專利名稱：基于高斯混合模型區(qū)域圖像彩色化處理的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理領(lǐng)域，具體地說(shuō)是涉及一種基于高斯混合模型區(qū)域圖像
彩色化處理的方法。
背景技術(shù)：
隨著彩色化技術(shù)的發(fā)展，圖像彩色處理涌現(xiàn)出一些新的處理方法，依據(jù)規(guī)整化形 式可歸結(jié)為基于局部顏色擴(kuò)張法和基于顏色轉(zhuǎn)移法。前者事先在圖像的局部涂上彩色線 條作為圖像的種子像素，然后利用擴(kuò)展算法將顏色值傳遞到整幅圖像，該方法人工干預(yù)性 強(qiáng)，不利于自動(dòng)化實(shí)現(xiàn)。Welsh等人提出了顏色轉(zhuǎn)移彩色化算法，即在選定彩色源圖像的前 提下，將源圖像顏色轉(zhuǎn)移到目標(biāo)灰度圖像中，目標(biāo)圖像的亮度值不變；在圖像局部彩色化方 面，Welsh采用了人工勾畫(huà)樣本區(qū)域的方式，這使得彩色化效率下降。利用高斯混合模型聚 類(lèi)分割方法將源圖像和目標(biāo)圖像分成局部小塊，實(shí)現(xiàn)各圖像塊之間顏色轉(zhuǎn)移，免除了人工 交互性，使得彩色化效果大大提高；然而，該類(lèi)方法采用了啟發(fā)式算法計(jì)算高斯混合模型中 的聚類(lèi)數(shù)參數(shù)，其算法雖然能計(jì)算出聚類(lèi)數(shù)參數(shù)，但計(jì)算復(fù)雜，還有的是采用經(jīng)驗(yàn)值來(lái)確定 聚類(lèi)數(shù)參數(shù)，存在盲目性。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服現(xiàn)有技術(shù)的不足，提供一種基于高斯混合模型區(qū)域圖像 彩色化處理的方法，該方法不僅計(jì)算簡(jiǎn)單，彩色化處理易實(shí)現(xiàn)自動(dòng)化，而且能提高彩色化效 果。 為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案來(lái)實(shí)現(xiàn) 上述基于高斯混合模型區(qū)域圖像彩色化處理的方法，首先用BYY (Bayesian Ying-Yang)理論方法構(gòu)造高斯混合模型分別計(jì)算源彩色圖像和目標(biāo)灰度圖像高斯混合模 型參數(shù)，然后根據(jù)所建高斯混合模型對(duì)圖像進(jìn)行聚類(lèi)分割形成區(qū)域圖像塊，將分割后的源 圖像區(qū)域圖像塊與目標(biāo)圖像區(qū)域圖像塊自動(dòng)實(shí)現(xiàn)匹配，用顏色轉(zhuǎn)移算法實(shí)現(xiàn)匹配后的區(qū)域 圖像塊顏色轉(zhuǎn)移，最后完成區(qū)域圖像的彩色化，
其具體步驟如下 A、構(gòu)造高斯混合模型，計(jì)算高斯混合模型參數(shù)； B、根據(jù)高斯混合模型分別對(duì)源圖像和目標(biāo)圖像聚類(lèi)分割； C、完成區(qū)域圖像的彩色化。 本發(fā)明的基于高斯混合模型區(qū)域圖像彩色化處理的方法與現(xiàn)有技術(shù)相比具有的 優(yōu)點(diǎn)和效果是由于采用顏色轉(zhuǎn)移的方式，將源圖像的顏色轉(zhuǎn)移到目標(biāo)圖像中，事先無(wú)需對(duì) 目標(biāo)圖像涂色，因此，該方法計(jì)算復(fù)雜度低；由于采用區(qū)域圖像彩色化處理的方法，將源圖 像和目標(biāo)圖像分割成區(qū)域圖像塊，實(shí)現(xiàn)區(qū)域圖像塊之間的顏色轉(zhuǎn)移，因此，該方法的彩色化 效果較好；由于采用BYY理論方法計(jì)算高斯混合模型參數(shù)，自動(dòng)確定高斯混合模型的聚類(lèi) 數(shù)參數(shù)，無(wú)需人工干預(yù)，且采用歐氏距離測(cè)度實(shí)現(xiàn)區(qū)域圖像塊的自動(dòng)匹配，因此，該方法易實(shí)現(xiàn)自動(dòng)化。


圖1是本發(fā)明的基于高斯混合模型區(qū)域圖像彩色化處理的方法流程圖
2 (a2(b
3 (a3(b
4 (a4(b4(c
5 (a5(b
6 (a6(b6(c
是本發(fā)明的實(shí)施例的源圖像聚類(lèi)結(jié)果圖；是圖2(a)中源圖像的J(k)曲線示意圖；是本發(fā)明的實(shí)施例的目標(biāo)圖像圖；是圖3(a)中目標(biāo)圖像的J(k)曲線示意圖；是源圖像塊1在RGB顏色空間的分割結(jié)果圖是源圖像塊2在RGB顏色空間的分割結(jié)果圖是源圖像塊3在RGB顏色空間的分割結(jié)果圖是目標(biāo)圖像塊1聚類(lèi)分割結(jié)果圖；是目標(biāo)圖像塊2聚類(lèi)分割結(jié)果圖；是目標(biāo)圖像塊1上色后的RGB顏色空間的結(jié)果圖；是目標(biāo)圖像塊2上色以后的RGB顏色空間的結(jié)果圖；是目標(biāo)圖像塊1和目標(biāo)圖像塊2彩色化圖像合并后的結(jié)果圖。
具體實(shí)施例方式
以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作進(jìn)一步的詳細(xì)說(shuō)明。 下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明本實(shí)施例以本發(fā)明的技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。
本發(fā)明的基于高斯混合模型區(qū)域圖像彩色化處理的方法的一個(gè)優(yōu)選實(shí)施例結(jié)合附圖詳述如下選擇一幅灰度圖像作為待彩色化的目標(biāo)圖像，根據(jù)目標(biāo)圖像內(nèi)容選擇一幅與其內(nèi)容相近的彩色圖像作為源圖像。首先用BYY理論計(jì)算源圖像和目標(biāo)圖像高斯混合模型的參數(shù)，根據(jù)圖像所建高斯混合模型對(duì)圖像聚類(lèi)分割，然后實(shí)現(xiàn)源圖像塊與目標(biāo)圖像塊匹配，將源圖像塊的顏色轉(zhuǎn)移到目標(biāo)圖像中，最后完成區(qū)域圖像彩色化。如圖l所示，具體步驟如下 A、構(gòu)造高斯混合模型，計(jì)算高斯混合模型參數(shù)；其具體步驟如下
Al、構(gòu)造高斯混合模型及計(jì)算參數(shù) 高斯混合模型能描述不同類(lèi)別數(shù)據(jù)的統(tǒng)計(jì)分布，圖像像素?cái)?shù)據(jù)的分布規(guī)律同樣服從混合高斯分布，設(shè)圖像像素集合為y ="丄，將Xi作為高斯混合模型的數(shù)據(jù)。高斯混合模型公式為 P(A, ) = t w少G(x,,, 。 ( 1) 其中，G(Xi， my， Vy)為多元高斯密度函數(shù)，my與Vy為該密度函數(shù)的均值和協(xié)方差；k為高斯混合模型個(gè)數(shù)；Wy為該模型的權(quán)重，為了滿足高斯混合模型中概率大于0及累加概
率等于1的條件，令 > 0且2^w, =1;0 = {^， ,^}^為待估計(jì)的參數(shù)值，計(jì)算高斯混
合模型中參數(shù)k、Wy、my、Vy四個(gè)參數(shù)如下S
計(jì)算聚類(lèi)數(shù)k 由BYY理論可知，對(duì)于給定N個(gè)像素集合X = ^,^,的圖像，將X分為k類(lèi)，對(duì)應(yīng)每類(lèi)的均值向量為IV協(xié)方差矩陣為Vy，選擇聚類(lèi)數(shù)k的評(píng)價(jià)函數(shù)可定義為 早, ) = 7 Z , logb卜Z , log ^ (2) 其中，對(duì)于每個(gè)固定的k，即1《k《M， M為設(shè)定的最大聚類(lèi)數(shù)，求得在此k的條件下函數(shù)J(k， )關(guān)于自變量 的最小值，即J(k) =min0(J(k， Q))，依次固定k值可得到該條件下的J(k)曲線，則J(k)最小值時(shí)的k。值就是像素集X的最佳聚類(lèi)數(shù)，即k。二mink(J(k))。計(jì)算參數(shù) (即求解參數(shù)Wy、 my、 Vy) 公式(1)中的似然函數(shù)屬于不完全數(shù)據(jù)，用期望最大化(ExpectationMaximization, EM)算法代替最大似然估計(jì)求解 參數(shù)。EM算法是一種通用參數(shù)估計(jì)方法，適用于含有隱含數(shù)據(jù)不能被直接觀測(cè)的情況，其迭代過(guò)程分為兩步第一步稱為E步驟，根據(jù)參數(shù)初始值或上一次迭代值來(lái)計(jì)算似然函數(shù)的期望；第二步稱為M步驟，將似然函數(shù)最大化以獲得參數(shù)值，EM算法的初值選用K均值算法計(jì)算，重復(fù)執(zhí)行這兩步直到收斂，EM算法的公式分別為
E步驟
I ，，K
少 >
(3)
<formula>formula see original document page 7</formula>(4) A2、計(jì)算源圖像的高斯混合模型參數(shù)，如圖2(a)所示，其步驟如下 A21、將圖像從RGB顏色空間轉(zhuǎn)換到la |3顏色空間，得到N個(gè)像素集r = ，
x;-仏s,"/,/ n為三維向量； A22、將像素集Xs作為高斯混合模型聚類(lèi)對(duì)象，用公式(2)計(jì)算高斯混合模型的聚類(lèi)數(shù)k，用公式(3) (4)EM迭代算法計(jì)算 值，設(shè)定圖像最大聚類(lèi)數(shù)M = 6，具體步驟如下
A221、初始化最小聚類(lèi)數(shù)k = 1 ; A222、計(jì)算 值，用公式(3) (4)的迭代算法計(jì)算J(k， )式中 值，使函數(shù)J(k， )到達(dá)最小，記錄 值； A223、計(jì)算J(k)值，將參數(shù)k = 1、^、^代入公式(2)計(jì)算J(k)值，記錄J(k)值；
A224、遞增聚類(lèi)數(shù)k，判斷k是否大于最大聚類(lèi)數(shù)M，如果k大于M，結(jié)束源圖像的高斯混合模型參數(shù)計(jì)算，輸出最佳的聚類(lèi)數(shù)k。s及該聚類(lèi)數(shù)下的 值；否則轉(zhuǎn)步驟A222，可順延步驟A223 ; 如圖2(b)所示，由圖可知，在不同的聚類(lèi)數(shù)情況下對(duì)應(yīng)有不同的J(k)值，當(dāng)聚類(lèi)數(shù)為3時(shí)J(k)為全局最小值，即源圖像最佳聚類(lèi)數(shù)k。s = 3。此時(shí)，源圖像的高斯混合模型全部參數(shù)士。3 = 3、<、1113^。
A3、計(jì)算目標(biāo)圖像的高斯混合模型參數(shù) 如圖3(a)所示，目標(biāo)圖像像素只有亮度分量，計(jì)算復(fù)雜度比源圖像要簡(jiǎn)單。目標(biāo)圖像的高斯混合模型聚類(lèi)對(duì)象的像素集為^ ={<};!1，此時(shí)< ={/,'}為一維向量，借助于計(jì)算源圖像的高斯混合模型參數(shù)步驟A21、A22得到目標(biāo)圖像的高斯混合模型參數(shù)。如圖3(b)所示，由圖可知，當(dāng)聚類(lèi)數(shù)為2時(shí)J(k)為全局最小值。此時(shí)，目標(biāo)圖像的全部高斯混合模型參數(shù)V = 2、<、11^、^ B、根據(jù)高斯混合模型分別對(duì)源圖像和目標(biāo)圖像聚類(lèi)分割；其具體步驟如下
根據(jù)高斯混合模型分別對(duì)源圖像和目標(biāo)圖像聚類(lèi)分割。
Bl、源圖像聚類(lèi)分割 彩色源圖像作為顏色轉(zhuǎn)移的參考圖像，源圖像像素由R、 G、 B分量構(gòu)成，RGB顏色空間各分量之間具有強(qiáng)相關(guān)性，將圖像轉(zhuǎn)換到無(wú)相關(guān)性的la 13顏色空間進(jìn)行處理，其中l(wèi)為亮度分量，a為黃-藍(lán)顏色分量，|3為紅-綠顏色分量。則源圖像高斯混合模型像素r ={<}^，此時(shí)< ={//,《,"/油三維分量構(gòu)成。該圖像的高斯混合模型參數(shù)V = 3、w3s、 m3s、 V/，然后計(jì)算像素集Xs在k。s個(gè)高斯混合模型中的概率，并將像素歸類(lèi)到概率最大的高斯混合模型中，將整幅圖像像素歸類(lèi)，實(shí)現(xiàn)圖像聚類(lèi)分割，其具體步驟如下
Bll、以掃描線方式讀取圖像的像素XiS ; B12、將像素Xis代入k。s個(gè)高斯混合模型中計(jì)算各自的概率，并把像素Xis歸入概率最大的高斯混合模型中； B13、判斷像素是否掃描完。如果像素掃描完，則聚類(lèi)結(jié)束；否則，掃描下一個(gè)像素，重復(fù)步驟B12。 圖像聚類(lèi)以后，高斯混合模型內(nèi)仍是la |3顏色空間的像素，能直觀地看到分割結(jié)果，將高斯混合模型內(nèi)的像素轉(zhuǎn)換到RGB顏色空間，如圖4 (a) 、4 (b) 、4 (c)所示，源圖像在RGB顏色空間被分割成三類(lèi)；其中，圖4(a)是源圖像中的羊部分，圖4(b)是源圖像天空部分，圖4(c)是源圖像草地部分。
B2、目標(biāo)圖像聚類(lèi)分割 目標(biāo)灰度圖像是將要被上色的圖像，該圖像只有亮度分量l，因此，目標(biāo)圖像的高斯混合模型像素?cái)?shù)據(jù)只有亮度值，義'A'={/,'}。由步驟A3計(jì)算目標(biāo)圖像的高斯混合模型參數(shù)V = 2、^t、m 、V二由于數(shù)據(jù)V是一維亮度分量，均值向量myt退化為標(biāo)量，協(xié)方差矩陣Vyt退化為方差，采用步驟B1所述的源圖像的聚類(lèi)分割的方法實(shí)現(xiàn)目標(biāo)圖像聚類(lèi)分割，其具體分割步驟如下 由目標(biāo)圖像的高斯混合模型參數(shù)V = 2、^、!!!？、 V構(gòu)造V個(gè)高斯混合模型，目標(biāo)圖像的像素為一維亮度分量，即< =，分割方法與上述源圖像分割步驟Bll、 B12、B13相同。 圖像聚類(lèi)后，將圖像轉(zhuǎn)換到RGB顏色空間顯示，如圖5 (a) 、5 (b)所示，其中，圖5 (a)是目標(biāo)圖像中的天空部分，圖5(b)是目標(biāo)圖像草地部分。
C、完成區(qū)域圖像的彩色化 將源圖像塊的顏色轉(zhuǎn)移到對(duì)應(yīng)的目標(biāo)圖像塊中，使目標(biāo)圖像塊能從源圖像塊中選擇最佳匹配的圖像塊，采用亮度分量均值比較的方法來(lái)衡量圖像塊之間的相似性，完成區(qū)域彩色化，其步驟如下
Cl、圖像塊匹配 距離測(cè)度通常作為圖像相似性比較的標(biāo)準(zhǔn)，它把圖像的相似性比較轉(zhuǎn)化為特征空間中點(diǎn)的距離問(wèn)題。目標(biāo)圖像與源圖像都含有亮度分量，采用亮度分量均值距離測(cè)度可以找出兩幅圖像塊之間的相似性，實(shí)現(xiàn)目標(biāo)圖像塊與源圖像塊匹配，匹配公式為 4 (5) 其中，PpS是源圖像中第p個(gè)圖像塊亮度分量均值，y,t是目標(biāo)圖像中第q個(gè)圖像塊亮度分量均值，d為兩幅圖像塊之間的歐氏距離，d值越小，表示兩圖像塊之間越相似，使得目標(biāo)圖像塊從多個(gè)源圖像塊中選擇最佳匹配的圖像塊，其具體步驟如下
Cll、計(jì)算源圖像塊亮度分量均值iiS:將步驟A2中最佳聚類(lèi)數(shù)時(shí)的均值向量m/的亮度分量均值賦給P s ; C12、計(jì)算目標(biāo)圖像塊亮度分量均值i！ 1 :將步驟A3中最佳聚類(lèi)數(shù)時(shí)的均值向量!1121
賦給P %因目標(biāo)圖像只有亮度分量，均值向量也只有亮度分量均值； C13、計(jì)算圖像塊之間歐氏距離d :以目標(biāo)圖像塊為基準(zhǔn)，用公式(5)計(jì)算目標(biāo)圖像
塊與各源圖像塊之間的歐氏距離d，找出距離最小的源圖像塊作為目標(biāo)圖像的最佳匹配圖
像塊； C2 、實(shí)現(xiàn)圖像塊之間的顏色轉(zhuǎn)移 完成各目標(biāo)圖像塊與源圖像塊匹配后，根據(jù)顏色轉(zhuǎn)移算法實(shí)現(xiàn)圖像塊之間的顏色轉(zhuǎn)移，其具體步驟如下 C21、讀取一幅目標(biāo)圖像塊以及與它匹配的源圖像塊，為使源圖像塊與目標(biāo)圖像塊之間的像素匹配，將源圖像塊像素亮度分量重映射到目標(biāo)圖像塊中，重映射公式為 =—(/;,, (6) 其中，0ps、 c^t分別為源圖像中第p個(gè)圖像塊和目標(biāo)圖像中第q個(gè)圖像塊亮度分量的標(biāo)準(zhǔn)差，lp,is為源圖像塊中第P個(gè)圖像塊的第i個(gè)像素的亮度分量，/;，,為該像素重映射后的亮度分量值。 根據(jù)已知的y/、ypS、OpS、c^t值，用公式(6)計(jì)算源圖像中第p個(gè)圖像塊中每個(gè)像素的亮度重映射值G ; C22、計(jì)算目標(biāo)圖像塊每個(gè)像素的亮度分量鄰域標(biāo)準(zhǔn)差以及源圖像塊重映射后的每個(gè)像素的亮度分量鄰域標(biāo)準(zhǔn)差； 選用像素的亮度分量鄰域標(biāo)準(zhǔn)差衡量該像素與它相鄰像素之間的空間關(guān)系，例
如，選用5X5像素的鄰域； C23、像素匹配 采用遍歷查詢的方式在源圖像塊中查找匹配像素，由像素的亮度分量偏差和亮度分量鄰域標(biāo)準(zhǔn)差的偏差共同決定兩像素之間的匹配程度，其公式為
￡ = (V/ + Vcr)/2 (7) 其中，V/表示兩像素亮度分量偏差，V(T表示兩像素亮度分量鄰域標(biāo)準(zhǔn)差的偏差，E表示匹配誤差，E值越小，表示兩像素匹配程度越高。 以掃描線的方式讀取目標(biāo)圖像塊中第j個(gè)像素，采用公式(7)計(jì)算該像素與源圖像塊中的每個(gè)像素之間的匹配誤差E，判斷匹配誤差E是否小于閾值e ，如果匹配誤差E小于閾值e ，例如，閾值e =0.5，則認(rèn)為在源圖像塊中找到匹配像素1，將匹配像素的顏色值a P,A 13 J賦給目標(biāo)圖像a q,/、 |3 q,/，目標(biāo)圖像亮度值lq,/不變；否則認(rèn)為沒(méi)有找到匹配像素，將誤差值最小的像素顏色賦給目標(biāo)圖像像素； C24、判斷目標(biāo)圖像塊q是否上色完畢。如果上色完畢，則進(jìn)行步驟C25 ;否則，返回步驟C23 ; C25、判斷目標(biāo)圖像是否全部上色完畢。如果目標(biāo)圖像全部上色完畢，則進(jìn)行步驟C26 ;否則，返回步驟C21 ; C26、將各自被上色的圖像塊從1 a |3顏色空間轉(zhuǎn)換到RGB顏色空間。 圖6(a) 、6(b)為目標(biāo)圖像塊被上色以后的RGB顏色空間的結(jié)果圖，為了能看到完
整的彩色化結(jié)果圖像，將圖6(a)、6(b)中的兩圖像合并，其結(jié)果如圖6(c)所示。
權(quán)利要求
一種基于高斯混合模型區(qū)域圖像彩色化處理的方法，其特征在于首先用貝葉斯陰陽(yáng)機(jī)BYY理論方法構(gòu)造高斯混合模型，分別計(jì)算源彩色圖像和目標(biāo)灰度圖像高斯混合模型參數(shù)，然后根據(jù)所建高斯混合模型對(duì)區(qū)域圖像進(jìn)行聚類(lèi)分割形成區(qū)域圖像塊，將分割后的源圖像區(qū)域圖像塊與目標(biāo)圖像區(qū)域圖像塊自動(dòng)實(shí)現(xiàn)匹配，用顏色轉(zhuǎn)移算法實(shí)現(xiàn)匹配后的區(qū)域圖像塊顏色轉(zhuǎn)移，最后完成區(qū)域圖像的彩色化，其具體步驟如下A、構(gòu)造高斯混合模型，計(jì)算高斯混合模型參數(shù)；B、根據(jù)高斯混合模型分別對(duì)源圖像和目標(biāo)圖像聚類(lèi)分割；C、完成區(qū)域圖像的彩色化。
2. 根據(jù)權(quán)利要求1所述的基于高斯混合模型區(qū)域圖像彩色化處理的方法，其特征在于，上述步驟A中所述的構(gòu)造高斯混合模型，計(jì)算高斯混合模型參數(shù)，其具體步驟如下Al 、構(gòu)造高斯混合模型及計(jì)算參數(shù)設(shè)圖像像素集合為義=",}「=1 ，將Xi作為高斯混合模型的數(shù)據(jù)，高斯混合模型公式為<formula>formula see original document page 2</formula>其中，G(Xi， my， Vy)為多元高斯密度函數(shù)，my與Vy為該密度函數(shù)的均值和協(xié)方差；k為 高斯混合模型個(gè)數(shù)；Wy為高斯混合模型的權(quán)重，計(jì)算高斯混合模型中參數(shù)k、Wy、my、 Vy四個(gè)參數(shù)如下 計(jì)算聚類(lèi)數(shù)k給定N個(gè)像素集合<formula>formula see original document page 2</formula>的圖像，將X分為k類(lèi)，對(duì)應(yīng)每類(lèi)的均值向量為my，協(xié)方差 矩陣為Vy，則選擇聚類(lèi)數(shù)k的評(píng)價(jià)函數(shù)可定義為<formula>formula see original document page 2</formula>其中，1《k《M，M為設(shè)定的最大聚類(lèi)數(shù)，求得在此k的條件下函數(shù)J(k， )關(guān)于自變 量 的最小值，即J(k) 二miri0(J(k，0))，依次固定k值可得到該條件下的J(k)曲線，則 J(k)最小值時(shí)的k。值就是像素集X的最佳聚類(lèi)數(shù)，即<formula>formula see original document page 2</formula>計(jì)算參數(shù) 用期望最大化(Expectation Maximization,EM)算法代替最大似然估計(jì)求解 參數(shù)， EM算法的公式分別為 E步驟M步驟<formula>formula see original document page 2</formula>Z二po^i)"—附r)"—附r)A2、計(jì)算源圖像的高斯混合模型參數(shù)，計(jì)算步驟如下A21、將圖像從RGB顏色空間轉(zhuǎn)換到la |3顏色空間，得到N個(gè)像素集r = ^}「=1 ，xf ={/,、《,/^}為三維向量；A22、將像素集XM乍為高斯混合模型聚類(lèi)對(duì)象，用公式(2)計(jì)算高斯混合模型的聚類(lèi)數(shù) k，用公式(3) (4)EM迭代算法計(jì)算 值，設(shè)定圖像最大聚類(lèi)數(shù)M = 6，其具體步驟如下 A221、初始化最小聚類(lèi)數(shù)k = 1 ;A222、計(jì)算 值，用公式(3) (4)的迭代算法計(jì)算J(k， )式中 值，函數(shù)J(k， )到 達(dá)最小，記錄 值；A223、計(jì)算J(k)值，將參數(shù)k二 1、巧、^代入公式(2)，計(jì)算J(k)值，記錄J(k)值； A224、遞增聚類(lèi)數(shù)k，判斷k是否大于最大聚類(lèi)數(shù)M，如果k大于M，結(jié)束源圖像的高斯混合模型參數(shù)計(jì)算，輸出最佳的聚類(lèi)數(shù)k。s及該聚類(lèi)數(shù)下的 值；否則重復(fù)步驟A222、A223，直到得到源圖像的高斯混合模型參數(shù)^^3、 W、恥\ A3 、計(jì)算目標(biāo)圖像的高斯混合模型參數(shù)該圖像的高斯混合模型聚類(lèi)對(duì)象的像素集為義'-{x,'}^ < ={/,'}為一維向量，借助于 計(jì)算源圖像的高斯混合模型參數(shù)步驟A21、 A22得到目標(biāo)圖像的高斯混合模型參數(shù)，得到目 標(biāo)圖像的高斯混合模型參數(shù)^=2、 r/、歷/、 K/。
3. 根據(jù)權(quán)利要求1所述的基于高斯混合模型區(qū)域圖像彩色化處理的方法，其特征在 于，上述步驟B中所述的根據(jù)高斯混合模型對(duì)源圖像和目標(biāo)圖像聚類(lèi)分割，其具體步驟如 下Bl、源圖像聚類(lèi)分割，其具體步驟如下Bll、以掃描線方式讀取圖像的像素Xis ;B12、將像素Xis代入k。s個(gè)高斯混合模型中計(jì)算各自的概率，并把像素Xis歸入概率最大 的高斯混合模型中；B13、判斷像素是否掃描完，如果像素掃描完，則聚類(lèi)結(jié)束；否則，掃描下一個(gè)像素，重復(fù) 步驟B12 ;B2、目標(biāo)圖像聚類(lèi)分割，其具體分割如下由目標(biāo)圖像的高斯混合模型參數(shù)^/=2、 (t/、歷/、 K/構(gòu)造k。t個(gè)高斯混合模型，目標(biāo) 圖像的像素(為一維亮度分量，即工'，分割方法與上述源圖像分割步驟 B11、B12、B13相同。
4. 根據(jù)權(quán)利要求1所述的基于高斯混合模型區(qū)域圖像彩色化處理的方法，其特征在 于，上述步驟C中所述的完成區(qū)域圖像的彩色化，具體步驟如下Cl、圖像塊匹配采用亮度分量均值距離測(cè)度找出兩幅圖像塊之間的相似性，實(shí)現(xiàn)目標(biāo)圖像塊與源圖像塊匹配，匹配公式為其中，P ps是源圖像中第P個(gè)圖像塊亮度分量均值，P J是目標(biāo)圖像中第q個(gè)圖像塊亮 度分量均值，d為兩幅圖像塊之間的歐氏距離，d值越小，表示兩圖像塊之間越相似，目標(biāo)圖 像塊從多個(gè)源圖像塊中選擇最佳匹配的圖像塊，其具體步驟如下Cll、計(jì)算源圖像塊亮度分量均值P s ;C12、計(jì)算目標(biāo)圖像塊亮度分量均值i!s;C13、計(jì)算圖像塊之間距離d :以目標(biāo)圖像塊為基準(zhǔn)，用公式(5)計(jì)算目標(biāo)圖像塊與各源 圖像塊之間的歐氏距離d，找出距離最小的源圖像塊作為目標(biāo)圖像的最佳匹配圖像塊； C2、實(shí)現(xiàn)圖像塊之間的顏色轉(zhuǎn)移，其具體步驟如下C21、讀取一幅目標(biāo)圖像塊以及與它匹配的源圖像塊，將源圖像塊亮度分量重映射到目標(biāo)圖像塊中，重映射公式為<formula>formula see original document page 4</formula>其中，0ps、 o,t分別為源圖像中第p個(gè)圖像塊和目標(biāo)圖像中第q個(gè)圖像塊亮度分量的 標(biāo)準(zhǔn)差，lp,is為源圖像塊中第p個(gè)圖像塊的第i個(gè)像素的亮度分量，/二為該像素重映射后的 亮度分量值，根據(jù)已知的y/、ypS、OpS、c^t值，用公式(6)計(jì)算源圖像中第p個(gè)圖像塊中每個(gè)像素 的亮度重映射值/〕 ，C22、計(jì)算目標(biāo)圖像塊每個(gè)像素的亮度分量鄰域標(biāo)準(zhǔn)差以及源圖像塊重映射后的每個(gè) 像素的亮度分量鄰域標(biāo)準(zhǔn)差； C23、像素匹配由像素的亮度分量偏差和亮度分量鄰域標(biāo)準(zhǔn)差的偏差共同決定兩像素之間的匹配程 度，其公式為<formula>formula see original document page 4</formula>其中，V/表示兩像素亮度分量偏差，Vo"表示兩像素亮度分量鄰域標(biāo)準(zhǔn)差的偏差，E表示 匹配誤差，采用公式(7)以掃描線的方式讀取目標(biāo)圖像塊中第j個(gè)像素，并計(jì)算該像素與源圖像 塊中的每個(gè)像素之間的匹配誤差E，判斷匹配誤差E是否小于閾值e ，如果匹配誤差E小于 閾值e ，則認(rèn)為在源圖像塊中找到匹配像素i，并將匹配像素的顏色值ap,is、 Pp,iS賦給目 標(biāo)圖像a q,/、 P q,/，目標(biāo)圖像亮度值lq,/不變，否則認(rèn)為沒(méi)有找到匹配像素，將誤差值最小 的像素顏色賦給目標(biāo)圖像像素；C24、判斷目標(biāo)圖像塊q是否上色完畢，如果上色完畢，則進(jìn)行步驟C25 ;否則，返回步驟C23 ;C25、判斷目標(biāo)圖像塊是否全部上色完畢，如果目標(biāo)圖像塊全部上色完畢，則進(jìn)行步驟 C26 ;否則，返回步驟C21 ;C26、將各自被上色的圖像塊從la |3顏色空間轉(zhuǎn)換到RGB顏色空間。
全文摘要
本發(fā)明公開(kāi)了一種基于高斯混合模型區(qū)域圖像彩色化處理的方法，該方法先用BYY理論構(gòu)造高斯混合模型分別計(jì)算源彩色圖像和目標(biāo)灰度圖像高斯混合模型參數(shù)，然后根據(jù)所建高斯混合模型對(duì)圖像進(jìn)行聚類(lèi)分割形成區(qū)域圖像塊，將分割后的源圖像區(qū)域圖像塊與目標(biāo)圖像區(qū)域圖像塊自動(dòng)實(shí)現(xiàn)匹配，用顏色轉(zhuǎn)移算法實(shí)現(xiàn)匹配后的區(qū)域圖像塊顏色轉(zhuǎn)移，最后完成區(qū)域圖像的彩色化。該方法用顏色轉(zhuǎn)移方式，不對(duì)目標(biāo)圖像涂色，計(jì)算復(fù)雜度低；用區(qū)域圖像彩色化處理，實(shí)現(xiàn)區(qū)域圖像塊之間的顏色轉(zhuǎn)移，彩色化效果較好；用BYY理論方法計(jì)算高斯混合模型參數(shù)，自動(dòng)確定高斯混合模型聚類(lèi)數(shù)參數(shù)，無(wú)人工干預(yù)，且區(qū)域圖像塊自動(dòng)匹配，易實(shí)現(xiàn)自動(dòng)化。
文檔編號(hào)G06T11/00GK101706965SQ200910198228
公開(kāi)日2010年5月12日 申請(qǐng)日期2009年11月3日 優(yōu)先權(quán)日2009年11月3日
發(fā)明者呂東輝, 孫修立, 汪世剛 申請(qǐng)人:上海大學(xué)