基于Reinhard算法的局部色彩迁移改进算法

来源:用户上传      作者:

　　摘  要：色彩迁移是指对于源图像和参考图像进行操作，使合成的新图像保留源图像的整体特征和参考图像的颜色信息。Reinhard是一种经典的可实现图像的色彩迁移的算法，能够较好地处理整体轮廓比较清晰，色彩搭配较为简单的图像，但是对于局部颜色迁移，它不能很好地保留图像的细节信息，因此文章在Reinhard算法的基础上，提出并分析了一种基于lαβ颜色空间的局部色彩迁移改进算法。
　　关键词：颜色迁移;图像处理;颜色空间
　　中图分类号：TP391.4        文献标志码：A         文章编号：2095-2945（2020）11-0033-03
　　Abstract： Color transfer refers to the operation of the source image and the reference image so that the synthesized new image retains the overall characteristics of the source image and the color information of the reference image. Reinhard is a classic color migration algorithm which can realize image， can better handle the overall outline clearer， color collocation is relatively simple image， but for local color migration， it can't well reserve the detail of the image information， so this article on the basis of Reinhard algorithm， is proposed and analyzed a l alpha beta color space based on the local color migration algorithm.
　　Keywords： color transfer; image processing; color space
　　1 概述
　　图像的颜色迁移是图像处理中一门新兴的热门技术，通过图像之间色彩的傳输，可以合成具有不同色彩效果的图像，满足人们的不同需求。对于灰度图像的色彩迁移，不仅可以提高其观赏性、艺术性，提高其社会价值、商业意义，例如对大量黑白图片、海报、工业设计稿件等，还可以应用到医学、遥感及其他学科领域中，通过色彩传输来突出要探测的目标区域，便于进一步地诊断、识别等。
　　传统的灰度图像色彩迁移算法，如Reinhard算法，对于局部颜色迁移，不能很好的保留原始图像的细节信息，因此，本文提出一种基于Reinhard算法的局部色彩迁移改进算法，将具有强关联性的RGB颜色空间模型，转化到具有正交基的lαβ颜色空间上，通过加入新的局部参考图像和源图像信息，引入新的局部标准差比值因子，实现保持细节的颜色迁移，得到一幅具有全新色彩的自然的新图像。
　　2 色彩空间模型概述
　　2.1 RGB色彩空间
　　RGB空间是一种应用最为广泛的颜色空间模型，它以R，G，B三种最基本的颜色作为三基色，构成一个立方体模型，三种颜色的混合比例不同，所得到的颜色也不同，在RGB空间中，任意色光F都能RGB三种分量的不同混合叠加而形成。RGB模型简单直观，但是RGB三种基色高度相关，如果任一基色发生改变，那么它所构成的颜色在很大程度上也要发生改变。
　　2.2 lαβ色彩空间
　　lαβ色彩空间是Ruderman提出的一种新的色彩空间，它改进了RGB模型的强相关性，其中 l表示非色彩通道，α表示彩色的黄-蓝通道，β表示红-绿通道。由于三种通道之间相关性较小，可以通过不同的方法对此色彩通道进行运算，干扰性较小，利用此色彩空间实现颜色迁移，可以得到比较好地效果。
　　3 Reinhard算法
　　Reinhard算法是基于图像的标准差、均值等信息，对目标图像进行色彩校正，让目标区域具有与参考区域相同的均值和标准差。而这一方法的实现主要建立于RGB空间、LMS空间和lαβ空间的相互转化，通过统计lαβ空间上的均值、标准差和梯度等信息，设置合理的转化规则，将原图像和目标图像融合成一个具有新的色彩细节特征的新图像。
　　3.1 色彩空间的转换
　　将RGB空间通过过渡矩阵转换到LMS空间，然后用L=log L，M=log M，S=log S来代替原LMS[1]，通过自适应矩阵将LMS变换成一组正交基消除强相关性，从而使RGB空间变换到lαβ空间。
　　在将RGB空间转化成LMS空间时，利用式（1）
　　LMS=0.3811  0.5783  0.04020.1967  0.7244  0.07820.0241  0.1288  0.8444RGB（1）
　　进行转化，用L=log L，M=log M，S=log S来代替原L，M，S的值。
　　然后，让每个频带的值分别减去其平均灰度值，即等价于把LMS坐标系的中心移至其分布的中心，并求出LMS的自相关矩阵R[2]，然后通过统计出自相关矩阵的特征值λ1，λ2，λ3和特征向量e1，e2，e3，得到特征值矩阵T，利用Рi=λi1/2еi求出负载因子矩阵P，C=PT-1即为LMS和lαβ之间的过渡矩阵[3] 　　 完成计算迁移后，将lαβ空间重新转化到RGB空间，首先利用公式
　　 转化到LMS空间，再用L=10L，M=10M，S=10S代替为原LMS的值，最后通过
　　RGB=4.4679  -3.5873  0.1193-1.2186  2.3809 -0.16240.0497 -0.2439  1.2045LMS（4）
　　 转化到RGB空间。
　　 3.2 Reinhard算法实现
　　计算出变换后的均值。式中X表示lαβ空间中的某一颜色通道，Xt是目标区域中的某一像素点在lαβ空间中X通道的值，X*是对应的变换后的值，t是目标区域X通道的整体均值，是目标区域X通道的整体标准差，？是参考区域X通道的整体均值，r是参考区域X通道的整体标准差[4]。所得到的新图像便具有参考图像的均值和标准差信息，达到与参考图像色彩相似的目的。
　　4 基于局部纹理特征的Reinhard算法改进
　　观察式（5）可知，对于特殊情况参考图像标准差和源图像标准差相同，即比值为1时，为完全保持细节的颜色迁移[4]，但是对于兼顾色彩和细节的颜色迁移，由于Reinhard算法只考虑了图像的整体色彩，对于具有较为复杂的颜色搭配和细节信息的图像，Reinhard算法的效果并不明显，通过分析Reinhard算法实现的原理可知，Reinhard算法注重整体颜色基调迁移，但是忽略了图像小区域内像素之间的关联性，所以很有可能修改了图像的纹理信息的细节效果，而实际上二维空间上像素的颜色值是以某种分布存在的，并且某个确定的像素的颜色值只与它周围的某个邻域相关而不受邻域之外的颜色值影响[5]，于是在把源图像和参考图像的RGB都转化为lαβ后，lαβ的三个分量值仍然受到邻域内分量值本身的影响。
　　于是，本改进算法在Reinhard算法流程的基础上，通过色彩通道的变换和标准差，均值的统计，同时引入新的局部标准差比值因子，加入局部参考图像和源图像信息，设计一种新的表示方法
　　其中？局部参考区域在lαβ空间中X通道的标准差，表示局部目标区域在lαβ空间中X通道的标准差。
　　 观察式（6）可知，对比经典的Reinhard算法，通过由用户自主选择c1 c2的比重，可得到兼顾色彩和细节的新图像，其中c1+c2=1，本文中所描述的保持细节的改进算法，由用户事先截取指定区域存为新的局部参考图像和源图像。
　　5 实验操作结果及分析
　　为了更好地体现各类图像运用保持细节的局部色彩迁移改进算法的适用性，所以选择灰阶过渡细腻类、局部高光属性类[6]，对比Reinhard算法进行分析。
　　5.1 灰阶过渡细腻类源图像的实验结果分析
　　由图1（c）可见，通过Reinhard算法所合成的新图像，对比源图像，色彩发生了较大的改变，但是观察天空颜色，对比参考图像，色彩产生失真。而观察图1（d）（e）（f）改进算法所得到的新图像可看出，对比天空位置的图片颜色和纹理，随着c2的不断增大，加入的局部纹理信息越多，图片的失真越小。采用该算法得到的图像，颜色过渡较为自然。
　　5.2 局部高光属性类源图像的实验结果分析
　　观察图2（c）可以看出，应用Reinhard算法所得到的新图像产生较为严重的失真，在阳光周围产生光圈噪声干扰，而观察图2（d）（e）（f）运用局部纹理特征改进算法，选取局部源图像和目标图像，随着c1和c2比值的减小，所产生的噪声失真减小，由（f）可见，已经形成了一个较为自然的，风格全新的新图像，营造了一个从水下观察树叶和阳光，并且有若隐若现光圈的感觉，效果较为满意，但是整体颜色效果不够清晰。
　　6 结束语
　　本文通过分析Reinhard算法实现的原理和过程，提出了一种具有局部纹理特征的改进算法，通过实验操作结果可以发现，对于文中分析的两类图像的处理，本文所提出的改进算法对于灰阶过渡细腻类图像的处理效果较好，局部高反差类图像的处理效果略差。但是相对于经典的Reinhard算法来说，改进算法均要有更好地處理效果。而对于改进算法的不足之处，日后应该在文中所提出算法的基础上，弥补不足，加以改进，寻求更加有效的色彩迁移处理算法。
　　参考文献：
　　[1]陈小娥.两种色彩传递算法适用情况研究[J].计算机应用与软件，2011，28（09）：251-254.
　　[2]胡良梅.基于信息融合的图像理解方法研究[D].合肥工业大学，2006.
　　[3]胡国飞，傅健，彭群生.自适应颜色迁移[J].计算机学报，2004（09）：1245-1249.
　　[4]陈海，冯国灿.保持细节的局部颜色迁移改进算法[J].计算机科学，2013，40（S2）：301-303.
　　[5]桂斌.颜色传输算法的研究[J].微计算机信息，2010，26（05）：212-214.
　　[6]于艺铭，王琪，张琪，等.基于分通道自适应匹配的梯度保持色彩迁移算法[J].影像科学与光化学，2019，37（02）：146-155.
转载注明来源:https://www.xzbu.com/1/view-15182242.htm