一种基于分类学的相似图像彩色化处理方法

摘要

本发明公开了一种基于分类学的相似图像彩色化处理方法，包括以下步骤：收集样本图像，然后提取图像灰度共生矩阵属性利用AP算法将这些样本图像分为5个类，分别计算目标图像和参照图像的超像素，然后从参照图像迁移色彩到目标图像，之后根据图像空间的连续性对超像素颜色进行校正，最后利用算法进行颜色传播，完成彩色化。本发明考虑到图像全局属性对图像的影响，提取图像灰度共生矩阵属性对超像素匹配函数的参数进行分类学，这样对于具有不同构图的图像就有不同的参数函数作超像素的匹配，提高了我们方法对图像的通用性，而且在匹配之后，可以在超像素级别上进行区域生长算法分割，在区域内进行颜色修正。

主权项

一种基于分类学习的相似图像彩色化处理方法，依次包括以下步骤：a)在网络上收集多组样本图像，对于每一组图像，取其中一张作为参照图像，而对另一张灰度化后的图像作为要着色的目标图像，同时添加没有灰度化的原图像作为正确着色方案，然后提取目标图像的灰度共生矩阵，利用AP算法将上述多组样本图像分为5类；b)使用基于几何流的超像素算法，分别对目标图像和参照图像提取超像素，目标图像和参照图像的每一个超像素包括亮度值、标准差、Gabor和SURF四个特征；c)为了得到图像提取的超像素的亮度值、标准差、Gabor和SURF四个特征的最优化线性组合，通过权重学习来寻找一组最优权重使得误差函数Err达到最小，我们定义每一组图像的匹配误差为：其中，O是原图像，R是参照图像，I是标记有超像素颜色的目标图像，O_s表示原图像第s个超像素所对应的颜色值，I_s表示目标图像第s个超像素通过颜色迁移得到的颜色值，而每一类的总误差是该类内所有图像误差综合：其中，n表示该类中的样本数量，我们使用Levenberg‑Marquardt优化算法对误差函数Err求最小值，最后到最优权重d)对b)步骤中提取的的超像素，在参照图像的超像素中寻找与目标图像超像素一致的超像素，采用欧氏距离作为超像素之间相似度的度量，首先对所有超像素的亮度值、标准差、Gabor和SURF四个特征进行标准化处理，然后对每一个特征计算其对应的欧式距离，将每一个特征的欧式距离乘以该特征的权重，最后四个特征的加权欧氏距离作为超像素间的相似度度量Dist，Dist越小说明超像素越相似，计算方法如下：DiSt(t_i，r_j)＝w₁E₁(t_i，r_j)+w₂E₂(t_i，r_j)+w₃E₃(t_i，r_j)+w₄E₄(t_i,r_j)，其中，t_i和r_j分别表示目标图像的超像素和参照图像的超像素，E₁，E₂，E₃和E₄ 分别是亮度值、标准差、Gabor和SURF所对应的欧式距离，而w₁，w₂，w₃和w₄则分别表示亮度值、标准差、Gabor和SURF所对应的相似度权重，根据图像灰度共生矩阵属性判断类别，选择该类所对应的权重，权重值由c)步骤中描述的学习算法获得，目标图像超像素t_i所匹配的超像素r_j是使得Dist最小的参照图像超像素，即：B＝argmin_jDist(t_i，r_j)r_j∈R，其中R表示参考图像所有超像素，然后将r_j中的颜色值作为t_i所对应的初始颜色值；e)在色彩匹配迁移的过程中还是会产生小部分的匹配错误，可以根据图像空间的连续性对超像素颜色进行校正，最后通过最优化颜色插值算法将超像素颜色传播到目标图像的每一个像素上，完成目标图像的彩色化，最优化颜色插值算法基于一个简单的假定：相邻的像素之间如果有相似的灰度值，那么就会有相似的颜色值，利用这一假定，图像颜色扩散的过程转化为一个全局优化求解的过程，设定最小化目标：J(u)＝∑_r(u(r)‑∑_{s∈N(r)s≠r}w_rsu(s))²，其中u(r)，u(s)表示是像素的颜色值，N(r)表示r的邻域，w_rs是r，s间依据亮度值确定的权值，满足：Y(s)，Y(r)是像素亮度，是r邻域内亮度方差，邻域外像素与邻域中心像素间的权值为0。