CN116597029B - 一种针对色盲的图像重着色方法 - Google Patents
一种针对色盲的图像重着色方法 Download PDFInfo
- Publication number
- CN116597029B CN116597029B CN202310471450.8A CN202310471450A CN116597029B CN 116597029 B CN116597029 B CN 116597029B CN 202310471450 A CN202310471450 A CN 202310471450A CN 116597029 B CN116597029 B CN 116597029B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- foreground
- palette
- harmony
- 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
- 208000006992 Color Vision Defects Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 201000007254 color blindness Diseases 0.000 title claims abstract description 44
- 201000000761 achromatopsia Diseases 0.000 title claims abstract description 23
- 238000004040 coloring Methods 0.000 title claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 230000005012 migration Effects 0.000 claims abstract description 23
- 238000013508 migration Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000009928 pasteurization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 201000010018 blue color blindness Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 201000000763 red color blindness Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101001126084 Homo sapiens Piwi-like protein 2 Proteins 0.000 description 1
- 102100029365 Piwi-like protein 2 Human genes 0.000 description 1
- GYMWQLRSSDFGEQ-ADRAWKNSSA-N [(3e,8r,9s,10r,13s,14s,17r)-13-ethyl-17-ethynyl-3-hydroxyimino-1,2,6,7,8,9,10,11,12,14,15,16-dodecahydrocyclopenta[a]phenanthren-17-yl] acetate;(8r,9s,13s,14s,17r)-17-ethynyl-13-methyl-7,8,9,11,12,14,15,16-octahydro-6h-cyclopenta[a]phenanthrene-3,17-diol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.O/N=C/1CC[C@@H]2[C@H]3CC[C@](CC)([C@](CC4)(OC(C)=O)C#C)[C@@H]4[C@@H]3CCC2=C\1 GYMWQLRSSDFGEQ-ADRAWKNSSA-N 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002763 pyramidal cell Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对色盲的图像重着色方法，包括：预先计算出各类别图像的调色板，每种类别图像分别对应至少一种调色板；对原始输入图像的前景进行分割，并预测前景类别；根据前景类别匹配至少一种调色板，并根据匹配的调色板调整前景颜色，得到至少一张颜色迁移后的图像；对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，使后景匹配前景的和谐度；对原始输入图像及和谐化处理后的图像进行色盲仿真，得到仿真图像；评估仿真图像前后景的区分度，将区分度最高的仿真图像所对应的正常图像作为重新着色的结果。本发明使图像改变后的颜色更为自然，且整张图像更为和谐。
Description
技术领域
本发明涉及图像处理技术领域，更具体的说是涉及一种针对色盲的图像重着色方法。
背景技术
色盲患者无法看到部分颜色，不能准确识别某些物体。目前，可以通过计算机对色盲校正，是指通过计算机算法对图像进行处理，改变图像的颜色、纹理、对比度等特征，最后由计算机输出。
色盲图像仿真模拟是计算机矫正过程中不可缺少的一部分，因为受众为色盲患者，所以必须以色盲患者的视角去评估技术的优劣。LMS符合人的感知空间，人的视觉系统将接收到的RGB信息转换为LMS信息。在这个过程中，锥体细胞的缺乏会导致辨色能力的下降甚至丧失。因此，仿真模型是先将图像RGB空间转换为LMS空间，几何变换后再转换回RGB空间，通过计算机设备模拟输出的数学实现。
计算机校正方法多种多样，效果不一。这些方法的目的是让色盲患者提高对颜色的识别和区分能力。实践大致可分为四类。第一类基于灰度化：根据像素点差值得到的目标函数，对彩色图像进行灰度化处理。这种方法尽可能保留对比度、亮度等视觉信息，降低色盲者对图像识别的色彩能力要求，但是这种方法丢弃了色彩细节信息，简单粗暴。第二类基于图像分割：通常的做法是先对图像进行分割，找到色盲患者无法感知的颜色区域，用辨别度高的颜色代替，这种方法在很大程度上受外界噪声和分割能力的影响。第三类是基于颜色转换的：该方法主要是改变颜色信息，涉及到LMS、LAB、HSV等颜色空间的转换操作。N.Mili´c和W. Huang等采用最小化目标函数的方法进行颜色转换，容易陷入局部最优。D. S.Khurge采用线性运算进行颜色转换，速度较快，但是，不同的线性运算算法会影响结果的质量和速度。第四类是基于神经网络的：张向东等使用生成对抗网络通过添加约束来控制方向，进行重新着色。
这些方法存在改变后的颜色不自然，整张图像不和谐的问题。
发明内容
有鉴于此，本发明提供了一种针对色盲的图像重着色方法，使图像改变后的颜色更为自然，且整张图像更为和谐。
为了实现上述目的，本发明采用如下技术方案：
一种针对色盲的图像重着色方法，包括：
预先计算出各类别图像的调色板，每种类别图像分别对应至少一种调色板；
对原始输入图像的前景进行分割，并预测前景类别；
根据前景类别匹配至少一种调色板，并根据匹配的调色板调整前景颜色，得到至少一张颜色迁移后的图像；
对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，使后景匹配前景的和谐度；
对原始输入图像及和谐化处理后的图像进行色盲仿真，得到仿真图像；
评估仿真图像前后景的区分度，将区分度最高的仿真图像所对应的正常图像作为重新着色的结果。
进一步的，所述预先计算出各类别图像的调色板包括：
选择数据集，使用工具批量去除数据集图像背景，使图像背景透明化；
提取单幅图像的HSV颜色空间的H通道，获取目标对象的色相信息；
使用K-Means聚类算法获得聚类中心，按照每个聚类类别的权重降序排列，并将排列好的各聚类中心作为该类型目标对象的多种调色板；
依次计算剩余图像中目标对象的调色板。
进一步的，选取GrabCut交互式分割方式对原始输入图像的前景进行分割，采用预先训练好的ResNet152模型对前景类别进行预测。
进一步的，对图像前景进行颜色迁移的过程包括：
提取图像前景HSV颜色空间的H通道，获取色相信息；
根据图像前景类别匹配至少一种调色板，作为推荐调色板；
对推荐调色板的各个色相进行加权处理；
分别计算图像前景的色相标准差及其推荐调色板加权处后的色相均值和标准差；
按照颜色迁移公式对图像前景的H通道色相信息进行颜色迁移，颜色迁移公式如下：
；
其中，H代表H颜色通道；S代表图像前景，代表图像前景H通道的色相信息；T代表加权处理后的调色板；/>代表加权处理后调色板H通道的色相均值；/>代表调色板H通道的色相标准差，/>代表图像前景H通道的色相标准差；I代表调整后的色相矩阵。
进一步的，所述对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，包括：
分别为原始输入图像及颜色迁移后图像的前景匹配和谐模板，将和谐模板作为图像后景的颜色变换参照标准；其中，和谐模板为色环状，且色环中的阴影区域为和谐模板的有效区域；
根据匹配的和谐模板，调整图像后景的色相，将图像后景的颜色分布调整在和谐模板的有效区域里。
进一步的，所述对原始输入图像及和谐化处理后的图像进行色盲仿真，包括：
根据需要选择红色盲、绿色盲、蓝色盲或色弱模式，对原始输入图像及和谐化处理后的图像进行色盲仿真处理；仿真公式为：
；
；
；
其中，RGB代表图像颜色空间，r代表红色弱，g代表绿色弱，b代表蓝色弱，λ代表色弱程度，取值范围为0-1，1代表正常，0代表二色盲。
进一步的，评估仿真图像前后景的区分度时，采用巴氏距离作为区分度衡量指标，计算图像前景和后景的差异，巴氏距离的计算公式如下：
；
；
其中，f和b分别代表仿真图像前景和后景的直方图信息，BC（f，b）代表离散状态下的巴氏系数，D（f，b）代表巴氏距离。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种针对色盲的图像重着色方法，在图像重着色过程中引入了自然性约束和和谐性约束，首先通过基于自然性的颜色迁移调整前景颜色，然后改变后景颜色以匹配前景的和谐性，最后筛选出前景与后景区分度最好的图像；根据不同色盲患者的需求，更改色盲仿真的类型，从而生成对应重着色结果图，最终得到的重着色图像颜色更为自然，且整张图像更为和谐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的针对色盲的图像重着色方法的流程图；
图2为本发明提供的和谐模板的示例图。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
如图1所示，本发明实施例公开了一种针对色盲的图像重着色方法，包括以下步骤：
S1、预先计算出各类别图像的调色板，每种类别图像分别对应至少一种调色板；
S2、对原始输入图像的前景进行分割，并预测前景类别；
S3、根据前景类别匹配至少一种调色板，并根据匹配的调色板调整前景颜色，得到至少一张颜色迁移后的图像；
S4、对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，使后景匹配前景的和谐度；
S5、对原始输入图像及和谐化处理后的图像进行色盲仿真，得到仿真图像；
S6、评估仿真图像前后景的区分度，将区分度最高的仿真图像所对应的正常图像作为重新着色的结果。
整体来说，本发明方法分为调色板生成部分和图像重着色部分，调色板生成部分，预先计算出各类别图像的推荐调色板；图像重着色部分，首先，对图像的前景进行分割，预测前景的类别，并根据调色板调整前景的颜色；然后，对输入图像与颜色迁移后图像的后景进行颜色和谐化处理。接着，对输入图像和颜色迁移后图像进行色盲仿真处理，得到仿真图像。最后，评估仿真图像前后景的区分度，以获得最佳图像，使用其正常图像作为重新着色的结果。本发明使生成的图像具有自然性、和谐性和可区分性三大特性，满足了色盲患者的需求。
下面对上述各步骤做进一步的说明。
S1中，预先计算出各类别图像的调色板，具体包括以下步骤：
选择数据集，使用工具批量去除数据集图像背景，使图像背景透明化；
提取单幅图像的HSV颜色空间的H通道，获取目标对象的色相信息；
使用K-Means聚类算法获得聚类中心，按照每个聚类类别的权重降序排列，并将排列好的各聚类中心作为该类型目标对象的多种调色板；
依次计算剩余图像中目标对象的调色板。
本发明实施例中的调色板是由图像的色相信息构成的，通过多次聚类的方法提取到每一类物体的多个色相调色板，每个调色板中含有相同个数的色相信息，图像前景的重着色过程将根据调色板的信息进行调整。
S2、对原始输入图像的前景进行分割，并预测前景类别，具体包括：
选取GrabCut交互式分割方式对原始输入图像的前景进行分割，采用预先训练好的ResNet152模型对前景类别进行预测。
其中，GrabCut交互式分割方式只需要用户手动绘制前景边框，微调分割边界，迭代几轮即实现分割。
对ResNet152模型的训练过程中，先获取训练数据集，数据集中的图像应包含尽可能多的类别对象，进而使训练好的ResNet152模型能对图像进行细粒度识别。
S3、对图像前景进行颜色迁移的过程包括：
提取图像前景HSV颜色空间的H通道，获取色相信息；
根据图像前景类别匹配至少一种调色板，作为推荐调色板；
对推荐调色板的各个色相进行加权处理；经过测试，其中，每个调色板都包括5个色相，其出现频率是由高到低排列的，为了使效果更好，采用了加权处理，五个色相采用36：28：20：12：4的比例进行加权处理。
分别计算图像前景的色相标准差及推荐调色板加权处理后的色相均值和色相标准差；
按照颜色迁移公式对图像前景的H通道色相信息进行颜色迁移，颜色迁移公式如下：
；
其中，H代表H颜色通道；S代表图像前景，代表图像前景H通道的色相信息；T代表加权处理后的调色板；/>代表加权处理后调色板H通道的色相均值；/>代表调色板H通道的色相标准差，/>代表图像前景H通道的色相标准差；I代表调整后的色相矩阵。
S4、对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，包括：
分别为原始输入图像及颜色迁移后图像的前景匹配和谐模板，将和谐模板作为图像后景的颜色变换参照标准；其中，和谐模板为色环状，且色环中的阴影区域为和谐模板的有效区域；
根据匹配的和谐模板，调整图像后景的色相，将图像后景的颜色分布调整在和谐模板的有效区域里。
具体来说，如图2所示，为D. Cohen-Or提出的八种颜色分布和谐模板，选择前7个作为参考模板，每个色环中的阴影区域是模板的有效区域，这些模板可以旋转。如果图像的颜色分布在有效区域内，则称其为和谐图像。
为原始输入图像及颜色迁移后图像的前景匹配和谐模板的过程为：通过遍历图像的颜色分布与所有和谐模板有效区域的距离，将距离最小的和谐模板信息作为最佳模板，即最终匹配的和谐模板。
对于每个图像，计算得到其前景的最佳和谐模板和旋转角度，具体采用遍历的方法，分别计算每一个旋转角时不在和谐模板阴影区域的信息到阴影区域的距离，距离越小说明图像更和谐，选其作为该图像的最佳旋转角，此时的和谐模板为最佳和谐模板。
为了尽可能保证图像后景和前景的区分度，添加一个判断，如果最佳模板为单个阴影区域，则将模板旋转180度，和谐模板分为单个区域和两个区域两种情况，本发明是让后景去匹配前景的和谐度，但同时本发明的需求是让色盲患者对前后景可区分，所以目的想让前后景的色差变得更大一些。因为圆环为360度，因而采用了旋转至对面的方式，尽可能在保证和谐化的同时让色差也大。根据匹配好的和谐模板及旋转角度，调整图像后景的色相，就是将不在和谐区域里的色相信息调整到离它最近的阴影（和谐）区域里，将图像后景的颜色分布调整在模板区域里，从而使图像后景匹配前景的和谐度。
S5、对原始输入图像及和谐化处理后的图像进行色盲仿真，包括：
通过现有数学模型对读入计算机的图像进行色盲仿真处理，根据需要选择红色盲、绿色盲、蓝色盲或色弱模式，对原始输入图像及和谐化处理后的图像进行色盲仿真处理；仿真公式为：
；
；
；
其中，RGB代表图像颜色空间，r代表红色弱，g代表绿色弱，b代表蓝色弱，λ代表色弱程度，取值范围为0-1，1代表正常，0代表二色盲。
S6、评估仿真图像前后景的区分度时，采用巴氏距离作为区分度衡量指标，计算图像前景和后景的差异，巴氏距离的计算公式如下：
；
；
其中，f和b分别代表仿真图像前景和后景的直方图信息，BC（f，b）代表离散状态下的巴氏系数，D（f，b）代表巴氏距离。
为了验证本发明方法的性能，与几种不同的方法结果作比较。第一种方法是A.A.Gooch的基于灰度化的方法，将图像调整为灰度图，尽可能地保留了图像的细节，如亮度和对比度。第二种方法是W. Woods的基于颜色变换的方法，调整图像的LAB颜色空间信息，以此增强色盲患者的颜色对比度。第三种方法是S. Choudhry的基于颜色变换的方法，根据色盲的严重程度调整颜色处理的规模。第四种方法是Y. wang的基于颜色变换的方法，在HSV颜色空间中增加了细节性、自然性和真实性三个约束来控制重新着色的方向。通过客观分析和主观分析验证。其中，主观分析以问卷的形式发放，广受好评。
客观分析，使用四个指标来衡量各方法重着色结果。第一个区分度指标表示仿真图像的前后景的区分度，用巴氏距离计算，指标越大，区分度越好。第二个和谐度指标表示图像的颜色分布到最佳和谐模板的距离，指标越小，和谐度越好。第三个SSIM指标是结构相似度，表示结果图和原图之间的相似度，指标越大，相似度越好。第四个PSNR指标是峰值信噪比，表示原图到结果图信号失真的指标，指标越大，表示图像质量越好。分析结果如表1所示。
表1对不同方法结果进行客观分析
从表1中可以看出，本发明方法在区分度和和谐度方面指标明显优于其他方法，SSIM和PSNR指标仅次于Y. wang，可以证明本发明方法的有效性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种针对色盲的图像重着色方法，其特征在于，包括：
预先计算出各类别图像的调色板，每种类别图像分别对应至少一种调色板；
对原始输入图像的前景进行分割，并预测前景类别；
根据前景类别匹配至少一种调色板，并根据匹配的调色板调整前景颜色，得到至少一张颜色迁移后的图像；对图像前景进行颜色迁移的过程包括：
提取图像前景HSV颜色空间的H通道，获取色相信息；
根据图像前景类别匹配至少一种调色板，作为推荐调色板；
对推荐调色板的各个色相进行加权处理；
分别计算图像前景的色相标准差及推荐调色板加权处后的色相均值和标准差；
按照颜色迁移公式对图像前景的H通道色相信息进行颜色迁移，颜色迁移公式如下：
其中，H代表H颜色通道；S代表图像前景，SH代表图像前景H通道的色相信息；T代表加权处理后的调色板；mean(TH)代表加权处理后调色板H通道的色相均值；σt代表调色板H通道的色相标准差，σs代表图像前景H通道的色相标准差；I代表调整后的色相矩阵；
对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，使后景匹配前景的和谐度；
对原始输入图像及和谐化处理后的图像进行色盲仿真，得到仿真图像；
评估仿真图像前后景的区分度，将区分度最高的仿真图像所对应的正常图像作为重新着色的结果。
2.根据权利要求1所述的针对色盲的图像重着色方法，其特征在于，所述预先计算出各类别图像的调色板包括：
选择数据集，使用工具批量去除数据集图像背景，使图像背景透明化；
提取单幅图像的HSV颜色空间的H通道，获取目标对象的色相信息；
使用K-Means聚类算法获得聚类中心，按照每个聚类类别的权重降序排列，并将排列好的各聚类中心作为该单幅图像中目标对象的多种调色板；
依次计算剩余图像中目标对象的调色板。
3.根据权利要求1所述的针对色盲的图像重着色方法，其特征在于，选取GrabCut交互式分割方式对原始输入图像的前景进行分割，采用预先训练好的ResNet152模型对前景类别进行预测。
4.根据权利要求1所述的针对色盲的图像重着色方法，其特征在于，所述对原始输入图像及颜色迁移后图像的后景进行颜色和谐化处理，包括：
分别为原始输入图像及颜色迁移后图像的前景匹配和谐模板，将和谐模板作为图像后景的颜色变换参照标准；其中，和谐模板为色环状，且色环中的阴影区域为和谐模板的有效区域；
根据匹配的和谐模板，调整图像后景的色相，将图像后景的颜色分布调整在和谐模板的有效区域里。
5.根据权利要求1所述的针对色盲的图像重着色方法，其特征在于，所述对原始输入图像及和谐化处理后的图像进行色盲仿真，包括：
根据需要选择红色盲、绿色盲、蓝色盲或色弱模式，对原始输入图像及和谐化处理后的图像进行色盲仿真处理；仿真公式为：
其中，RGB代表图像颜色空间，r代表红色弱，g代表绿色弱，b代表蓝色弱，λ代表色弱程度，取值范围为0-1，1代表正常，0代表二色盲。
6.根据权利要求1所述的针对色盲的图像重着色方法，其特征在于，评估仿真图像前后景的区分度时，采用巴氏距离作为区分度衡量指标，计算图像前景和后景的差异，巴氏距离的计算公式如下：
D(f,b)＝-ln(BC(f,b))
其中，f和b分别代表仿真图像前景和后景的直方图信息，BC(f，b)代表离散状态下的巴氏系数，D(f，b)代表巴氏距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471450.8A CN116597029B (zh) | 2023-04-27 | 2023-04-27 | 一种针对色盲的图像重着色方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471450.8A CN116597029B (zh) | 2023-04-27 | 2023-04-27 | 一种针对色盲的图像重着色方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597029A CN116597029A (zh) | 2023-08-15 |
| CN116597029B true CN116597029B (zh) | 2024-03-05 |
Family
ID=87603672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310471450.8A Active CN116597029B (zh) | 2023-04-27 | 2023-04-27 | 一种针对色盲的图像重着色方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597029B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289840A (zh) * | 2011-06-18 | 2011-12-21 | 浙江大学 | 面向色盲设计颜色传输函数用于体绘制的方法 |
| KR20190030952A (ko) * | 2017-09-15 | 2019-03-25 | 전자부품연구원 | 팔레트 기반 영상 재채색 방법 및 장치 |
| 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 |
| CN113129390A (zh) * | 2020-01-10 | 2021-07-16 | 山东工商学院 | 一种基于联合显著性的色盲图像重新着色方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8977051B2 (en) * | 2013-03-15 | 2015-03-10 | Show Chwan Memorial Hospital | Image enhancement method for improving color perception of colorblind viewers |
-
2023
- 2023-04-27 CN CN202310471450.8A patent/CN116597029B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289840A (zh) * | 2011-06-18 | 2011-12-21 | 浙江大学 | 面向色盲设计颜色传输函数用于体绘制的方法 |
| KR20190030952A (ko) * | 2017-09-15 | 2019-03-25 | 전자부품연구원 | 팔레트 기반 영상 재채색 방법 및 장치 |
| 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 |
| CN113129390A (zh) * | 2020-01-10 | 2021-07-16 | 山东工商学院 | 一种基于联合显著性的色盲图像重新着色方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Palette-based photo recoloring;Huiwen Changdeng;ACM Transactions on Graphics;20150813;第34卷(第04期);139-141 * |
| 基于调色板的自然图像重着色及其应用研究;朱璐;中国优秀硕士学位论文全文数据库;20230228(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597029A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8606731B2 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| CN109389591B (zh) | 基于彩色描述子的彩色图像质量评价方法 | |
| CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
| CN109948566A (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
| US20140294296A1 (en) | Spatially varying log-chromaticity normals for use in an image process | |
| CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
| CN112102928B (zh) | 病理图像染色风格归一化方法及装置 | |
| CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN103049754B (zh) | 社交网络的图片推荐方法和装置 | |
| CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
| CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
| Chen et al. | Dental shade matching method based on hue, saturation, value color model with machine learning and fuzzy decision | |
| CN116597029B (zh) | 一种针对色盲的图像重着色方法 | |
| CN116543414A (zh) | 多模型融合的舌质颜色分类及舌质红度和紫度量化方法 | |
| CN115861213A (zh) | 一种重叠烟丝掩膜图像的区域获取与面积的确认方法 | |
| CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
| CA2939304C (en) | A pixel-based universal image info extraction models and process flow | |
| CN115018820A (zh) | 基于纹理加强的乳腺癌多分类方法 | |
| CN114972849A (zh) | 胶质瘤的类型识别方法、模型训练方法、装置、设备 | |
| US8849018B2 (en) | Log-chromaticity clustering pipeline for use in an image process | |
| US8842907B2 (en) | Method for performing a multi-clustering merge for use in an image process | |
| CN114511567B (zh) | 舌体与舌苔图像识别分离方法 |
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 |