一处理单元302，用于利用结合分水岭的mean-shift分割算法对第一图像进行处理，得到包含若干个区域的第二图像；

第二处理单元303，用于对第二图像进行小区域融合处理，得到第三图像。

请参阅图4，图4为本申请实施例中一种基于SVD的图像水彩风格转换装置的另一个装置结构图，如图4所示，具体为：

提取单元401，用于通过SVD算法提取源图像的主成分，得到第一图像；

第一处理单元402，用于利用结合分水岭的mean-shift分割算法对第一图像进行处理，得到包含若干个区域的第二图像；

第一处理单元402还用于：

对第一图像进行分水岭变换，将第一图像分割成m个子区域，即为

通过第一计算式计算每个子区域S_j的均值向量M_j；

第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点；

通过第二计算式对每个子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个子区域S_j的收敛值Z_j，收敛值Z_j为当前均值向量迭代后的值；

第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数；

当相邻两个子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个子区域S_a和S_b进行合并；

对各个区域进行色彩填充，得到包含若干个子区域的第二图像；

第二处理单元403，用于对第二图像进行小区域融合处理，得到第三图像；

第三处理单元404，用于利用色彩传递技术对第三图像进行处理，得到第四图像。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于SVD的图像水彩风格转换方法，其特征在于，包括：

通过SVD算法提取源图像的主成分，得到第一图像；

利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像；

对所述第二图像进行小区域融合处理，得到第三图像。

2.根据权利要求1所述的基于SVD的图像水彩风格转换方法，其特征在于，所述得到第三图像后还包括：

利用色彩传递技术对所述第三图像进行处理，得到第四图像。

3.根据权利要求1所述的基于SVD的图像水彩风格转换方法，其特征在于，所述利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像具体包括：

对所述第一图像进行分水岭变换，将所述第一图像分割成m个子区域，即为S_j(j＝1,2,…,m)；

通过第一计算式计算每个所述子区域S_j的均值向量M_j；

通过第二计算式对每个所述子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个所述子区域S_j的收敛值Z_j，所述收敛值Z_j为当前均值向量迭代后的值；

当相邻两个所述子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个所述子区域S_a和S_b进行合并；

对各个所述区域进行色彩填充，得到包含若干个所述子区域的第二图像。

4.根据权利要求3所述的基于SVD的图像水彩风格转换方法，其特征在于，所述第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点。

5.根据权利要求4所述的基于SVD的图像水彩风格转换方法，其特征在于，所述第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数。

6.一种基于SVD的图像水彩风格转换装置，其特征在于，包括：

提取单元，用于通过SVD算法提取源图像的主成分，得到第一图像；

第一处理单元，用于利用结合分水岭的mean-shift分割算法对所述第一图像进行处理，得到包含若干个区域的第二图像；

第二处理单元，用于对所述第二图像进行小区域融合处理，得到第三图像。

7.根据权利要求6所述的基于SVD的图像水彩风格转换装置，其特征在于，还包括：

第三处理单元，用于利用色彩传递技术对所述第三图像进行处理，得到第四图像。

8.根据权利要求6所述的基于SVD的图像水彩风格转换装置，其特征在于，所述第一处理单元还用于：

对所述第一图像进行分水岭变换，将所述第一图像分割成m个子区域，即为S_j(j＝1,2,…,m)；

通过第一计算式计算每个所述子区域S_j的均值向量M_j；

通过第二计算式对每个所述子区域S_j的均值向量M_j进行迭代计算，直至满足当前均值向量迭代后的值与前一个均值向量迭代后的值的差值的范数小于第一预设阈值，得到每个所述子区域S_j的收敛值Z_j，所述收敛值Z_j为当前均值向量迭代后的值；

当相邻两个所述子区域S_a和S_b的收敛值Z_a和Z_b的差值的范数小于第二预设阈值时，将相邻两个所述子区域S_a和S_b进行合并；

对各个所述区域进行色彩填充，得到包含若干个所述子区域的第二图像。

9.根据权利要求8所述的基于SVD的图像水彩风格转换装置，其特征在于，所述第一计算式具体为：

式中，N_j表示第j个区域中的像素点个数；x_i为区域S_j中的第i个像素点。

10.根据权利要求9所述的基于SVD的图像水彩风格转换装置，其特征在于，所述第二计算式具体为：

式中，h₁、h₂分别为空间信息及色彩信息的带宽；G为高斯核函数。