CN116912080A - 一种基于纹理特征的图像色彩迁移方法和装置 - Google Patents
一种基于纹理特征的图像色彩迁移方法和装置 Download PDFInfo
- Publication number
- CN116912080A CN116912080A CN202310672127.7A CN202310672127A CN116912080A CN 116912080 A CN116912080 A CN 116912080A CN 202310672127 A CN202310672127 A CN 202310672127A CN 116912080 A CN116912080 A CN 116912080A
- Authority
- CN
- China
- Prior art keywords
- image
- source image
- brightness
- prediction model
- pixel
- 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
Links
- 238000013508 migration Methods 0.000 title claims abstract description 35
- 230000005012 migration Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于纹理特征的图像色彩迁移方法和装置，方法包括获取源图像和参考图像；将源图像和参考图像转换到lαβ色彩空间；对源图像的亮度直方图进行调整；对调整后的源图像和参考图像分别计算纹理特征；利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型；利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；完成参考图像到源图像的色彩迁移。本发明取得了良好的色彩迁移效果。
Description
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种基于纹理特征的图像色彩迁移方法和装置。
背景技术
图像能够被转换为可以被计算机识别的信号并进行一系列的处理，常见的手段包括图像的增强、还原、以及图像的分割等，这个过程被称之为数字图像处理。
图像色彩迁移是数字图像处理技术的其中一个研究方向，它实际上解决的是这样一个问题：对于两幅图像A和B，其中图像A包含了我们所需要的形状等内容信息，称之为源图像；图像B包含了我们所需要的色彩信息，称之为参考图像。图像色彩迁移就是希望通过一系列的技术手段，在不对图像A所表达的内容造成改变的前提下，对图像B整体的颜色分布、颜色风格进行学习，得到一幅同时具有图像A的内容信息和图像B的颜色信息的新图像。
图像色彩迁移的概念于2002年首次由Reinhard等人在论文中提出。在论文中，他们基于Ruderman提出的lαβ色彩空间设计了一种简单的色彩迁移算法，通过让源图像与参考图像在lαβ色彩空间三通道上具有相同的低阶全局统计量以实现参考图像到源图像的色彩迁移。
由于Reinhard算法需要对源图像的lαβ通道进行修改，而灰度图像不具有α和β通道，因此Reinhard算法无法实现对灰度图像进行着色。Welsh等人设计了一种灰度图像自动着色算法。他们对源图像和参考图像的每个像素计算了一个描述符，用以刻画像素点的纹理，对彩色图像和灰度图像间有最相近描述符的像素点进行匹配和颜色信息传输。上述Reinhard算法只利用了图像的全局统计量以及Welsh算法对纹理的刻画过于粗糙，导致色彩迁移的效果不理想。
现有技术公开了一种基于聚类分析的PCB图像色彩迁移装置及方法，其中，该装置包括：图像采集模块获取源图像和目标图像；RGB彩图获取模块分别获取从源图像和目标图像变换RGB彩图；颜色空间变换模块将RGB彩图转换为LAB彩图；颜色聚类模块设置并利用颜色簇数对LAB彩图进行聚类生成颜色簇类别列表；颜色簇匹配模块将源图像和目标图像的列表进行PCB二分图匹配，得到匹配结果；颜色映射模块根据匹配结果计算变换矩阵，根据该矩阵将LAB彩图映射到新颜色；颜色空间逆变换模块将映射后的颜色转换为RGB彩色迁移后的图像。该方法同样对图像纹理特征的刻画过于粗糙，色彩迁移的效果不理想。
发明内容
本发明提供一种基于纹理特征的图像色彩迁移方法，克服了Reinhard算法只利用了图像的全局统计量以及Welsh算法对纹理的刻画过于粗糙的问题。
为解决上述技术问题，本发明的技术方案如下：
一种基于纹理特征的图像色彩迁移方法，包括以下步骤：
S1：获取源图像和参考图像；
S2：将所述源图像和参考图像转换到lαβ色彩空间；
S3：对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
S4：对经步骤S3调整后的源图像和参考图像分别计算纹理特征；
S5：利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
S6：利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
S7：利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
S8：完成参考图像到源图像的色彩迁移。
lαβ色彩空间是把光线的波长变换成亮度与色相的描述色彩数据的模型，l是亮度分量，α是黄蓝相关颜色通道，β是红绿相关颜色通道。其中α、β的取值范围如下：0≤l≤100，-128≤α、β≤127，当l＝100时图像是白色，l＝0时图像是黑色。在lαβ色彩空间中里，l、α、β各个通道的值为对数空间的值，通道之间较强的相关性通过这种方式能够得以消除，并且图像的灰度信息和颜色信息也能得到不错的分离效果，所以可以实现对l、α、β通道单独的运算，这样就简化了运算。
优选地，步骤S3中对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
优选地，步骤S4中所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
优选地，所述第一预测模型为XGBoost模型。
优选地，所述第二预测模型为XGBoost模型。
本发明还提供一种基于纹理特征的图像色彩迁移装置，包括：
获取模块，所述获取模块获取源图像和参考图像；
转换模块，所述转换模块将所述源图像和参考图像转换到lαβ色彩空间；
亮度调整模块，所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
纹理特征计算模块，所述纹理特征计算模块对经亮度调整模块调整后的源图像和参考图像分别计算纹理特征；
数据集模块，所述数据集模块利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
训练模块，所述训练模块利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
预测模块，所述预测模块利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
输出模块，所述输出模块完成参考图像到源图像的色彩迁移。
优选地，所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
优选地，所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
优选地，所述第一预测模型为XGBoost模型。
优选地，所述第二预测模型为XGBoost模型。
与现有技术相比，本发明技术方案的有益效果是：
本发明计算源图像和参考图像的纹理特征，利用纹理特征分别训练预测α通道的取值的第一预测模型和用于预测β通道的取值的第二预测模型，解决了Reinhard算法只利用了图像的全局统计量以及Welsh算法对纹理的刻画过于粗糙的问题。
附图说明
图1为本发明的方法流程示意图。
图2为实施例提供的使用本发明方法进行色彩迁移的示例图。
图3为本发明的系统模块示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于纹理特征的图像色彩迁移方法，其特征在于，包括以下步骤：
S1：获取源图像和参考图像；
S2：将所述源图像和参考图像转换到lαβ色彩空间；
S3：对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
S4：对经步骤S3调整后的源图像和参考图像分别计算纹理特征；
S5：利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
S6：利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
S7：利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
S8：完成参考图像到源图像的色彩迁移。
lαβ色彩空间是把光线的波长变换成亮度与色相的描述色彩数据的模型，l是亮度分量，α是黄蓝相关颜色通道，β是红绿相关颜色通道。其中α、β的取值范围如下：0≤l≤100，-128≤α、β≤127，当l＝100时图像是白色，l＝0时图像是黑色。在lαβ色彩空间中里，l、α、β各个通道的值为对数空间的值，通道之间较强的相关性通过这种方式能够得以消除，并且图像的灰度信息和颜色信息也能得到不错的分离效果，所以可以实现对l、α、β通道单独的运算，这样就简化了运算。
实施例2
本实施例在实施例1的基础上，继续公开以下内容：
步骤S3中对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
步骤S4中所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
所述第一预测模型为XGBoost模型。
所述第二预测模型为XGBoost模型。
如图2所示，可以看到参考图像的色彩很好的迁移到源图像上。
实施例3
本实施例提供一种基于纹理特征的图像色彩迁移装置，如图3所示，包括：
获取模块，所述获取模块获取源图像和参考图像；
转换模块，所述转换模块将所述源图像和参考图像转换到lαβ色彩空间；
亮度调整模块，所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
纹理特征计算模块，所述纹理特征计算模块对经亮度调整模块调整后的源图像和参考图像分别计算纹理特征；
数据集模块，所述数据集模块利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
训练模块，所述训练模块利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
预测模块，所述预测模块利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
输出模块，所述输出模块完成参考图像到源图像的色彩迁移。
所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
所述第一预测模型为XGBoost模型。
所述第二预测模型为XGBoost模型。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于纹理特征的图像色彩迁移方法，其特征在于，包括以下步骤：
S1：获取源图像和参考图像；
S2：将所述源图像和参考图像转换到lαβ色彩空间；
S3：对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
S4：对经步骤S3调整后的源图像和参考图像分别计算纹理特征；
S5：利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
S6：利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
S7：利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
S8：完成参考图像到源图像的色彩迁移。
2.根据权利要求1所述的基于纹理特征的图像色彩迁移方法，其特征在于，步骤S3中对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
3.根据权利要求1所述的基于纹理特征的图像色彩迁移方法，其特征在于，步骤S4中所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
4.根据权利要求1所述的基于纹理特征的图像色彩迁移方法，其特征在于，所述第一预测模型为XGBoost模型。
5.根据权利要求1所述的基于纹理特征的图像色彩迁移方法，其特征在于，所述第二预测模型为XGBoost模型。
6.一种基于纹理特征的图像色彩迁移装置，其特征在于，包括：
获取模块，所述获取模块获取源图像和参考图像；
转换模块，所述转换模块将所述源图像和参考图像转换到lαβ色彩空间；
亮度调整模块，所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内；
纹理特征计算模块，所述纹理特征计算模块对经亮度调整模块调整后的源图像和参考图像分别计算纹理特征；
数据集模块，所述数据集模块利用源图像的纹理特征和参考图像的纹理特征分别形成训练集和预测集；
训练模块，所述训练模块利用源图像的纹理特征形成的训练集和参考图像的纹理特征的训练集，分别训练第一预测模型和第二预测模型，得到训练好的第一预测模型和第二预测模型，其中，所述第一预测模型用于预测α通道的取值，所述第二预测模型用于预测β通道的取值；
预测模块，所述预测模块利用源图像的纹理特征形成的预测集，利用训练好的第一预测模型预测α通道的取值，训练好的第二预测模型预测β通道的取值；
输出模块，所述输出模块完成参考图像到源图像的色彩迁移。
7.根据权利要求6所述的基于纹理特征的图像色彩迁移装置，其特征在于，所述亮度调整模块对所述源图像的亮度直方图进行调整使得所述源图像的亮度和所述参考图像的亮度在同一范围内，具体为：
式中，为源图像调整后的亮度，ls和lr分别表示源图像和参考图像的原始亮度，max(lr)为参考图像中的亮度最大值，min(lr)为参考图像中的亮度最小值，max(ls)为源图像中的亮度最大值，min(ls)为源图像中的亮度最小值。
8.根据权利要求6所述的基于纹理特征的图像色彩迁移装置，其特征在于，所述纹理特征包括计算源图像和参考图像中每一个像素点的以下特征：
该像素点的亮度l、该像素点在X轴方向上的梯度gx、该像素点在Y轴方向上的梯度gy、该像素点在X轴方向上的二阶导数gxx、该像素点在Y轴方向上的二阶导数gyy、该像素点在X轴Y轴方向上的二阶导数gxy、该像素点邻域内像素亮度的均值μ、该像素点邻域内像素亮度的标准差σ、该像素点邻域内像素亮度的偏度skewness、该像素点邻域内像素亮度的峰度kurtosis。
9.根据权利要求6所述的基于纹理特征的图像色彩迁移装置，其特征在于，所述第一预测模型为XGBoost模型。
10.根据权利要求6所述的基于纹理特征的图像色彩迁移装置，其特征在于，所述第二预测模型为XGBoost模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672127.7A CN116912080A (zh) | 2023-06-07 | 2023-06-07 | 一种基于纹理特征的图像色彩迁移方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672127.7A CN116912080A (zh) | 2023-06-07 | 2023-06-07 | 一种基于纹理特征的图像色彩迁移方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116912080A true CN116912080A (zh) | 2023-10-20 |
Family
ID=88351903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310672127.7A Pending CN116912080A (zh) | 2023-06-07 | 2023-06-07 | 一种基于纹理特征的图像色彩迁移方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912080A (zh) |
-
2023
- 2023-06-07 CN CN202310672127.7A patent/CN116912080A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI406180B (zh) | 用於產生具有多重前景平面之高度壓縮影像資料檔案的系統及方法 | |
| CN102857674B (zh) | 利用对扩展rgb空间的色调映射处理高动态范围图像的方法 | |
| CN110728722B (zh) | 图像颜色迁移方法、装置、计算机设备和存储介质 | |
| CN111476831B (zh) | 基于聚类分析的pcb图像色彩迁移装置及方法 | |
| CN112614060A (zh) | 人脸图像头发渲染方法、装置、电子设备和介质 | |
| CN109147005B (zh) | 一种用于红外图像的自适应染色方法、系统、存储介质、终端 | |
| CN109801233B (zh) | 一种适用于真彩色遥感图像的增强方法 | |
| CN109658367B (zh) | 基于彩色传递的图像融合方法 | |
| CN103617596A (zh) | 一种基于流型转换的图像色彩风格变换方法 | |
| CN108711142B (zh) | 图像处理方法及图像处理装置 | |
| WO2016165076A1 (en) | Method and system for image enhancement | |
| CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
| CN110766636B (zh) | 一种用于ai芯片的智能图像处理方法 | |
| CN115482160A (zh) | 基于深度卷积神经网络的舌色校正方法 | |
| JP2003216942A (ja) | 画像カラー校正の装置と方法 | |
| KR102552747B1 (ko) | 역 톤 매핑 방법 | |
| CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
| CN116912080A (zh) | 一种基于纹理特征的图像色彩迁移方法和装置 | |
| CN110298365B (zh) | 一种基于人眼视觉的主题色提取方法 | |
| CN116489330A (zh) | 一种自适应白平衡方法、装置、电子设备及存储介质 | |
| WO2023040431A1 (zh) | 一种色调映射方法、设备及系统 | |
| US8750648B2 (en) | Image processing apparatus and method of processing image | |
| CN112598570A (zh) | 一种Banner背景自适应色彩迁移方法与系统 | |
| CN114782688A (zh) | 一种基于张量子空间聚类的自然图像分割方法和系统 | |
| WO2021147316A1 (zh) | 物体识别方法及装置 |
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 |