一種基于分類學(xué)習(xí)的相似圖像彩色化算法
【專利摘要】本發(fā)明公開了一種基于分類學(xué)習(xí)的相似圖像彩色化算法，包括以下步驟：收集樣本圖像，然后提取圖像灰度共生矩陣屬性利用AP算法將這些樣本圖像分為5個類，分別計算目標(biāo)圖像和參照圖像的超像素，然后從參照圖像遷移色彩到目標(biāo)圖像，之后根據(jù)圖像空間的連續(xù)性對超像素顏色進行校正，最后利用算法進行顏色傳播，完成彩色化。本發(fā)明考慮到圖像全局屬性對圖像的影響，提取圖像灰度共生矩陣屬性對超像素匹配函數(shù)的參數(shù)進行分類學(xué)習(xí)，這樣對于具有不同構(gòu)圖的圖像就有不同的參數(shù)函數(shù)作超像素的匹配，提高了我們方法對圖像的通用性，而且在匹配之后，可以在超像素級別上進行區(qū)域生長算法分割，在區(qū)域內(nèi)進行顏色修正。
【專利說明】—種基于分類學(xué)習(xí)的相似圖像彩色化算法
【【技術(shù)領(lǐng)域】】
[0001]本發(fā)明涉及相似圖像彩色化算法的【技術(shù)領(lǐng)域】，特別是基于分類學(xué)習(xí)的相似圖像彩色化算法的【技術(shù)領(lǐng)域】。
【【背景技術(shù)】】
[0002]圖像彩色化的目標(biāo)是為灰度圖像增添顏色使得彩色化后的圖像有感知意義和視覺吸引力。但彩色化問題的關(guān)鍵是存在很多潛在的顏色可以分配給目標(biāo)灰度圖像的像素點(比如，葉子可以是黃色，綠色和棕色)。因此，彩色化問題是一個沒有絕對正確的解決方案的問題。
[0003]為減少潛在顏色分配的影響，人工交互在彩色化過程中扮演重要角色。交互式彩色化方法要求用戶為目標(biāo)圖像人工標(biāo)注顏色，然后通過優(yōu)化方法將人工標(biāo)注的顏色值平滑擴散到整張圖像從而完成圖像彩色化。這些技術(shù)的一個缺點是過多的人工花費，此外，著色效果依賴與用戶標(biāo)注的顏色值，而且對用戶有較高的專業(yè)要求。另一種是自動彩色化方法，這些方法需要一個與待彩色化的灰度圖像相似的彩色的參照圖像作為輸入，然后通過匹配將顏色從參照圖像遷移到目標(biāo)圖像。在多數(shù)情況下，雖然這些方法可以減少人工標(biāo)注的時間花費，但是這些方法往往需要仔細(xì)調(diào)整大量參數(shù)以獲得滿意的結(jié)果。
【
【發(fā)明內(nèi)容】
】
[0004]本發(fā)明的目的就是解決現(xiàn)有技術(shù)中的問題，提出一種基于分類學(xué)習(xí)的相似圖像彩色化算法，能夠利用圖像全局特性對超像素特征匹配時的特征權(quán)重進行分類學(xué)習(xí)，更加具有通用性，而且在匹配之后，利用圖像空間的連續(xù)性對超像素的顏色進行校正使本方法展現(xiàn)出更強水平的空間結(jié)合性。
[0005]為實現(xiàn)上述目的，本發(fā)明提出了一種基于分類學(xué)習(xí)的相似圖像彩色化算法，依次包括以下步驟:
[0006]a)在網(wǎng)絡(luò)上收集多組樣本圖像，對于每一組圖像，取其中一張作為參照圖像，而對另一張灰度化后的圖像作為要著色的目標(biāo)圖像，同時添加沒有灰度化的原圖像作為正確著色方案，然后提取目標(biāo)圖像的灰度共生矩陣，利用AP算法將上述多組樣本圖像分為5類；
[0007]b)使用基于幾何流的超像素算法，分別對目標(biāo)圖像和參照圖像提取超像素，目標(biāo)圖像和參照圖像的每一個超像素包括亮度值、標(biāo)準(zhǔn)差、Gabor和SURF四個特征；
[0008]c)為了得到圖像提取的超像素的亮度值、標(biāo)準(zhǔn)差、Gabor和SURF四個特征的最優(yōu)
化線性組合，通過權(quán)重學(xué)習(xí)來尋找一組最優(yōu)權(quán)重--Μ吏得誤差函數(shù)E Y Y達(dá)到最小，我們定
義每一組圖像的匹配誤差為
【權(quán)利要求】
1.一種基于分類學(xué)習(xí)的相似圖像彩色化算法，依次包括以下步驟: a)在網(wǎng)絡(luò)上收集多組樣本圖像，對于每一組圖像，取其中一張作為參照圖像，而對另一張灰度化后的圖像作為要著色的目標(biāo)圖像，同時添加沒有灰度化的原圖像作為正確著色方案，然后提取目標(biāo)圖像的灰度共生矩陣，利用AP算法將上述多組樣本圖像分為5類； b)使用基于幾何流的超像素算法，分別對目標(biāo)圖像和參照圖像提取超像素，目標(biāo)圖像和參照圖像的每一個超像素包括亮度值、標(biāo)準(zhǔn)差、Gabor和SURF四個特征； c)為了得到圖像提取的超像素的亮度值、標(biāo)準(zhǔn)差、Gabor和SURF四個特征的最優(yōu)化線性組合，通過權(quán)重學(xué)習(xí)來尋找一組最優(yōu)權(quán)重?7使得誤差函數(shù)E Y Y達(dá)到最小，我們定義每一組圖像的匹配誤差為:
2.如權(quán)利要求1所述的一種基于分類學(xué)習(xí)的相似圖像彩色化算法，其特征在于:所述步驟a)中采用灰度共生矩陣中四個最常用的特征指標(biāo)來表達(dá)圖像全局特性，四個最常用的特征分別是角二階矩、對比度、相關(guān)性和熵，取0°、45°、90°和135°作為不同方向的偏移參數(shù)，作其灰度共生矩陣，分別求取偏移后的灰度共生矩陣的四個最常用的特征指標(biāo)，然后對同一類特征指標(biāo)計算其均值和萬差作為最終的灰度共生矩陣的計算結(jié)果。
3.如權(quán)利要求1所述的一種基于分類學(xué)習(xí)的相似圖像彩色化算法，其特征在于:所述b)步驟通過計算屬于超像素中的像素點的均值作為表示超像素的特征值，亮度值:使用Lab顏色空間作為顏色遷移的顏色空間，提取Lab空間中的L作為每一個像素點的亮度值；標(biāo)準(zhǔn)差:考慮到像素點的鄰域空間統(tǒng)計量，采用5X5大小的像素的亮度值的標(biāo)準(zhǔn)差作為該點像素的標(biāo)準(zhǔn)差；Gabor:使用Gabor濾波器為每一個像素點提取一個40維的特征，設(shè)定8個方向和5個指數(shù)尺度；SURF:每一個像素點提取一個128維的SURF。
4.如權(quán)利要求1所述的一種基于分類學(xué)習(xí)的相似圖像彩色化算法，其特征在于:所述步驟e)中假設(shè)超像素在圖像空間中是連續(xù)的，并且超像素的亮度值和標(biāo)準(zhǔn)差兩個特性又是相近的，那么判定超像素的顏色值也是相近的，記每一個超像素中心點顏色為C，則亮度值可以表示為:L= [C1, C2,…，Cs]，其中s表示目標(biāo)圖像的超像素個數(shù)，給定一個圖G =(V, E)，其中V是超像素點，E表示超像素鄰接關(guān)系，L與C值的最小化能量公式的頂點形式為:argmir^ Σ u e ν Σ v e N(u) ωυν Cu-Cv | ,其中N(U)是超像素u的鄰接超像素集，ωυν為權(quán)重因子，ωυν = exp (-(A1 I Iu-1v I I + λ 21 I stdu-stdv |))，其中 I 是超像素売度值，std 是超像素的標(biāo)準(zhǔn)差屬性值，A1, λ 2是權(quán)衡因子。
5.如權(quán)利要求4所述的一種基于分類學(xué)習(xí)的相似圖像彩色化算法，其特征在于:所述對公式argmir^ Σ uev Σ veN(u)?uv| Cu-Cv |進行求解時,對N(u)重新定義后得到N*(U): el)對每一個超像素U， 以u的亮度I和標(biāo)準(zhǔn)差std作為鄰域增長的亮度和標(biāo)準(zhǔn)差； e2)計算u與其鄰接超像素ν的強度和標(biāo)準(zhǔn)差的歐氏距離，分別為Ι) 和若
; ,Of < Ti并且D】td < T2，則是超像素V屬于N*(u)遍歷U的所有鄰接超像素，其中，T1和T2分別是強度值和標(biāo)準(zhǔn)差的閾值； e3)若N*(u)的元素個數(shù)為0，則說明該超像素點在圖像空間上是獨立點，其色彩值只依賴局部特性，若N*(u)元素個數(shù)不為0，則對N*(u)中所有超像素的鄰接超像素作(e2)的操作，生長路徑最大為15; 對于超像素u及其用上述方法得到的鄰接超像素集N* (U)，那么這些超像素的顏色值就是相似的，那么如果存在這樣的L*= [C1；c2,…，Cs]，LM吏得對于每一個超像素及其鄰接超像素集的顏色值都分別相似，則公式argmik Σ uev Σ νεΝωωυν Cu-Cv |中的求和項收斂到其最小值，此時的為最優(yōu)解,那么求解公式argminL Σ uev Σ veN(u) ?uv| Cu-Cv |就可以轉(zhuǎn)變?yōu)榍罅钊我庖粋€超像素及其鄰接超像素集的顏色值相似的L%對于超像素u及其鄰接超像素集N* (U)，采用K-means算法把這些超像素顏色聚成兩類，選取超像素顏色數(shù)量上較多的一類去平滑另一類超像素顏色，最終實現(xiàn)對超像素顏色進行校正。
【文檔編號】G06K9/62GK103839079SQ201410100019
【公開日】2014年6月4日 申請日期:2014年3月18日 優(yōu)先權(quán)日:2014年3月18日
【發(fā)明者】蔣云良, 羅育宏, 劉勇, 范婧 申請人:浙江師范大學(xué)