[发明专利]基于分块特征交互图像色彩编辑方法、数字图像处理系统

说明书

本发明属于计算摄影学、计算机图形学和数字图像处理技术领域，公开了一种基于分块特征交互图像色彩编辑方法、数字图像处理系统。将图像分块，以图像块在LUV坐标基下，UV与L存在线性关系且在小的分块内UV与L存在相同的线性关系系数。线性关系系数作为分块图像的特征建立图像色彩扩散优化模型；利用图像变换前后内容的结构不变性，通过LLE简化优化模型；利用稀疏线性代数方程组进行求解。本发明利用局部分块图像，亮度信号与色彩信号之间的线性关系，构建了图像的色彩扩散模型。将亮度与色彩的线性系数作为分块图像特征进行建模，完整保留图像内容。同时由于分块特征表示某一区域，模型具有较好的鲁棒性。

技术领域

本发明属于计算摄影学、计算机图形学和数字图像处理技术领域，尤其涉 及一种基于分块特征交互图像色彩编辑方法、数字图像处理系统。

背景技术

目前，业内常用的现有技术是这样的：近年来，计算摄影学作为计算机图 形学与数字图像处理的交叉学科成为研究热点，其在学术界与工业界均有广泛 应用。图像的色彩编辑作为计算摄影学的重要研究方向，各国学者目前主要从 三个方面对其进行研究。首先，利用学习的方法，从海量图像库中学习色彩规 律，进而将此规律应用于待处理图像；这类方法主要得益于近年来深度学习的 发展。Larsson.G利用卷积网络将图像的亮度作为输入，生成超列，进一步分解 出图像的色度与饱和度，进而实现图像的色彩渲染；利用放弃maxpolling层的 卷积神经网络，进行学习。其设计的网络结构类似于自编码网络，中间层神经 元个数较少而两端较多。在图像的LAB坐标基下工作，将亮度矩阵L作为输入， 原始图像作为输出完成色彩学习；分别提取了图像数据的局部特征与全局特征 作为输入进行学习，并设计了特征融合器作为神经网络的一部分实现图像色彩 渲染；但这类方法的主要缺点为，无法按照用户的意愿改变图像的色彩，而且 所需的训练数据极大，如果训练数据的类型与待处理图像不属于同类，则此类 算法的效果不理想。其次是利用某一张图像的风格色彩去渲染待处理图像；将 输入图像与参考图像转变到LAB坐标基下，分别计算图像色彩的均值与标准差； 然后利用参考图像色彩的均值与输入图像的标准差产生输出图像，则输出图像 为参考图像色彩下的输入图像内容；对参考图像的要求较高，一般情况下难以 找到符合用户需要的参考图像。第三类方法是用户交互下的图像色彩编辑方法， 这类方法需要用户在输入图像上进行标记，进而将用户的标记色彩扩散到整张 图像。将图像转变到LUV坐标基下，并认为图像的色彩与亮度存在线性关系， 进而将图像分块，在分块内色彩与亮度具有相同的线性关系系数；以此为基础 构建了优化模型进行求解，实现图像色彩的扩散。定义图像的几何内蕴距离作 为图像色彩扩散的依据，实现图像色彩编辑，但是这种方法使得图像色彩扩散 距离较短且无方向性。对图像做超像素分割并提取每个超像素中心作为重采样 样本，计算其与每种编辑模式的相似度，如果与某种编辑模式相似度绝对占优， 则该样本的编辑模式直接确定。对于待定样本，依照相邻相似样本服从相同编 辑模式的思想来判断其归属；然后将重采样样本的颜色编辑遵循相似颜色编辑 后仍相似的原则采用增量的方式扩散到整幅图像。在图像的LAB坐标基下工作， 建立了保持图像结构的优化模型；在求解过程中，利用像素邻域内的的线性表 达进行了低秩的重采样，减小了运算量。

综上所述，现有技术存在的问题是：第一类方法是利用学习的方法，从海 量图像库中学习色彩规律，进而将此规律应用于待处理图像，这类方法的主要 缺点是无法按照用户的意愿改变图像的色彩，而且所需的训练数据极大，如果 训练数据的类型与待处理图像不属于同类，则此类算法的效果不理想；第二类 方法是利用某一张图像的风格色彩去渲染待处理图像，这类方法对参考图像的 要求较高，一般情况下难以找到符合用户需要的参考图像；第三类方法用户交 互下的图像色彩编辑方法，这类方法需要用户在输入图像上进行标记，进而将 用户的标记色彩扩散到整张图像，现有交互式图像色彩编辑对交互采样数据量 要求较高。