用直方图回归自动灰度图像彩色化外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

用直方图回归自动灰度图像彩色化

shiguang Liu, Xiang Zhang

School of Computer Science and Technology, Tianjin University, Tianjin 300072, PR China

摘要:彩色化的目的是给灰度图像增加颜色。在没有任何先验知识下给灰度图像分配颜色是不适合、模棱两可的。以前的大多数方法需要用户干预，这使得彩色化变得困难。出于这，本文提出了一种基于直方图的回归的自动灰度图像彩色化方法。该方法需要源图像提供颜色信息。对灰度图像和源图像进行局部加权回归就可以得到2个图像的特征分布。然后，提出了一种通过寻找和调整直方图的零点来对齐特征的匹配方法。当获取了亮度与颜色对应关系后，灰度图像以加权的方式彩色化。此外，专门设计了一种新的评价方法来评估的彩色化结果的信度。各种实验结果表明了该方法的有效性。

1.引言

彩色化是一个给灰度图像或视频加彩色的计算机辅助的过程,旨在增加图像的视觉吸引力,如古老的黑白照片,经典电影或科学插图等。彩色化的任务涉及到给一个灰度图像增加彩色值。因为不同的颜色可能有相同的强度,彩色化没有精确解。目前应用的方法需要大量的用户交互来达到令人满意的结果，这使得彩色化十分繁琐。此外,很难使用之前的方法评估彩色化的结果。其中,颜色转移方法和图像类比方法被广泛使用。这些方法需要用户提供源图像来做参考图像。要被彩色化的灰度图像成为目标图像。如果源图像和目标图像的内容相似，这些方法可以得到更合理的结果。然而，那些工作繁忙没有时间的用户必须自己手工匹配源图像和目标图像。为了解决这个问题，本文提出了一种实现自动灰度图像彩色化的方法。

实现灰度图像的自动彩色化，我们引入了一种基于机器学习的方法。提供了和灰度图像具有相似内容的源图像以达到合理的结果。新图的的彩色化方法包括以下步骤。首先，对灰度图像的直方图和源图像进行局部加权回归（LWR）来分析其特征分布。然后，我们提出了一种新的方法通过找到并调整零点来匹配这些特征。在这里，零点是指用LWR方法直方图拟合曲线生成的局部极限值。匹配处理后，我们将源图像的颜色从源图像转移到灰度图像。为了评价彩色化结果的质量，最后引入着色置信度的概念。我们的方法的主要贡献可以概括如下：

●提出分析和聚类的图像直方图的局部加权回归方法。这种方法是自动并有效的。

●用发现和调整零点实现亮度颜色对应的新方法是专门设计的。

●我们给出了着色置信度的概念用来大量评估彩色化的结果。

●本方法易于实现，有处理大量图片或视频的能力。

本文的其余部分组织如下。在第二部分，介绍我们的算法的框架。第三部分给出了对相关工作简要的调查。然后我们在第四部分给出了图像局部加权回归的方法。第五部分提出了零点调整和匹配的方法。第六部分讨论了灰度图像的加权彩色化过程。第七部分介绍了彩色化的评价方法。在第八部分讨论实施和结果。本文也包括了结论和未来的工作。

2.相关工作

近年来，彩色化被广泛的研究。为了解决这个充满挑战性的任务，人们提出了各种各样的方法。然而，大多数是需要大量用户交互的半自动方法。

Gonzalez and Woods (1987) 提出了亮度键控的方法，将颜色转移给灰度图像。该方法利用用户自定义查找表指定一个颜色每个灰度值，当不同颜色在同一个强度级时，用户需要同时手动使用不同区域的亮度键，这使得过程非常繁琐。Welsh et al. (2002)介绍了一种通过匹配源图像和目标图像颜色信息将颜色从源图像转移到目标图像的彩色化方法。他的灵感来自于图像的颜色传递的方法(Reinhard et al., 2001)和图像模拟的概念(Hertzmann et al., 2001).这种方法需要用户使用色板来匹配区域。Levin et al. (2004) 介绍了一种基于空间附近的像素具有相似的灰度等级也应该有类似的颜色的前提下交互式的彩色化方法。不考虑边界和区域信息，不适当的颜色有时会从一个区域泄漏到另一个区域。Nie et al. (2007) 改进了(Levin et al., 2004)基于交互式的灰度图像彩色化方法。据悉，此方法具有与交互式彩色化方法相同的良好质量并且只有计算成本的一小部分。Nie et al. (2005) 提出了一种基于优化算法的局部相关性的灰度图像彩色化方法。然而，这种方法仅限于在不同区域的像素之间的颜色相关性的一些假设。Irony et al. (2005) 提出了通过从分段示例图像转移颜色实现灰度图像彩色化的方法。他们占了更高级别的环境中的每个像素，从而实现了更高程度的空间一致性，而不是依赖于一系列独立的像素级的决定。Yatziv and Sapiro (2006) 提出了一种利用图像和混合彩色视频的彩色化方法。该方法计算简单，有效。然而，为了实现预期的效果，它需要用户标记一些彩色的涂鸦。采用主成份分析的优点，Abadpour and Kasaei (2007) 介绍了一种灰度图像彩色化方法。它也可以用来修改彩色图像。然而，这个方法因为使用Adobe Photoshop中的魔法选择工具进行手动放置，所以复杂的分割会受到影响。Luan et al. (2007) 提出了采用自然图像的交互式系统。彩色化程序分为两个阶段：颜色标识和颜色映射。该方法是一种有效的自然图像彩色化方法。然而，为了获得好的彩色化结果，用户必须使用不同的方向和尺度的类似图案绘制多个斯托克斯。Liu et al. (2008) 提出了一种考虑灰度图像和彩色图像区别的基于实例的彩色化方法。这种方法需要从网络搜索合适的参考图像。Xiang et al. (2009) 提出了一种选择性的颜色传递方法。用这种方法，一个目标图像可以参照多个源图像进行彩色化。根据再生核希尔伯特空间（RKHS）设置，Quang et al. (2010) 提出了图像和视频彩色化一个RKHS框架。这种方法可以实现逼真的效果。然而，它需要由用户手动初始化不同颜色的区域。如果图像中有大量不同的内容，需要大量的工作。一些研究人员还延伸这种彩色化方法用于卡通形象和漫画。Syacute; kora et al. (2003) 提出了一种用于黑白漫画彩色化的方法。他们结合了图像分割的方法、基于块的抽样和概率来实现彩色化结果。Lagodzinski and Smolka (2008) 提出了一种新的彩色化方法，利用修改后的形态传播距离，将用户在灰度图像上潦草的颜色变换传播。实验结果表明，该方法能产生良好的效果，具有应用于修复艺术作品的潜质。Kawulok and Smolka (2010) 提出了一种基于手动添加涂鸦的图像彩色化新方法，使用竞争的形式选择合适类型的成本。这种方法与其他彩色化技术相比可以产生更好的结果，尤其是高质感的图像。Qu et al. (2006) 研究了漫画的彩色化方法。虽然上述方法可以实现不同的灰度图像彩色化，它们都需要用户的交互来提供额外的信息。这些交互限制了这些方法不能大量地处理的图像/视频。到现在为止，一些自动灰度图像彩色化的方法已经在计算机图像领域报道过了。

Charpiat et al. (2008) 提出了一种通过多模式预测的自动图像彩色化方法。然而，为了取得好的效果，它得 由用户提供的颜色标志来校正。Li and Hao (2008) 提出了一种学习型的灰度图像彩色化方法。此方法从训练数据中提取输入（灰色）和输出（彩色）样本作为特征向量，视为分布在2个具有相似结构的集合管中。该方法可用于自动的批量处理。Morimoto et al. (2009) 使用多个网页上的图片实现自动灰度图像彩色化。这种方法依赖于从网络上收集的数以百万计的图像的搜索结果。由于源图像的结构相似，但在语义上不同，会产生不自然的结果。为了克服这些缺点，我们提出了一种使用由用户提供源图像的新颖的自动灰度图像彩色化方法。

另一个与我们方法相关的主题是直方图匹配。Heeger and Bergen (1995) 利用直方图匹配实现金字塔形的的纹理分析/合成。Cheng and Sun (2000) 将直方图的一般思想扩展到均匀性域，并通过它实现彩色图像分割。Neumann and Neumann (2005) 在HSL颜色空间上使用3D直方图匹配实现色彩传递。该方法可以实现源图像和目标图像之间精确的色域匹配。相似地，Xiao and Ma (2009) 通过在实验室颜色空间上进行直方图匹配，在保持图像的梯度的同时进行颜色传输。为了消除相似的图像对之间不必要的颜色变化，Senana- yake and Alexander (2007) 提出了一种基于特征的直方图登记的颜色传递方法。源和目标直方图相应的功能是一致的基础上通过持续的尺度空间使用一个多项式映射。然而，这种方法当图像对的直方图广泛不同时将失败。最近，Pouli and Reinhard (2010)通过延伸尺度空间中直方图概念改进了这种方法，这是能够匹配的源图像的功能，以一个选定的精度水平，产生各种创意的颜色传递效果。为了减少对大社区的直方图特性的花费，Kass and Solomon (2010)提出一种高效实用来准确的计算局部加权直方图的导数的方法

3. 基于直方图回归的自动彩色化方法概述

在新的算法，我们第一次对直方图的源和目标图像进行局部加权线性回归。根据回归结果中的斜率，我们可以检测到近似直方图的零点，然后调整这些点，这样就可以在源和目标之间相匹配。然后，计算源图像的平均颜色，我们可以得到的亮度颜色对应的目标图像的加权方式，并通过调整后的零点确定权重。彩色化的结果通过直接映射亮度颜色对应的目标图像来实现。图1给出了我们的算法框架。

图1 算法概述

4.局部加权回归直方图

图像的直方图代表了许多不同亮度间隔的像素。如果我们能找到灰度图像和源图像两个直方图中想匹配的点,可以得到一个对应灰度图像和源图像颜色的方法。为了以连续的方式实现匹配,需要用曲线描述直方图。在这里,我们应用源图像和灰度图像的局部加权回归直方图生成拟合曲线(见图2)。下面,我们将讨论这种方法。

局部加权回归执行回归到周围只使用训练数据的地方的兴趣点。它是一种明确保留了训练数据的非参数方法,预测需要的话可以使用它。这是一个最小化问题,可以表示如下:

(1)

(2)

这里，（X,Y）和theta;代表了训练数据和拟合数据。分别地，（X_j，Y_j）表示第j个抽样的训练数据，一共有m个训练数据。向量theta;是j的一个特定的回归结果。theta;₀是j的Y轴截距，theta;₁是j的斜率，w_j是一个非负重量。直观地，如果w_j是j的一个大的特定值，我们在选theta;的时候要确保（theta;^TX_j-Y_j）足够小。另一方面，如果w_j小，那么（theta;^TX_j-Y_j）在拟合过程中就被忽略了。计算重量项如下：

， （3）

公式中tau;是一个为10的常数。在特殊的彩色化例子中，我们用Y_jlt;

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[30957]，资料为PDF文档或Word文档，PDF文档可免费转换为Word