CN111461996B - 一种图像快速智能调色方法 - Google Patents

一种图像快速智能调色方法 Download PDF

Info

Publication number
CN111461996B
CN111461996B CN202010152199.5A CN202010152199A CN111461996B CN 111461996 B CN111461996 B CN 111461996B CN 202010152199 A CN202010152199 A CN 202010152199A CN 111461996 B CN111461996 B CN 111461996B
Authority
CN
China
Prior art keywords
image
color matching
intelligent
model
toning
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
Application number
CN202010152199.5A
Other languages
English (en)
Other versions
CN111461996A (zh
Inventor
陈兵兵
张忠祥
范程华
周元元
曹欣远
谭娟
梅炜炜
曹新明
陈静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Softec Auto Electronic Co ltd
Hefei Normal University
Original Assignee
Hefei Softec Auto Electronic Co ltd
Hefei Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Softec Auto Electronic Co ltd, Hefei Normal University filed Critical Hefei Softec Auto Electronic Co ltd
Priority to CN202010152199.5A priority Critical patent/CN111461996B/zh
Publication of CN111461996A publication Critical patent/CN111461996A/zh
Application granted granted Critical
Publication of CN111461996B publication Critical patent/CN111461996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06T5/90—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明提出的一种图像快速智能调色方法，首先获得调色图像，并通过填充像素将调色图像调整为长宽相等的尺寸；然后通过预先训练的智能调色模型对调色图像进行调色，获得调色效果图。本发明提出的一种图像快速智能调色方法，通过智能调色模型对调色图像进行智能调色，提高了图像处理效率。

Description

一种图像快速智能调色方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像快速智能调色方法。
背景技术
目前在图像处理软件市场以及相机拍照等领域，图像智能调色已经成为很重要的基础功能，能否实时处理，智能调节亮度对比度以及色调等内容，对图像进行优质的预处理，对拍照成像质量以及图像美化等后期处理意义重大。目前市面上大多数是基于传统算法的单一的调节亮度对比度或者色调的方法，无法自适应各种光照和环境场景，而效果好的算法往往又无法实时处理，部分基于人工智能得AI算法由于过于依赖GPU，在无GPU条件下性能和效果无法兼得，尤其是在CPU环境下速度成为算法的瓶颈。
发明内容
基于背景技术存在的技术问题，本发明提出了一种图像快速智能调色方法。
本发明提出的一种图像快速智能调色方法，首先获得调色图像，并通过填充像素将调色图像调整为长宽相等的尺寸；然后通过预先训练的智能调色模型对调色图像进行调色，获得调色效果图。
优选的，调色图像为原始图像的缩略图；获得调色效果图后，通过颜色迁移算法把调色效果图上的颜色信息迁移到原始图像中，获得最终效果图。
优选的，智能调色模型的训练方法为：首先构建模型，并选择样本图像；通过人工调节，获得各样本图像的期望效果图像；将样本图像和对应的期望效果图像作为训练集，并根据训练集训练模型，以获得智能调色模型。
优选的，智能调色模型由多个残差模块组成。
优选的，智能调色模型包含34个残差模块。
优选的，样本图像的数量至少为2000。
优选的，智能调色模型的输入为3×N×N的调色图像，输出为3×N×N的调色效果图。
优选的，N＝128。
本发明提出的一种图像快速智能调色方法，通过智能调色模型对调色图像进行智能调色，提高了图像处理效率。
本发明中，对原图像的缩略图进行调色，避免了直接处理原始大图，大幅提升了图像调色效率。
且，本发明中，使用颜色迁移技术将调色结果迁移到原始图像，进一步保证了原始图像的调色效果，有利于提升性能。
附图说明
图1为本发明提出的一种图像快速智能调色方法流程图。
具体实施方式
参照图1，本发明提出的一种图像快速智能调色方法，首先获得调色图像，并通过填充像素将调色图像调整为长宽相等的尺寸；然后通过预先训练的智能调色模型对调色图像进行调色，获得调色效果图。具体实施时，在调整调色图像尺寸时，可对长宽不等的图像填充黑色。
本实施方式中，通过智能调色模型对调色图像进行智能调色，提高了图像处理效率。
本实施方式中，智能调色模型的训练方法为：首先构建模型，并选择样本图像；通过人工调节，获得各样本图像的期望效果图像；将样本图像和对应的期望效果图像作为训练集，并根据训练集训练模型，以获得智能调色模型。
具体的，本实施方式中，对样本图像进行人工调节时，包含且不局限于亮度对比度、曝光度和色调，从而使得智能调色模型对调色图像进行智能调色时，对亮度对比度、曝光度和色调等进行全方位调节，从而保证图像调整效果。
本实施方式中，智能调色模型由多个残差模块组成，具体可设置，智能调色模型包含34个残差模块。残差模块中，输入张量X跳跃链接到若干卷积后的输出张量，并进行Add张量融合，输入到下一层卷积中去。如此，调色图像输入智能调色模型后，经过若干的残差模块进行卷积操作后输出。具体的，本实施方式中，智能调色模型的输入为3×N×N的调色图像，输出为3×N×N的调色效果图。具体实施时，可设置N＝128。
且，本实施方式中，智能调色模型训练时，采用的样本图像的数量至少为2000，以保证智能调色模型的精确。
本实施方式中，调色图像为原始图像的缩略图；获得调色效果图后，通过颜色迁移算法把调色效果图上的颜色信息迁移到原始图像中，获得最终效果图。
本实施方式中，对原图像的缩略图进行调色，避免了直接处理原始大图，大幅提升了图像调色效率。
本实施方式中，可采用现有的颜色迁移算法进行颜色迁移。
具体的，本实施方式中，在进行颜色迁移时，以图像A为例，首先将图像A的像素RGB转换到LAB颜色空间，获得图像A1。
RGB和LAB相互转换公式如下：
LAB颜色空间颜色迁移公式如下：
l*＝l-<l>
α*＝α-<α>
β*＝β-<β>
其中，<l>表示LAB颜色空间中L分量均值，<α>表示A分量均值，<β>表示B分量均值，σs表示原图的标准差，σt表示目标效果图(缩略图)的标准差，l'、α'和β'分别表示颜色迁移后结果图的LAB分量。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种图像快速智能调色方法，其特征在于，首先获得调色图像，并通过填充像素将调色图像调整为长宽相等的尺寸；然后通过预先训练的智能调色模型对调色图像进行调色，获得调色效果图；
所述调色图像为原始图像的缩略图；获得调色效果图后，通过颜色迁移算法把调色效果图上的颜色信息迁移到原始图像中，获得最终效果图。
2.如权利要求1所述的图像快速智能调色方法，其特征在于，智能调色模型的训练方法为：首先构建模型，并选择样本图像；通过人工调节，获得各样本图像的期望效果图像；将样本图像和对应的期望效果图像作为训练集，并根据训练集训练模型，以获得智能调色模型。
3.如权利要求2所述的图像快速智能调色方法，其特征在于，智能调色模型由多个残差模块组成。
4.如权利要求3所述的图像快速智能调色方法，其特征在于，智能调色模型包含34个残差模块。
5.如权利要求3所述的图像快速智能调色方法，其特征在于，样本图像的数量至少为2000。
6.如权利要求1所述的图像快速智能调色方法，其特征在于，智能调色模型的输入为3×N×N的调色图像，输出为3×N×N的调色效果图。
7.如权利要求6所述的图像快速智能调色方法，其特征在于，N＝128。
CN202010152199.5A 2020-03-06 2020-03-06 一种图像快速智能调色方法 Active CN111461996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010152199.5A CN111461996B (zh) 2020-03-06 2020-03-06 一种图像快速智能调色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010152199.5A CN111461996B (zh) 2020-03-06 2020-03-06 一种图像快速智能调色方法

Publications (2)

Publication Number Publication Date
CN111461996A CN111461996A (zh) 2020-07-28
CN111461996B true CN111461996B (zh) 2023-08-29

Family

ID=71685587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010152199.5A Active CN111461996B (zh) 2020-03-06 2020-03-06 一种图像快速智能调色方法

Country Status (1)

Country Link
CN (1) CN111461996B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2802139A1 (en) * 2013-05-09 2014-11-12 ASUSTeK Computer Inc. Image color adjusting method and electronic device using the same
CN108564546A (zh) * 2018-04-18 2018-09-21 厦门美图之家科技有限公司 模型训练方法、装置及拍照终端
WO2018177237A1 (zh) * 2017-03-29 2018-10-04 腾讯科技（深圳）有限公司 图像处理方法、装置和存储介质
CN109523485A (zh) * 2018-11-19 2019-03-26 Oppo广东移动通信有限公司 图像颜色校正方法、装置、存储介质及移动终端
CN109741281A (zh) * 2019-01-04 2019-05-10 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及终端
CN109859288A (zh) * 2018-12-25 2019-06-07 北京飞搜科技有限公司 基于生成对抗网络的图像上色方法及装置
CN110675462A (zh) * 2019-09-17 2020-01-10 天津大学 一种基于卷积神经网络的灰度图像彩色化方法
CN110728722A (zh) * 2019-09-18 2020-01-24 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
CN110853110A (zh) * 2019-09-20 2020-02-28 杭州火烧云科技有限公司 一种基于生成对抗网络的图片自动调色方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2802139A1 (en) * 2013-05-09 2014-11-12 ASUSTeK Computer Inc. Image color adjusting method and electronic device using the same
WO2018177237A1 (zh) * 2017-03-29 2018-10-04 腾讯科技（深圳）有限公司 图像处理方法、装置和存储介质
CN108564546A (zh) * 2018-04-18 2018-09-21 厦门美图之家科技有限公司 模型训练方法、装置及拍照终端
CN109523485A (zh) * 2018-11-19 2019-03-26 Oppo广东移动通信有限公司 图像颜色校正方法、装置、存储介质及移动终端
CN109859288A (zh) * 2018-12-25 2019-06-07 北京飞搜科技有限公司 基于生成对抗网络的图像上色方法及装置
CN109741281A (zh) * 2019-01-04 2019-05-10 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及终端
CN110675462A (zh) * 2019-09-17 2020-01-10 天津大学 一种基于卷积神经网络的灰度图像彩色化方法
CN110728722A (zh) * 2019-09-18 2020-01-24 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
CN110853110A (zh) * 2019-09-20 2020-02-28 杭州火烧云科技有限公司 一种基于生成对抗网络的图片自动调色方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈淑環.基于深度学习的图像风格迁移研究与应用.《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,I138-1979. *

Also Published As

Publication number Publication date
CN111461996A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Golts et al. Unsupervised single image dehazing using dark channel prior loss
CN112183637B (zh) 一种基于神经网络的单光源场景光照重渲染方法及系统
CN109064396A (zh) 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN109862389B (zh) 一种视频处理方法、装置、服务器及存储介质
CN109949224B (zh) 一种基于深度学习的联级超分辨率重建的方法及装置
WO2020187424A1 (en) Image processor
CN110197463A (zh) 基于深度学习的高动态范围图像色调映射方法及其系统
CN111681177B (zh) 视频处理方法及装置、计算机可读存储介质、电子设备
CN112088393B (zh) 图像处理方法、装置及设备
Huang et al. End-to-end projector photometric compensation
CN112116620B (zh) 一种室内图像语义分割与涂装展示的方法
CN112381722A (zh) 一种单图像的超分与感知图像增强的联合任务学习方法
WO2023134064A1 (zh) 图片特征提取方法、装置、存储介质及计算机设备
Ho et al. Deep preset: Blending and retouching photos with color style transfer
CN111461996B (zh) 一种图像快速智能调色方法
CN112561782B (zh) 一种提高海上场景仿真图片真实度的方法
CN109389607A (zh) 基于全卷积神经网络的舰船目标分割方法、系统及介质
CN110796716A (zh) 一种基于多重残差网络和正则化迁移学习的图像着色方法
CN113506230B (zh) 一种基于机器视觉的光伏电站航拍影像匀光处理方法
CN114187380A (zh) 基于视觉显著性和通道注意力机制的色彩传递方法
CN114581339A (zh) 一种金属工业产品表面缺陷数据增强方法
CN113034412A (zh) 视频处理方法及装置
CN113240589A (zh) 一种多尺度特征融合的图像去雾方法及系统
Liu et al. Learning multiscale pipeline gated fusion for underwater image enhancement
CN109584172A (zh) 基于迭代模糊超限学习机的背光补偿方法及装置

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