CN113284198A - 图像自动配色方法及装置 - Google Patents

图像自动配色方法及装置 Download PDF

Info

Publication number
CN113284198A
CN113284198A CN202110520839.8A CN202110520839A CN113284198A CN 113284198 A CN113284198 A CN 113284198A CN 202110520839 A CN202110520839 A CN 202110520839A CN 113284198 A CN113284198 A CN 113284198A
Authority
CN
China
Prior art keywords
color
subspace
subspaces
image
original image
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.)
Pending
Application number
CN202110520839.8A
Other languages
English (en)
Inventor
林汉权
林杰兴
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.)
Gaoding Xiamen Technology Co Ltd
Original Assignee
Gaoding Xiamen Technology Co Ltd
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 Gaoding Xiamen Technology Co Ltd filed Critical Gaoding Xiamen Technology Co Ltd
Priority to CN202110520839.8A priority Critical patent/CN113284198A/zh
Publication of CN113284198A publication Critical patent/CN113284198A/zh
Priority to PCT/CN2021/119401 priority patent/WO2022237038A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像自动配色方法、介质、设备及装置，其中方法包括：获取原始图像，并行显著性检测以确定原始图像的前景区域和背景区域；进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；统计第一子空间和第二子空间的像素占比，并像素平均值；根据第一子空间对应的像素占比对所有第一子空间进行排序，并根据第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和第二子空间进行二次聚类；根据二次聚类结果确定前景主色和背景主色，并根据前景主色和背景主色进行原始图像的自动配色；能够有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。

Description

图像自动配色方法及装置
技术领域
本发明涉及图像配色技术领域，特别涉及一种图像自动配色方法、一种计算机可读存储介质、一种计算机设备以及一种图像自动配色装置。
背景技术
在海报智能设计系统中，需要对用户上传的图片进行主色提取，以根据提取结果来确定现有的配色方案。
然而，现有的主色提取算法多只是根据颜色在图片中的整体占比来确定最终主色。可以理解，图片中整体占比较大的颜色并不一定是图片的主色(例如，万绿丛中一点红，此时虽然红色的占比较大，其并非主色，主色应是占比较小的红色)。因此，现有的主色提取算法所选择的主色往往与人眼感知结果相悖；其次，在对图像进行人为配色时需要一定的专业经验，且单一用户对图像的相应配色结果整体比较单调，丰富性不够，无法适应不同用户对图像的审美。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种图像自动配色方法，能够有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种图像自动配色装置。
为达到上述目的，本发明第一方面实施例提出了一种图像自动配色方法，包括以下步骤：获取原始图像，并对所述原始图像进行显著性检测，以确定所述原始图像的前景区域和背景区域；分别对所述前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类；根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色。
根据本发明实施例的图像自动配色方法，首先，获取用户上传的原始图像，并对原始图像进行显著性检测，以区分图片中最明显的区域；然后，将最明显的区域作为前景区域，其余的作为背景区域；接着，分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；然后，分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；接着，根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和所述第二子空间进行二次聚类；然后，根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色；从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
另外，根据本发明上述实施例提出的图像自动配色方法还可以具有如下附加的技术特征：
可选地，分别统计每个第一子空间和每个第二子空间的像素占比，包括：分别统计每个第一子空间和每个第二子空间对应的像素个数，并根据每个第一子空间对应的像素个数和总像素个数计算每个第一子空间的像素占比，以及根据每个第二子空间对应的像素个数和总像素个数计算每个第二子空间的像素占比。
可选地，在根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类之前，还包括：将所述像素平均值转换到Lab颜色空间，以便根据排序结果和颜色转换结果分别对所述第一子空间和所述第二子空间进行二次聚类。
可选地，根据排序结果和颜色转换结果分别对所述第一子空间和所述第二子空间进行二次聚类，包括：根据所述排序结果依次计算相邻两个Lab颜色之间的距离，并判断该距离是否小于预设的距离阈值，以及在判断结果为是时将相邻两个Lab颜色进行合并；遍历所有Lab颜色，以完成所述第一子空间和所述第二子空间的二次聚类。
可选地，将相邻两个Lab颜色进行合并，包括：分别计算相邻两个Lab颜色中每个Lab颜色对应的颜色值与像素占比的乘积，并将两个乘积的和值作为合并后Lab颜色的颜色值，以及将相邻两个Lab颜色对应的像素占比的和值作为合并后Lab颜色的像素占比。
可选地，根据所述前景主色和背景主色进行原始图像的自动配色，包括：将所述前景主色和所述背景主色作为基础色，并计算每个基础色与配色库中任意一个配色方案之间的Lab颜色距离，以确定该配色库与基础色之间的最小Lab颜色距离；根据每个配色库与基础色之间的最小Lab颜色距离确定最终配色方案。
可选地，对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域，包括：将所述原始图像划分为多个图像块，并将任意一个图像块与每个相邻图像块进行显著性比对，以及根据该图像块与所有相邻图像块之间的显著性比对结果生成该图像块对应的显著性差值；根据该图像块对应的显著性差值和每个相邻图像块对应的显著性差值确定该图像块对应的显著性差值极值，并根据该图像块对应的显著性差值和显著性差值极值计算该图像块的显著性概率值，以及根据所述显著性概率值确定该图像块是否属于前景区域。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有图像自动配色程序，该图像自动配色程序被处理器执行时实现如上述的图像自动配色方法。
根据本发明实施例的计算机可读存储介质，通过存储图像自动配色程序，以使得处理器在执行该图像自动配色程序时，实现如上述的图像自动配色方法，从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的图像自动配色方法。
根据本发明实施例的计算机设备，通过存储器对图像自动配色程序进行存储，以使得处理器在执行该图像自动配色程序时，实现如上述的图像自动配色方法，从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
为达到上述目的，本发明第四方面实施例提出了一种图像自动配色装置，包括：显著性检测模块，所述显著性检测模块用于获取原始图像，并对所述原始图像进行显著性检测，以确定所述原始图像的前景区域和背景区域；量化模块，所述量化模块用于分别对所述前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；统计模块，所述统计模块用于分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；聚类模块，所述聚类模块用于根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类；配色模块，所述配色模块用于根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色。
根据本发明实施例的图像自动配色装置，通过设置显著性检测模块，显著性检测模块用于获取原始图像，并对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域；量化模块，量化模块用于分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；统计模块，统计模块用于分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；聚类模块，聚类模块用于根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和第二子空间进行二次聚类；配色模块，配色模块用于根据二次聚类结果确定前景主色和背景主色，并根据前景主色和背景主色进行原始图像的自动配色；从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
附图说明
图1为根据本发明实施例的图像自动配色方法的流程示意图；
图2为根据本发明实施例的图像自动配色装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
相关技术中，现有的主色提取算法所选择的主色往往与人眼感知结果相悖，使得最终配色效果不理想。根据本发明实施例的图像自动配色方法，首先，获取用户上传的原始图像，并对原始图像进行显著性检测，以区分图片中最明显的区域；然后，将最明显的区域作为前景区域，其余的作为背景区域；接着，分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；然后，分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；接着，根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和所述第二子空间进行二次聚类；然后，根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色；从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的图像自动配色方法的流程示意图，如图1所示，该图像自动配色方法包括以下步骤：
S101，获取原始图像，并对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域。
即言，获取用户上传的原始图像，并对该原始图像进行显著性检测，以识别原始图像中由人眼感知为明显的区域；然后，将该明显区域作为前景区域，其余区域作为背景区域，以确定原始图像的前景区域和背景区域。
其中，对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域的方式可以有多种。
在一些实施例中，对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域，包括：将原始图像划分为多个图像块，并将任意一个图像块与每个相邻图像块进行显著性比对，以及根据该图像块与所有相邻图像块之间的显著性比对结果生成该图像块对应的显著性差值；根据该图像块对应的显著性差值和每个相邻图像块对应的显著性差值确定该图像块对应的显著性差值极值，并根据该图像块对应的显著性差值和显著性差值极值计算该图像块的显著性概率值，以及根据显著性概率值确定该图像块是否属于前景区域。
其中，将原始图像划分为多个图像块的方式可以有多种。例如，根据预设的尺寸对原始图像进行均分，以将原始图像均分为多个图像块；或者，对原始图像中的像素进行聚类，以根据聚类结果生成多个图像块。
作为一种示例，首先，对原始图像进行均分，以将原始图像均分为多个图像块；其中，图像块1与图像块2-9相邻，进而，可以将图像块1与相邻图像块2-9中的每一个进行显著性比对(例如，比对颜色或者比对纹理，以计算图像块1余任一相邻图像块之间的颜色距离或者纹理差值)；接着，根据图像块1与所有相邻图像块之间的显著性比对结果生成该图像块对应的显著性差值；然后，遍历所有图像块，则每个图像块均可以得到一个自身对应的显著性差值；接着，对于任意一个图像块，根据该图像块对应的显著性差值和每个相邻图像块对应的显著性差值可以确定该图像块对应的显著性差值极值；进而，根据该图像块对应的显著性差值和显著性差值极值，通过计算两者的比值可以得到该图像块的显著性概率值；然后，根据该显著性概率值与预设的概率阈值(例如50％)进行比对，以确定该图像块是否属于前景区域；以完成原始图像前景区域和背景区域的划分。
S102，分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间。
即言，分别对前景区域和背景区域进行颜色量化，以在颜色空间上对颜色进行N等分；进而，可以得到对应前景区域的N个第一子空间和对应背景区域的N个第二子空间。
作为一种示例，将RGB颜色空间原本的255*255*255的空间量化为n*n*n；可以理解，如果n越小，则颜色空间压缩的越严重，精度丢失越大；优选地，可以将量化精度n设置为16，进而得到前景区域对应的16个第一子空间和背景区域对应的16个第二子空间；并且，后续可以根据量化结果判断每个像素属于哪一个子空间。
S103，分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和每个第二子空间对应的像素平均值。
即言，在确定每个像素所属子空间(属于第i个第一子空间或第j个第二子空间)后，统计每个第一子空间对应的像素占比，并统计每个第二子空间对应的像素占比；接着，计算任一第一子空间中所有像素对应的像素平均值，以将该像素平均值作为该第一子空间的像素平均值(即量化中心)；计算任一第二子空间中所有像素对应的像素平均值，以将该像素平均值作为该第二子空间的像素平均值(即量化中心)。
在一些实施例中，分别统计每个第一子空间和每个第二子空间的像素占比，包括：分别统计每个第一子空间和每个第二子空间对应的像素个数，并根据每个第一子空间对应的像素个数和总像素个数计算每个第一子空间的像素占比，以及根据每个第二子空间对应的像素个数和总像素个数计算每个第二子空间的像素占比。
S104，根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和第二子空间进行二次聚类。
即言，根据像素占比分别对第一子空间和第二子空间进行排序，然后，根据排序的结果进行二次聚类。
在一些实施例中，为了使得最终自动配色结果更加符合人眼感知，根据排序结果分别对第一子空间和所述第二子空间进行二次聚类之前，还包括：将像素平均值转换到Lab颜色空间，以便根据排序结果和颜色转换结果分别对第一子空间和第二子空间进行二次聚类。
即言，将每个第一子空间或第二子空间对应的像素平均值(量化中心)转换到Lab颜色空间上；接着，根据颜色转换结果和排序结果分别对第一子空间和第二子空间进行二次聚类，以使得主色选择结果更贴近于人眼感知结果。
在一些实施例中，根据排序结果和颜色转换结果分别对第一子空间和第二子空间进行二次聚类，包括：根据排序结果依次计算相邻两个Lab颜色之间的距离，并判断该距离是否小于预设的距离阈值，以及在判断结果为是时将相邻两个Lab颜色进行合并；遍历所有Lab颜色，以完成第一子空间和第二子空间的二次聚类。
作为一种示例，首先，根据每个子空间对应的像素占比对所有第一子空间进行排序，可以得到第一排序；接着，依照第一排序中的次序，首先计算排序位于第一位的第一子空间对应的Lab颜色与排序位于第二位的第一子空间对应的Lab颜色之间的距离；接着，计算该距离是否小于预设阈值(例如10)；如果是，则将排序位于第一位和第二位的第一子空间进行合并；如此，按照上述方式遍历所有第一子空间，以完成第一子空间的二次聚类；需要说明的是，第二子空间的二次聚类方式与第一子空间的二次聚类方式相同，在此不做赘述。
在一些实施例中，将相邻两个Lab颜色进行合并，包括：分别计算相邻两个Lab颜色中每个Lab颜色对应的颜色值与像素占比的乘积，并将两个乘积的和值作为合并后Lab颜色的颜色值，以及将相邻两个Lab颜色对应的像素占比的和值作为合并后Lab颜色的像素占比。
作为一种示例，假设相邻两个Lab颜色分别为c1和c2，其对应的像素占比分别为a1和a2；此时，如果该相邻两个Lab颜色需要进行合并，则首先计算c1和a1的乘积，并计算c2和a2的乘积；接着，将两个乘积的和值作为合并后Lab颜色的值；而该合并后Lab颜色对应的像素占比即为a1加a2。
S105，根据二次聚类结果确定前景主色和背景主色，并根据前景主色和背景主色进行原始图像的自动配色。
作为一种示例，在完成二次聚类之后，前景区域能够得到对应的二次聚类结果(即按序排列的Lab颜色和对应的像素占比)；同理，背景区域也能够得到对应的二次聚类结果；接着，根据前景区域对应的二次聚类结果选取其中处于前N位的Lab颜色作为前景主色，根据背景区域对应的二次聚类结果选取其中处于前M位的Lab颜色作为背景主色。进而，根据选定的前景主色和背景主色对原始图像进行自动配色。
在一些实施例中，根据前景主色和背景主色进行原始图像的自动配色，包括：将前景主色和所述背景主色作为基础色，并计算每个基础色与配色库中任意一个配色方案之间的Lab颜色距离，以确定该配色库与基础色之间的最小Lab颜色距离；根据每个配色库与基础色之间的最小Lab颜色距离确定最终配色方案。
作为一种示例，架设根据前景主色和背景主色确定的基础色有8个，则计算任一基础色与配色库中任一配色方案之间的Lab颜色距离，从而可以计算得到该基础色与所有配色方案之间的Lab颜色距离，进而，得到该基础色与配色库之间的最小Lab颜色距离；可以理解，通过上述方式，可以得到8个基础色分别与配色之间的最小Lab颜色距离；距离越小，得分越大，最终，将得分最大的配色方案作为最终配色方案。
综上所述，根据本发明实施例的图像自动配色方法，首先，获取用户上传的原始图像，并对原始图像进行显著性检测，以区分图片中最明显的区域；然后，将最明显的区域作为前景区域，其余的作为背景区域；接着，分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；然后，分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；接着，根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和所述第二子空间进行二次聚类；然后，根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色；从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。、
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有图像自动配色程序，该图像自动配色程序被处理器执行时实现如上述的图像自动配色方法。
根据本发明实施例的计算机可读存储介质，通过存储图像自动配色程序，以使得处理器在执行该图像自动配色程序时，实现如上述的图像自动配色方法，从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的图像自动配色方法。
根据本发明实施例的计算机设备，通过存储器对图像自动配色程序进行存储，以使得处理器在执行该图像自动配色程序时，实现如上述的图像自动配色方法，从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
为了实现上述实施例，本发明实施例提出了一种图像自动配色装置，如图2所示，该图像自动配色装置包括：显著性检测模块10、量化模块20、统计模块30、聚类模块40和配色模块50。
其中，显著性检测模块10用于获取原始图像，并对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域；
量化模块20用于分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；
统计模块30用于分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；
聚类模块40用于根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和第二子空间进行二次聚类；
配色模块50用于根据二次聚类结果确定前景主色和背景主色，并根据前景主色和背景主色进行原始图像的自动配色。
在一些实施例中，分别统计每个第一子空间和每个第二子空间的像素占比，包括：分别统计每个第一子空间和每个第二子空间对应的像素个数，并根据每个第一子空间对应的像素个数和总像素个数计算每个第一子空间的像素占比，以及根据每个第二子空间对应的像素个数和总像素个数计算每个第二子空间的像素占比。
需要说明的是，上述关于图1中图像自动配色方法的描述同样适用于该图像自动配色装置，在此不做赘述。
综上所述，根据本发明实施例的图像自动配色装置，通过设置显著性检测模块，显著性检测模块用于获取原始图像，并对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域；量化模块，量化模块用于分别对前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；统计模块，统计模块用于分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；聚类模块，聚类模块用于根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对第一子空间和第二子空间进行二次聚类；配色模块，配色模块用于根据二次聚类结果确定前景主色和背景主色，并根据前景主色和背景主色进行原始图像的自动配色；从而实现有效自动提取原始图像中符合人眼感知的主色，进而提高图像最终自动配色效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种图像自动配色方法，其特征在于，包括以下步骤：
获取原始图像，并对所述原始图像进行显著性检测，以确定所述原始图像的前景区域和背景区域；
分别对所述前景区域和背景区域进行颜色量化，以生成对应所述前景区域的多个第一子空间和对应所述背景区域的多个第二子空间；
分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和每个第二子空间对应的像素平均值；
根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类；
根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色。
2.如权利要求1所述的图像自动配色方法，其特征在于，分别统计每个第一子空间和每个第二子空间的像素占比，包括：
分别统计每个第一子空间和每个第二子空间对应的像素个数，并根据每个第一子空间对应的像素个数和总像素个数计算每个第一子空间的像素占比，以及根据每个第二子空间对应的像素个数和总像素个数计算每个第二子空间的像素占比。
3.如权利要求1所述的图像自动配色方法，其特征在于，在根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类之前，还包括：
将所述像素平均值转换到Lab颜色空间，以便根据排序结果和颜色转换结果分别对所述第一子空间和所述第二子空间进行二次聚类。
4.如权利要求3所述的图像自动配色方法，其特征在于，根据排序结果和颜色转换结果分别对所述第一子空间和所述第二子空间进行二次聚类，包括：
根据所述排序结果依次计算相邻两个Lab颜色之间的距离，并判断该距离是否小于预设的距离阈值，以及在判断结果为是时将相邻两个Lab颜色进行合并；
遍历所有Lab颜色，以完成所述第一子空间和所述第二子空间的二次聚类。
5.如权利要求4所述的图像自动配色方法，其特征在于，将相邻两个Lab颜色进行合并，包括：
分别计算相邻两个Lab颜色中每个Lab颜色对应的颜色值与像素占比的乘积，并将两个乘积的和值作为合并后Lab颜色的颜色值，以及将相邻两个Lab颜色对应的像素占比的和值作为合并后Lab颜色的像素占比。
6.如权利要求1所述的图像自动配色方法，其特征在于，根据所述前景主色和背景主色进行原始图像的自动配色，包括：
将所述前景主色和所述背景主色作为基础色，并计算每个基础色与配色库中任意一个配色方案之间的Lab颜色距离，以确定该配色库与基础色之间的最小Lab颜色距离；
根据每个配色库与基础色之间的最小Lab颜色距离确定最终配色方案。
7.如权利要求1所述的图像自动配色方法，其特征在于，对原始图像进行显著性检测，以确定原始图像的前景区域和背景区域，包括：
将所述原始图像划分为多个图像块，并将任意一个图像块与每个相邻图像块进行显著性比对，以及根据该图像块与所有相邻图像块之间的显著性比对结果生成该图像块对应的显著性差值；
根据该图像块对应的显著性差值和每个相邻图像块对应的显著性差值确定该图像块对应的显著性差值极值，并根据该图像块对应的显著性差值和显著性差值极值计算该图像块的显著性概率值，以及根据所述显著性概率值确定该图像块是否属于前景区域。
8.一种计算机可读存储介质，其特征在于，其上存储有图像自动配色程序，该图像自动配色程序被处理器执行时实现如权利要求1-7中任一项所述的图像自动配色方法。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-7中任一项所述的图像自动配色方法。
10.一种图像自动配色装置，其特征在于，包括：
显著性检测模块，所述显著性检测模块用于获取原始图像，并对所述原始图像进行显著性检测，以确定所述原始图像的前景区域和背景区域；
量化模块，所述量化模块用于分别对所述前景区域和背景区域进行颜色量化，以生成对应前景区域的多个第一子空间和对应背景区域的多个第二子空间；
统计模块，所述统计模块用于分别统计每个第一子空间和每个第二子空间的像素占比，并计算每个第一子空间和第二子空间对应的像素平均值；
聚类模块，所述聚类模块用于根据每个第一子空间对应的像素占比对所有第一子空间进行排序，并根据每个第二子空间对应的像素占比对所有第二子空间进行排序，以及根据排序结果分别对所述第一子空间和所述第二子空间进行二次聚类；
配色模块，所述配色模块用于根据所述二次聚类结果确定前景主色和背景主色，并根据所述前景主色和背景主色进行原始图像的自动配色。
CN202110520839.8A 2021-05-13 2021-05-13 图像自动配色方法及装置 Pending CN113284198A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110520839.8A CN113284198A (zh) 2021-05-13 2021-05-13 图像自动配色方法及装置
PCT/CN2021/119401 WO2022237038A1 (zh) 2021-05-13 2021-09-18 图像自动配色方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110520839.8A CN113284198A (zh) 2021-05-13 2021-05-13 图像自动配色方法及装置

Publications (1)

Publication Number Publication Date
CN113284198A true CN113284198A (zh) 2021-08-20

Family

ID=77279064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110520839.8A Pending CN113284198A (zh) 2021-05-13 2021-05-13 图像自动配色方法及装置

Country Status (2)

Country Link
CN (1) CN113284198A (zh)
WO (1) WO2022237038A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022237038A1 (zh) * 2021-05-13 2022-11-17 稿定（厦门）科技有限公司 图像自动配色方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075360A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Extracting dominant colors from images using classification techniques
CN102637236A (zh) * 2012-05-03 2012-08-15 杭州慕锐网络技术有限公司 一种纺织图案的智能配色方法
CN106204690A (zh) * 2015-05-04 2016-12-07 阿里巴巴集团控股有限公司 一种图像处理方法及装置
CN111080722A (zh) * 2019-12-11 2020-04-28 中山大学 一种基于显著性检测的颜色迁移方法及系统
CN111401316A (zh) * 2020-04-13 2020-07-10 网易（杭州）网络有限公司 图像主色确定方法、装置、存储介质及电子设备
CN111798539A (zh) * 2020-01-10 2020-10-20 中国人民解放军国防科技大学 自适应迷彩伪装在线设计方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9576554B2 (en) * 2014-12-15 2017-02-21 Flipboard, Inc. Determining a dominant color of an image based on pixel components
CN106204551A (zh) * 2016-06-30 2016-12-07 北京奇艺世纪科技有限公司 一种图像显著性检测方法及装置
CN113284198A (zh) * 2021-05-13 2021-08-20 稿定（厦门）科技有限公司 图像自动配色方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075360A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Extracting dominant colors from images using classification techniques
CN102637236A (zh) * 2012-05-03 2012-08-15 杭州慕锐网络技术有限公司 一种纺织图案的智能配色方法
CN106204690A (zh) * 2015-05-04 2016-12-07 阿里巴巴集团控股有限公司 一种图像处理方法及装置
CN111080722A (zh) * 2019-12-11 2020-04-28 中山大学 一种基于显著性检测的颜色迁移方法及系统
CN111798539A (zh) * 2020-01-10 2020-10-20 中国人民解放军国防科技大学 自适应迷彩伪装在线设计方法及系统
CN111401316A (zh) * 2020-04-13 2020-07-10 网易（杭州）网络有限公司 图像主色确定方法、装置、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘尊洋等: "一种基于主色聚类的仿造迷彩设计方法", 《激光与红外》, no. 07, 20 July 2009 (2009-07-20), pages 793 - 796 *
刘杰等: "融合聚类与排序的图像显著区域检测", 《清华大学学报(自然科学版)》, no. 09, 15 September 2016 (2016-09-15), pages 913 - 919 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022237038A1 (zh) * 2021-05-13 2022-11-17 稿定（厦门）科技有限公司 图像自动配色方法及装置

Also Published As

Publication number Publication date
WO2022237038A1 (zh) 2022-11-17

Similar Documents

Publication Publication Date Title
Sowmya et al. Colour image segmentation using fuzzy clustering techniques and competitive neural network
JP4553650B2 (ja) 画像グループの表現方法および表現方法によって導出される記述子、探索方法、装置、コンピュータプログラム、ならびに記憶媒体
US7657090B2 (en) Region detecting method and region detecting apparatus
US9152926B2 (en) Systems, methods, and media for updating a classifier
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN110807757B (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
Guo et al. Assessment model for perceived visual complexity of painting images
CN104408429A (zh) 一种视频代表帧提取方法及装置
JP4098021B2 (ja) シーン識別方法および装置ならびにプログラム
CN109948683B (zh) 点云数据的难易度划分方法、装置及其相关设备
CN109766828A (zh) 一种车辆目标分割方法、装置及通信设备
CN105184823A (zh) 基于视觉感知的运动目标检测算法性能的评价方法
KR20120023029A (ko) 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체
CN112330585A (zh) 图像质量的检测方法、装置及电子设备
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN112489142A (zh) 一种颜色识别方法、装置、设备及存储介质
CN113284198A (zh) 图像自动配色方法及装置
CN117152092B (zh) 全参考图像评价方法、装置、电子设备和计算机存储介质
CN106415596B (zh) 基于分割的图像变换
CN116958113A (zh) 一种产品检测方法、装置、设备及存储介质
CN109993128B (zh) 一种行人图像属性特征量化的方法
CN114449362B (zh) 视频封面的选取方法、装置、设备及存储介质
Sahu et al. Color image segmentation using genetic algorithm
CN115147633A (zh) 图像聚类方法、装置、设备及存储介质
CN108154188A (zh) 基于fcm的复杂背景下人工文本提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210820

RJ01 Rejection of invention patent application after publication