极化自注意力约束颜色溢出的图像自动上色

自动上色可以将灰度图像转换为色彩合理的自然彩色图像，可以为老旧照片、黑白影视作品等重新恢复颜色，因此在计算机视觉和图形学领域受到广泛关注。然而，为灰度图像分配色彩是一项极具挑战性的任务，存在颜色溢出问题。为解决该问题，提出了一种极化自注意力约束颜色溢出的图像自动上色方法。首先，将前景中的实例和背景分开，降低背景对前景的上色影响，从而减少前景和背景之间的颜色溢出；然后，使用极化自注意力模块把特征分为颜色通道和空间位置两部分，使上色更加准确、具体，从而减少全局图像、实例对象内的颜色溢出；最后，结合融合模块，将全局特征和实例特征通过不同权重融合为一体，完成最终上色。实验结果表明，与ChromaGAN,MemoGAN等算法相比，所提方法在主要指标FID,LPIPS上分别提升了9.7%和10.9%,且SSIM和PSNR指标均达到最优。     

保色调的黑白卡通图像着色方法

图像彩色化是给黑白图像或者视频上色,对黑白卡通图像上色能够大幅度地提高卡通图像的表现力.卡通图像的色调是人们感知的第一印象,为此提出一种保色调的黑白卡通图像着色方法.首先使用保持边界的图像分解技术得到卡通图像的色调,可很好地解决卡通图像灰度不连续的问题;然后使用Gabor特征向量计算出一个模式能量来防止边界处的泄露;最后将图像色调能量和模式能量加入最优化着色方法,得到较好的着色结果.该方法利用少量的人工标色自动上色,不需要分割就能够得到卡通图像保色调着色效果.大量的实验结果表明,文中方法对各种卡通图像都能够取得更好的着色效果.     

人体脸部灰度图像上色的改进算法

采用分块多分辨率上色方法，首先对低分辨率灰度图像上色；然后再对高分辨率图像做颜色变换．基于亮度、邻域信息和空间相关性的相似性测度控制像素的上色．实验结果表明，该算法可以改进脸部图像的上色效果，且提高了上色速度．     

基于卷积网络的灰度图像自动上色方法

随着深度学习的出现,灰度图像自动上色得到了快速的发展,出现了上色效果优秀的基于one-hot编码(独热编码)的方法,避免基于L2损失函数上色效果平淡的问题.沿用one-hot编码方法的基础思路,提出了一种卷积网络的灰度图像自动上色方法.该方法对编码器与解码器进行了改进和重新设计,重新设计了神经网络结构.通过使用高斯函数...     

基于直方图映射和分层的图像迁移算法研究

本文提出了一种基于直方图映射和分层迁移的灰度图像上色HisT算法.对于给定的颜色图像和需要迁移的灰度形状图像,先从RGB色彩空间转换到一个正交空间lαβ,消除空间各分量之间的强相关性.然后分别统计两幅图像的灰度直方图,对于灰度图像中的象素点,保留其灰度值,而利用颜色图像中与之对应或相邻灰度等级的颜色信息为灰度图像进行粗糙上色,得到一幅过渡图像.参照灰度直方图,将颜色图像和过渡图像进行分层处理,并利用统计学方法对图像各层和整体统计量进行分析,提取颜色图像的颜色信息和过渡图像的形状信息,最终实现颜色图像到灰度形状图像的上色过程.实验证明,该算法能快速准确地实现灰度图像的上色,具有广泛的应用前景.     

基于色彩传递与扩展的图像着色算法

色彩的不均匀一直是色彩传递算法中没有解决的问题。一些传统的算法只是单独依靠像素点的匹配来进行色彩传递,难以保证处理后图像色彩在空间上的连续性,即某些像素点的色彩和它周围的色彩反差较大。针对此问题,提出了一种基于色彩传递与扩展的图像着色算法,先利用传统的色彩传递方法,在lαβ空间对灰度目标图像进行局部上色,然后再利用色彩扩展的算法,对其他未经过上色的区域进行色彩扩展,完成整幅灰度目标图像的自动彩色化过程。实验得到了色彩细腻均匀的结果图像,验证了算法的实用性。     

残旧照片修复助手的设计与实现

基于深度学习的数字图像处理技术为损坏、褪色照片的修复与上色提供了有效的处理途径。借助已有的相对成熟的图像修复与上色技术,针对不同情况的残旧照片,结合图像修复与图像上色技术,能对照片进行多维度的修复。本文首先对采用的图像修复与上色方法进行介绍;然后着重探讨基于深度学习的残旧照片修复助手的设计与实现;最后对残旧照片修复助手的应用成效进行介绍。     

一种利用回归神经网络黑白图像着色算法研究

研究了利用神经网络对序列黑白(灰度)图像进行着色的问题。针对以往基于人工或者半自动化技术的黑白图像着色技术效率低下、视觉效果较差的缺陷,提出了一种利用三层神经网络、无须人工干预的图像自动着色算法。首先将灰度图像分割成小块,通过对小块提取灰度特征、空间特征等作为神经网络的输入,训练得到一个回归神经网络。在着色过程中,可以利用该神经网络将图像中各像素由灰度空间投影到一个经过压缩的色彩空间,从而实现了图像的自动着色过程。实验结果显示本方法能有效地将灰度图像着色,并且由于使用了一个压缩的色彩空间,使得计算效率和着色效果都得到了有效的提高,能很好地逼近原始的真实图像。     

巧妙给黑白相片着色

Photoshop图像文件都有自己不同的通道,而每个通道都储存不同类型信息的灰度图像。当每次打开新图像时都会自动创建颜色信息的通道,因此通过改变不同通道上的信息就等于改变了图像的颜色。实例通过调整图像模式下的CMYK颜色来改变图像中通道的信息,并利用历史记录中的快照给黑白照片上色,从而达到黑白图像变彩色的效果,如图1及图2为相片着色前后效果。     

基于遗传算法的图像模糊增强处理方法的研究

文章根据图像的模糊特性,将图像中象素的灰度等级作为模糊特征,采用模糊增强算法实现了图像的模糊增强,并且采用改进的遗传算法对图像模糊增强的灰度阈值进行了最优选择。实验结果表明,新算法比传统的图像增强方法获得了较高的清晰度;寻优后的灰度阈值显著地提高了图像的增强效果。     

基于条件生成对抗网络的图像着色研究

随着多媒体技术的发展,诸如黑白照片着色、医学影像渲染和手绘图上色等各种图像着色应用需求逐渐增多。传统着色算法大部分存在着色模式单一、在处理部分数据时着色效果不佳或者依赖人工输入信息等缺点,对此,设计了一种条件生成对抗网络和颜色分布预测模型相结合的图像着色方法。由生成对抗网络生成着色图像,并通过预测模型的预测值来对生成器的生成的着色图像做出校正,改善了生成对抗网络生成图像颜色容易趋向单一化的问题。最后通过引入一个色彩对比度损失,进一步提升了算法在某些对比度较小的分类图像上的着色质量。通过在ImageNet数据集上的多组对比实验表明,与其他传统方法相比,该方法在更多的图像分类上有着更出色的着色效果。     

基于深层聚合结构网络的灰度图像彩色化方法

当前灰度图像彩色化方法普遍存在边界晕染、细节丢失和着色效果枯燥等问题。针对以上问题,提出了一种基于改进的深层聚合结构网络的灰度图像彩色化方法。将深层聚合结构网络引入图像彩色化领域中,且在传统网络基础上加入长连接,在缓解网络梯度消失问题的同时提升其特征利用率,从而提升算法模型对图像边界和细节的处理能力。另外,模型融合生成对抗网络结构,搭建判别网络,动态评价图片彩色化质量,缓解着色枯燥的问题。实验证明,该方法相比于传统彩色化方法,减轻了着色时边界漏色问题,还原了更多的图像细节,图像颜色更为丰富。     

基于密集神经网络的灰度图像着色算法

针对在灰度图像着色领域中，传统算法信息提取率不高、着色效果不理想的问题，提出了基于密集神经网络的灰度图像着色算法，以实现改善着色效果，让人眼更好地观察图片信息的目的。利用密集神经网络的信息提取高效性，构建并训练了一个端到端的深度学习模型，对图像中的各类信息及特征进行提取。训练网络时与原图像进行对比，以逐渐减小网络输出结果的信息、分类等各类型的损失。训练完成后，只需向网络输入一张灰度图片，即可生成一张颜色饱满、鲜明逼真的彩色图片。实验结果表明，引入密集网络后，可有效改善着色过程中的漏色、细节信息损失、对比度低等问题，所提算法着色效果较基于VGG网络及U-Net、双流网络结构、残差网络（ResNet）等性能优异的先进着色算法而言取得了显著的改进。     

基于联合一致循环生成对抗网络的人像着色

传统灰度图像着色方法存在颜色失真、效果不佳等问题,已逐渐被深度学习方法取代。目前基于深度学习的人像着色方法主要存在复杂背景下误着色的问题。针对上述问题,提出了联合一致循环生成对抗网络的人像着色方法。该方法在循环生成对抗网络的基础上,采用联合的一致性损失训练模型;生成网络采用U型网络结构（UNet）进行改进,以提高生成图像信息的完整性;判别网络中引入多特征融合的特征提取方式,增强特征对图像的细节表达。最后通过在自建的CASIA-PlusColors高质量人像数据集中的对比实验,验证了该方法对复杂背景中的人像着色有着更好的效果。     

花卉图像色彩信息灰阶串扰量化方法仿真

图像颜色的完善匹配可以更有效率地提高整体视觉效果,但目前针对图像颜色的完善匹配,需提取出部分颜色分量的数据因子,以便于在完成匹配后,让目标图像拥有与初始图像相同的色彩,为了确保可以直观的评价出在立体显现中的串扰现象,提出花卉色彩信息灰阶串扰量化方法。提取花卉图像色彩信息特征,构建其2RGB模型,以减小光照和阴影对处理结果的影响。将图像的内容做灰阶串扰数值量化处理,选择出几张拥有特殊性的立体图像并对其提出平均灰阶转换概念。量化实验结果表明:所提方法可以有效完善串扰现象、提升整体视觉舒适度,其量化针对于评价显示器的灰阶串扰拥有优秀的适用性与便捷性。     

一种彩色图像灰度化的自适应全局映射方法

研究采用RGB颜色分量加权和的全局映射, 进行彩色到灰度的变换算法. 根据彩色像素在不同颜色分量的统计信息, 自动生成各颜色分量的灰度化权重, 同时结合主客观图像质量标准, 探索自适应的全局映射灰度化算法. 实验证明, 本文提出的新算法在多数测试图像上的灰度化效果与传统的灰度化算法效果相当, 但对具有主题色的彩色图像可以获得显著改善的灰度图像视觉效果.     

基于改进SqueezeNet的颜色恒常性计算

由于成像设备存在的缺陷,容易引起成像色彩的偏移,影响图像算法的下游任务,因此需要采用颜色恒常性算法实现图像色彩的矫正,保证图像颜色与人眼看到的色彩保持一致.传统颜色恒常性算法的效果依赖于特定的光源环境,为了提升算法的适用范围和使用效率,提出了一种基于SqueezeNet框架的颜色恒常性计算模型,通过卷积图像网络感知图像光源,并引入了注意力机制和残差连接,提升网络对图像的理解和计算性能.网络同时预测输入图像各区域的光照颜色,再通过设计3种不同池化方式汇聚,输出图像的全局估计光源,最后利用估计光源矫正图像.实验结果表明,提出的光源估计算法能够有效地估计图像光照颜色,矫正图像色彩.     

基于动态双注意力机制的跨模态行人重识别模型

针对跨模态行人重识别图像间模态差异大的问题,大多数现有方法采用像素对齐、特征对齐来实现图像间的匹配。为进一步提高两种模态图像间的匹配的精度,设计了一个基于动态双注意力机制的多输入双流网络模型。首先,在每个批次的训练中通过增加同一行人在不同相机下的图片,让神经网络在有限的样本中学习到充分的特征信息;其次,利用齐次增强得到灰度图像作为中间桥梁,在保留了可见光图像结构信息的同时消除了颜色信息,而灰度图像的运用弱化了网络对颜色信息的依赖,从而加强了网络模型挖掘结构信息的能力;最后,提出了适用于3个模态间图像的加权六向三元组排序（WSDR）损失,所提损失充分利用了不同视角下的跨模态三元组关系,优化了多个模态特征间的相对距离,并提高了对模态变化的鲁棒性。实验结果表明,在SYSU-MM01数据集上,与动态双注意聚合（DDAG）学习模型相比,所提模型在评价指标Rank-1和平均精确率均值（mAP）上分别提升了4.66和3.41个百分点。