CN115601232B - 一种基于奇异值分解的彩色图像去色方法及系统 - Google Patents
一种基于奇异值分解的彩色图像去色方法及系统 Download PDFInfo
- Publication number
- CN115601232B CN115601232B CN202211597912.2A CN202211597912A CN115601232B CN 115601232 B CN115601232 B CN 115601232B CN 202211597912 A CN202211597912 A CN 202211597912A CN 115601232 B CN115601232 B CN 115601232B
- Authority
- CN
- China
- Prior art keywords
- singular value
- matrix
- channel
- recombination
- 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.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 120
- 238000005215 recombination Methods 0.000 claims abstract description 104
- 230000006798 recombination Effects 0.000 claims abstract description 104
- 239000013598 vector Substances 0.000 claims abstract description 18
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于奇异值分解的彩色图像去色方法及系统。
背景技术
图像去色是图像处理和计算机视觉中很多应用的必要工具,也是计算机图像处理领域一个重要的研究方向,图像去色的任务是将彩色图像降维成只有一个通道的灰度图。由于去色过程是一个降维的过程,所以一定会有信息的丢失。
基于奇异值分解的图像应用,大多数是对单个灰度图像进行分解处理然后进行重组矩阵来取得想要的效果。这样做虽然可以保留大部分的灰度图中的特征,但是由于灰度化过程中已经丢失了部分信息,比如在图像压缩中,对灰度图进行压缩,由于在灰度化过程中已经丢失了一部分信息,所以在压缩后会原彩色图像中的信息会更加丢失。
发明内容
本发明提供一种基于奇异值分解的彩色图像去色方法及系统,用于解决无法还原彩色图像中的特征和颜色对比度的技术问题。
第一方面,本发明提供一种基于奇异值分解的彩色图像去色方法,包括:获取具有
三通道的彩色图像,并分别对所述彩色图像的各个通道图像进行奇异值分解,分别得到三
通道的三组矩阵,其中,S为分解出的奇异值矩阵,、分别为分解出的左正
定矩阵和右正定矩阵,分别将三组矩阵的S矩阵中的奇异值与其对应的矩
阵、矩阵中的正交向量进行矩阵重组,得到三组奇异值重组矩阵,其中,每组奇异值重组
矩阵中包含n个奇异值重组矩阵;根据某一通道的S矩阵中的各个奇异值的能量贡献,对某
一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通
道的三组加权重组矩阵;基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并
融合,得到目标灰度化图像。
进一步地,其中,计算某一通道的S矩阵中的各个奇异值的能量贡献的表达式为:
式中,为R通道中的第i个奇异值的能量权重,为R通道中的第i个奇异
值,为三通道中分解出的第i个奇异值和,即能量总和,为G通道中的第i个奇异值
的能量权重,为B通道中的第i个奇异值的能量权重,为G通道中的第i个奇异值,为B通道中的第i个奇异值。
进一步地,其中,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵的表达式为:
式中,为R通道中第i个奇异值的能量权重,为B通道中第i个奇异值的能
量权重,为G通道中第i个奇异值的能量权重,为R通道第i个奇异值的重组矩
阵图像,为G通道第i个奇异值的重组矩阵图像,为B通道第i个奇异值
的重组矩阵图像,为R通道的一组加权重组矩阵,为G通道的一组加权重组矩阵,
为B通道的一组加权重组矩阵,为奇异值的总个数。
进一步地,其中,基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合的表达式为:
第二方面,一种基于奇异值分解的彩色图像去色系统,包括:
获取模块,配置为获取具有三通道的彩色图像,并分别对所述彩色图像的各个通
道图像进行奇异值分解,分别得到三通道的三组矩阵,其中,S为分解出的奇
异值矩阵,、分别为分解出的左正定矩阵和右正定矩阵;重组模块,配置为分别将三组
矩阵的S矩阵中的奇异值与其对应的矩阵、矩阵中的正交向量进行矩阵
重组,得到三组奇异值重组矩阵,其中,每组奇异值重组矩阵中包含n个奇异值重组矩阵;加
权模块,配置为根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异
值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组
矩阵;融合模块,配置为基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并
融合,得到目标灰度化图像。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于奇异值分解的彩色图像去色方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于奇异值分解的彩色图像去色方法的步骤。
本申请的基于奇异值分解的彩色图像去色方法及系统,通过对彩色图像的各个通道图像进行奇异值分解,并且根据奇异值的权重和三通道全局对比度保持权重计算得到灰度化图像,能够在获取到全局对比度的情况下,捕捉到图像的局部特征及对比度信息,从而细化灰度化结果,并且由于奇异值分解没有很高的计算复杂度,我们的方法对比其它混合方法更加具有时效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于奇异值分解的彩色图像去色方法的流程图;
图2为本发明一实施例提供的一种基于奇异值分解的彩色图像去色系统的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种基于奇异值分解的彩色图像去色方法的流程图。
如图1所示,基于奇异值分解的彩色图像去色方法具体包括以下步骤:
每个奇异值都有其相应的重组矩阵时的能量贡献,实际上,奇异值越大其能量贡献越大,在重组后保留的特征也就越多。
也就是说,每个奇异值在矩阵重组时都有一定的能量贡献,一般来说,奇异值越大其贡献就越大,在重组矩阵来获取新的图像时,新的图像所保持的原图像的特征就越多。通常使用奇异值分解都是处理的单矩阵的灰度图像,实际上,灰度图在灰度化的过程中已经损失了大量的信息,这会使得在进一步通过所得奇异值进行矩阵重组时丢失更多的图像信息。
步骤S103,根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组矩阵。
在本实施例中,每个奇异值在其重组矩阵时都有能量贡献,三通道通过奇异值分解得到的各个奇异值可以在一定程度上代表信息能量的分布。奇异值越大,则信息能量越大,代表该部分包含的特征越丰富。基于该分析,可以利用能量值所占的比例作为各个矩阵进行融合的权重。因此,每个通道所对应的单个奇异值重组矩阵的加权的步骤可以表示为:
式中,为R通道中第i个奇异值的能量权重,为B通道中第i个奇异值的能
量权重,为G通道中第i个奇异值的能量权重,为R通道第i个奇异值的重组矩
阵图像,为G通道第i个奇异值的重组矩阵图像,为B通道第i个奇异值
的重组矩阵图像,为R通道的一组加权重组矩阵,为G通道的一组加权重组矩阵,
为B通道的一组加权重组矩阵,为奇异值的总个数。
式中,为R通道中的第i个奇异值的能量权重,为R通道中的第i个奇异
值,为三通道中分解出的第i个奇异值和,即能量总和,为G通道中的第i个奇异值
的能量权重,为B通道中的第i个奇异值的能量权重,为G通道中的第i个奇异值,为B通道中的第i个奇异值。
步骤S104,基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合,得到目标灰度化图像。
在本实施例中,基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合的表达式为:
综上,本实施例的方法,采用奇异值分解(SVD)理论,将三通道图像进行SVD分解,并对分解出来的奇异值挨个进行矩阵重组,然后根据奇异值的能量贡献将三通道获得的矩阵进行加权融合,这样做最终得到的图像可以在最大程度上保留三通道的细节特征和对比度。但是,这种用奇异值重构矩阵加权融合的方法在整体对比度会有一定的丢失,针对这一问题,为了在保留细节对比度的同时,进一步保留整体对比度,将全局对比度权重与奇异值加权后的通道矩阵进行融合,得到最终的灰度化图像,该方法能够在获取全局特征的情况下,捕获到图像的局部特征及对比度,从而细化灰度化特征。
请参阅图2,其示出了本申请的一种基于奇异值分解的彩色图像去色系统的结构框图。
如图2所示,彩色图像去色系统200,包括获取模块210、重组模块220、加权模块230以及融合模块240。
其中,获取模块210,配置为获取具有三通道的彩色图像,并分别对所述彩色图像
的各个通道图像进行奇异值分解,分别得到三通道的三组矩阵,其中,S为分
解出的奇异值矩阵,、分别为分解出的左正定矩阵和右正定矩阵;重组模块220,配置为
分别将三组矩阵的S矩阵中的奇异值与其对应的矩阵、矩阵中的正交向
量进行矩阵重组,得到三组奇异值重组矩阵,其中,每组奇异值重组矩阵中包含n个奇异值
重组矩阵;加权模块230,配置为根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一
道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道
的三组加权重组矩阵;融合模块240,配置为基于预设的全局对比度权重对各组加权重组矩
阵进行再次加权并融合,得到目标灰度化图像。
应当理解,图2中记载的诸模块与图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于奇异值分解的彩色图像去色方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组矩阵;
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合,得到目标灰度化图像。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于奇异值分解的彩色图像去色系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于奇异值分解的彩色图像去色系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于奇异值分解的彩色图像去色方法。输入装置330可接收输入的数字或字符信息,以及产生与基于奇异值分解的彩色图像去色系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于奇异值分解的彩色图像去色系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组矩阵;
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合,得到目标灰度化图像。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于奇异值分解的彩色图像去色方法,其特征在于,包括:
根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组矩阵;
基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合,得到目标灰度化图像;
其中,计算某一通道的S矩阵中的各个奇异值的能量贡献的表达式为:
式中,为R通道中的第i个奇异值的能量权重,为R通道中的第i个奇异值,为三通道中分解出的第i个奇异值和,即能量总和,为G通道中的第i个奇异值的能量权重,为B通道中的第i个奇异值的能量权重,为G通道中的第i个奇异值,为B通道中的第i个奇异值;
其中,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵的表达式为:
3.一种基于奇异值分解的彩色图像去色系统,用于实现权利要求1-2任一项所述的彩色图像去色方法,其特征在于,包括:
加权模块,配置为根据某一通道的S矩阵中的各个奇异值的能量贡献,对某一道中的各个奇异值重组矩阵进行加权,得到某一通道的一组加权重组矩阵,即得到三通道的三组加权重组矩阵;
融合模块,配置为基于预设的全局对比度权重对各组加权重组矩阵进行再次加权并融合,得到目标灰度化图像。
4.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至2任一项所述的方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597912.2A CN115601232B (zh) | 2022-12-14 | 2022-12-14 | 一种基于奇异值分解的彩色图像去色方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597912.2A CN115601232B (zh) | 2022-12-14 | 2022-12-14 | 一种基于奇异值分解的彩色图像去色方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601232A CN115601232A (zh) | 2023-01-13 |
CN115601232B true CN115601232B (zh) | 2023-03-10 |
Family
ID=84854153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211597912.2A Active CN115601232B (zh) | 2022-12-14 | 2022-12-14 | 一种基于奇异值分解的彩色图像去色方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601232B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115474048A (zh) * | 2022-09-14 | 2022-12-13 | 中车青岛四方车辆研究所有限公司 | 基于分裂四元数模型的快速彩色图像压缩方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504207B (zh) * | 2016-10-24 | 2019-08-02 | 西南科技大学 | 一种图像数据处理方法 |
FR3060180A1 (fr) * | 2016-12-14 | 2018-06-15 | Cyclopus | Procede de traitement d’image numerique |
CN109118528A (zh) * | 2018-07-24 | 2019-01-01 | 西安工程大学 | 基于区域分块的奇异值分解图像匹配算法 |
CN109345494B (zh) * | 2018-09-11 | 2020-11-24 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示和结构张量的图像融合方法及装置 |
CN112417234B (zh) * | 2019-08-23 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 一种数据聚类方法和装置,及计算机可读存储介质 |
CN111325658B (zh) * | 2020-02-19 | 2022-08-23 | 成都大学 | 一种彩色图像自适应去色方法 |
JP7337303B2 (ja) * | 2021-05-14 | 2023-09-01 | 三菱電機株式会社 | 学習装置、及び学習方法 |
CN114549352A (zh) * | 2022-02-21 | 2022-05-27 | 中国第一汽车股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN115034992A (zh) * | 2022-06-14 | 2022-09-09 | 浙江大学 | 一种长波红外图像去噪方法 |
-
2022
- 2022-12-14 CN CN202211597912.2A patent/CN115601232B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115474048A (zh) * | 2022-09-14 | 2022-12-13 | 中车青岛四方车辆研究所有限公司 | 基于分裂四元数模型的快速彩色图像压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115601232A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768008B (zh) | 联邦学习方法、装置、设备和存储介质 | |
CN106296669A (zh) | 一种图像质量评价方法和装置 | |
KR102016977B1 (ko) | 해수면 온도 영상 복원 시스템 및 방법 | |
US10313746B2 (en) | Server, client and video processing method | |
CN113222855B (zh) | 一种图像恢复方法、装置和设备 | |
US20240119707A1 (en) | Method for training image generation model, method for generating images, and devices thereof | |
TWI664853B (zh) | 視訊壓縮感測重建方法及裝置 | |
WO2022156621A1 (zh) | 基于人工智能的图像上色方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN112906721B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN117495714B (zh) | 基于扩散生成先验的人脸图像复原方法、装置及可读介质 | |
Scheidegger et al. | The weighted generalised covariance measure | |
CN114897711A (zh) | 一种视频中图像处理方法、装置、设备及存储介质 | |
Wu et al. | MG-CNN: A deep CNN to predict saddle points of matrix games | |
CN115115510A (zh) | 一种图像处理方法、系统及存储介质和终端设备 | |
CN115601232B (zh) | 一种基于奇异值分解的彩色图像去色方法及系统 | |
CN113935050A (zh) | 基于联邦学习的特征提取方法和装置、电子设备、介质 | |
CN115170418B (zh) | 符合退化的低秩高维图像填充模型及其填充方法与系统 | |
Wang et al. | Mixed distortion image enhancement method based on joint of deep residuals learning and reinforcement learning | |
CN113254996B (zh) | 图神经网络训练方法、装置、计算设备及存储介质 | |
CN113066038B (zh) | 图像评估方法、装置、电子设备及计算机存储介质 | |
CN115311152A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN116264606A (zh) | 用于处理视频的方法、设备和计算机程序产品 | |
Wang et al. | EIDNet: Extragradient-based iterative denoising network for image compressive sensing reconstruction | |
CN113744164B (zh) | 一种快速夜间低照度图像增强方法、系统及相关设备 | |
CN113658076B (zh) | 基于特征纠缠调制的图像复原方法、装置、设备和介质 |
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 |