[发明专利]基于L0正则项的可逆灰度图算法、计算设备

说明书

本发明公开了一种基于L0正则项的可逆灰度图算法、计算设备，算法首先获取数据集，数据集中具有多张彩色图像；设计编码器和解码器；然后利用编码器将每张彩色图像的色彩信息编码到残差图，其中，在编码器的末端利用L0正则化层对残差图进行稀疏度约束，得到稀疏化的残差图；选取每张彩色图像在CIE Lab颜色空间的L通道灰度图进行有损压缩，得到占用较小存储空间的参考灰度图；再针对每张彩色图像，利用解码器将稀疏化的残差图与参考灰度图相结合，生成与原彩色图像近似的可逆灰度图，可逆灰度图上色后即得与原彩色图像基本相同的还原图像。本发明实现了图像的可靠去色与图像的高质量还原上色。

技术领域

本发明涉及图像上色和图像去色技术领域，特别涉及一种基于L0正则项的可逆灰度图算法、计算设备。

背景技术

彩色图转换为灰度图，在美学艺术，黑白图片打印等方面有着重要应用。然而，通过现有去色方法得到的灰度图片，因为通道削减(Channel Reduction)的原因，损失了重要的彩色信息，所以不能被很好地还原回相应的彩色图片。与此同时，已有的上色方法，数据驱动(Data-Driven)上色法或者外加提示(External Hints)上色法，都不能产生视觉可信的上色结果。数据驱动上色法是直接用神经网络拟合灰度图到彩色图的映射函数(MappingFunction)，由于上色是个一对多问题，即对一张灰度图，可以有不同的上色结果，就像一个人的衣服可以是红色，也可以是蓝色，因此数据驱动上色法会导致上色不准确，颜色过于平均。而对于外加提示上色法，由于外部的提示过于稀疏(Sparsity)而导致上色不够准确，因此也不能实现较好的上色。

以上方法的效果差，原因在于对灰度图进行上色本质上是一个一对多的映射问题，因此诸多上色方法都不能对灰度图进行可靠上色，即将灰度图恢复成初始的彩色效果。为了解决这一问题，有人提出了可逆灰度图的方案，将彩色信息通过设计好的编码器编码进可逆灰度图中，然后使用设计好的解码器将可逆灰度图中彩色编码信息及上下文的灰度信息综合考虑后，实现对彩色信息的可靠还原。但是当这个可逆灰度图被编码进相当多的彩色信息后，由于图片的大小问题，可逆灰度图并不适合用作实际的存储和传输。这是因为生成的灰度图必须存储在位图中，因此不能与现有的有损压缩算法兼容，如果使用现有的有损压缩算法将编码器输出的灰度图压缩，虽然减小了灰度图的大小，但是存储于可逆灰度图中的彩色信息却也被损坏了，这将导致色彩扭曲，产生错误的上色结果。另一方面，因为已有的有损压缩算法是不可微的，所以也不能直接将压缩算法添加进模型的训练过程中进行训练。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于L0正则项的可逆灰度图算法，该算法实现了图像的可靠去色与图像的高质量还原上色。

本发明的第二目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于L0正则项的可逆灰度图算法，步骤如下：

S1、获取数据集，数据集中具有多张彩色图像；

S2、设计编码器和解码器；

S3、利用编码器将每张彩色图像的色彩信息编码到残差图，其中，在编码器的末端利用L0正则化层对残差图进行稀疏度约束，得到稀疏化的残差图；

选取每张彩色图像在CIE Lab颜色空间的L通道灰度图进行有损压缩，得到占用较小存储空间的参考灰度图；

S4、对于每张彩色图像，利用解码器将稀疏化的残差图与参考灰度图相结合，生成与原彩色图像近似的可逆灰度图，可逆灰度图上色后即得与原彩色图像基本相同的还原图像。

优选的，编码器为深度神经网络，其网络结构包括依次连接的两个步长为1的卷积层、两个步长为2的卷积层、九个残差层、不多于两个的反卷积层和L0正则化层；

步长为1的卷积层用于浅层特征提取；步长为2的卷积层用于下采样去除冗余信息；残差层用于深度提取色彩特征；