灰度图像彩色化:概述

Ambika氧化钾¹Balwinder辛格²

Asst.教授(电脑Engg),扎拉拉难民营Gurdas Engg技术研究所Sangrur。
Asst.教授(电脑Engg。), Yadavindra工程学院,大师喀什校园,Talwandi Sabo。

通讯作者:Ambika氧化钾,电子邮件:(电子邮件保护)

文摘

一种有效的图像的彩色化方案基于优先源传播提出了这项工作。用户第一次草稿颜色的一组像素在图像来源。该算法然后将这些颜色传播到其他非源代码像素和随后的帧。具体来说,该算法识别非源代码像素最高的优先级,可以最可靠的彩色的。然后,它的颜色从邻近的像素内插。重复此过程,直到整个图像或电影是彩色的。仿真结果表明,提出的算法产生更可靠的彩色化性能比传统的算法。

关键字

图像彩色化、优先级、源像素和传播

介绍

彩色化是添加颜色的过程,扮演着重要的角色在人类感知的视觉信息,[1]单色图像或视频。着色、着色的任务一个灰度图像或视频,包括分配单维度的强度或亮度在三维空间变化的量,如红、绿、蓝通道。强度和颜色之间的映射,因此,在本质上不是独一无二的,彩色化是模棱两可的,需要一定的人工交互或外部信息。

计算机技术的快速发展为多媒体系统导致快速增加数字图像的使用。丰富的信息是隐藏在这些数据收集可能是有用的在犯罪预防等广泛应用,军事、家庭娱乐、教育、文化遗产、地理信息系统(GIS)、遥感、医疗诊断,和万维网(9、10)。丰富的信息是隐藏在这些数据收集可能是有用的。与这些领域的一个重大挑战是如何有效地利用这些有用的信息。探索和分析图像数据的庞大的体积变得越来越困难。自从人类的视觉系统可以感知颜色信息更有效地比单色信息,单色图像的价值,电影和电视节目可以增加通过彩色化的过程。然而,人工彩色化消耗大量的时间和劳动力。基于的概念luminance-weighted色度混合和快速固有距离计算,高质量的彩色化的结果还得到了图片和视频的一小部分之前报道技术的复杂性和计算成本。

可能这里介绍算法的扩展包括的能力改变现有的彩色图像或视频的颜色,以及改变底层的亮度。将颜色添加到灰度图像是一个小小的影响你看得到处都是。现在,这不是混淆与彩色图像和删除它的颜色,

只有添加一些在某些地方。这一技术是完全不同的。这是一个很简单的技术,有趣;很高兴为创建视觉兴趣,关注某一部分的照片. .Reinhard等。[2]介绍了早期的彩色化方案,转让颜色从一个源图像的灰色目标图像匹配的两幅图像的亮度分量。

威尔士et al。[3]提高匹配性能利用邻近像素的亮度值和纹理。这些颜色转移方案提供可接受的彩色化性能,提供了一个输入图像具有明显的亮度值或纹理对象边界。另一种方法是要求用户指定颜色一些颜色像素和传播到其他剩下的像素。莱文et al。[4]制定传播作为二次成本函数的极小化问题,假设相邻像素相似的强度应该有类似的颜色。Yatziv和Sapiro[5]混合源像素画目标像素的颜色基于测地线距离源像素目标像素。测地距离测量光泽的变化沿路径从源到目标像素。然而,propagation-based方案可能产生颜色模糊错误,和他们的表演影响显著的位置颜色来源。

在图论、图着色图标识是一个特例;它是传统标签的任务称为“颜色”元素的图受到一定的约束。在其最简单的形式,它是一种着色图的顶点,没有两个相邻顶点共享相同的颜色;这就是所谓的一个顶点着色。同样,边着色分配一个颜色每条边,没有两个邻边共享相同的颜色,和一脸的颜色的平面图分配一个颜色每个面或地区,没有两个面孔,共享一个边界有相同的颜色。

顶点着色的起点,和其他着色问题可以转化为一个顶点的版本。例如,图的边着色是一个线形图的顶点着色,和一脸的颜色的平面图是一个顶点着色的平面双。然而,non-vertex着色问题往往说明和研究。部分的角度来看,部分原因是一些问题最好在non-vertex学习形式,例如边缘着色。

颜色使图像更生动。他们现在可以轻易用傻瓜相机记录。然而,人们常常想添加颜色旧的黑白照片,和图片有时是严重错误的白平衡设置,在这种情况下,一个可能的补救措施是保持只捕获的强度和颜色转移另一个来源。添加颜色时特别有用的技术形象是用特殊的传感器,如x射线、核磁共振、近红外等。这就是所谓的“伪色彩”。的难度分配颜色单色图像从缺乏确定性的关系图像的亮度和色相/饱和度频道——在一个图像,像素的强度可能有不同的颜色,反之亦然。人类可以直观地猜颜色黑白图像,因为我们知道图片上的是什么,我们对他们的颜色应该有先验知识。然而,将颜色分配给每一块在一个图像是非常乏味。

特征通常用来区分不同颜色的亮度、色调和饱和度。亮度是指强度。色调是一个属性与主波长光波的混合物。饱和度是指相对纯度或白光的数量和颜色。色相和饱和度合在一起被称为色度,所以颜色可能会以它的亮度和色度。形成任何所需的大量的RGB颜色被称为三基色法的价值。混合颜色的色度是有用的,因为一条直线段加入任意两点,并定义所有不同颜色的变化,可以通过结合这两种颜色分析。颜色可以添加到灰度图像,以提高图像的视觉吸引力,如黑白照片,经典电影和科学的插图。

方法

图着色算法:

传统的乐观的图着色算法[6 7 8]包括五个主要阶段建立一个干涉图构造使用数据流分析的结果。图中的一个节点代表一个变量。一条边连接两个节点,如果变量节点所代表的干预,不能分配给相同的寄存器。限制寄存器分配给一个变量可以实现通过添加预着色节点图。

简化启发式是用来帮助颜色图表。任何节点度小于k, k是可用寄存器的数量,从图中删除和放置在堆栈中。重复此过程,直到所有节点移除,在这种情况下,我们跳过选择阶段,可以简化或没有节点。

潜在的泄漏如果只剩下与程度大于k节点,我们纪念一个节点作为一个潜在的泄漏节点,删除它从图,并乐观地把它压入堆栈。我们重复这个过程,直到图中存在节点度小于k,此时我们返回到简化的阶段。

选择在这个阶段所有的节点已经从图中删除。我们现在流行的节点堆栈。如果节点没有标记为一个潜在的泄漏节点必须有一个颜色我们可以分配这个节点不与任何颜色冲突已经分配给这个节点的邻居。如果它是一个潜在的泄漏事件节点,那么它仍然可能为它分配一个颜色;如果不可能颜色的潜在泄漏节点,其标记为一个实际的泄漏和让它不夸张的。

实际泄漏如果任何节点标记为实际的泄漏,我们产生泄漏的代码加载和存储变量节点所代表的到新的,短暂的,临时变量使用的变量和定义。因为新创建的变量,需要重建的干涉图。

注意,简化,潜在的泄漏,并选择阶段一起形成一个启发式图着色。如果这种启发式方法成功,就没有实际的泄漏。否则,修改图,这样更容易溢出颜色的变量和重复整个过程。

图划分问题(GPP):

让图G = (V, E)是任何与偶数(2 n)的顶点,诉GPP包括分区V1和V2 V为两个节点集(即。V1, V | | = | | V1 + V2 | |和∩V2 =Φ)这样的总和edge-cost在不同的端点集最小化。事实上,如果cij对称成本的边缘连接节点i和j, GPP如下非线性优化问题:

习近平在一个{0,1}我V;和ξ= 1 = >我在V1;ξ= 0 = >我在V2。(3)

GPP的配方可以在一种无约束形式或者重写为:

Π在哪里与(2)相关惩罚措施。后者制定明确利用约翰逊等人[9]和后来提出的遗传算法(10、11)。在缺乏一个系统的算法解决问题最明显的策略是诉诸蛮力穷举搜索的解空间。在这种情况下,任何有意义的问题的解决方案空间非常大;此外,这个空间随节点数增加呈指数增长。实际上,当V | | = 10,解空间的基数是126。当V | | = 100空间有1029多个可行的解决方案。而不是试图获得最优解,大多数“近似算法”试图生成算法的解决方案。实际上,整个身体的文学进入设计启发式策略产生解决方案“任意接近”最优,并可计算在一个“合理”的时间。

考虑到亮度信息的图像或视频信号,该算法试图生成颜色信息,看起来自然、真实。我们工作在YUV空间,Y是亮度通道,和U和V是色度通道。让Y (p)表示像素的亮度p,和C (p) = (U (p), V (p))表示的色度矢量p。

图像彩色化:

给定一个亮度图像,用户将颜色值到选定的一组像素与一些笔触。然后,该算法传播这些颜色值构造一个彩色图像相邻像素。像素的颜色准确性(p) p被定义为0和1之间的数字,这表明颜色C (p)的可靠性。例如,一个像素时(p) = 1 p C (p)最准确的颜色,而(p) = 0意味着C (p)是不可靠的,因此应该被更新使用邻近像素的颜色信息。最初,(p)设置为1,如果p是由用户分配一个颜色向量,或设置为0。我们称之为p源像素(p) = 1。源像素的颜色信息传播到非源代码像素。为此,非源代码像素定义的优先级,和非源代码像素彩色的减少订单的优先级。具体来说,优先π(p)的非源代码p被定义为像素

在Np表示4-neighbor组p。换句话说,如果

p = (x, y), Np = {(x−1, y) (x + 1, y) (x, y−1), (x, y + 1)}。

注意,p是分配一个高优先级的π(p),如果一个邻近的像素q有精度高(q)和光泽Y (p)和Y (q)相似。换句话说,如果一个源像素有一个邻居,他们有相似的光泽,你的邻居被赋予一个高优先级。

分配和排序优先级之后,我们更新的颜色向量C (p)非源代码像素p与最高优先级

重量wp,问的定义是

Eq。(2), C (p)是集的加权和邻近的颜色,因为精度(p)的非源代码像素p = 0。加权求和,C (q)是给定一个高体重wp, q

如果q具有很高的准确性和p和q有类似的光泽。彩色像素p后,其准确性(p)更新为1时,即,变成了一个源像素。Np的邻近像素的优先级也更新了情商。(1)。然后,所有非源代码像素排序的优先级,优先级最高的非源代码像素彩色的是情商。(2)。重复此过程,直到所有像素都是彩色的。图像彩色化的精度(p)是二进制:1如果p是一个源像素,否则和0。

结论

在本文中,我们研究了一个新的将军,快,和用户友好的方式着色问题的灰度图像。一个简单但有效的彩色化方案图片和视频,这传播源像素的颜色非源代码像素优先的方式,提出了这项工作。该算法得出的颜色精度和彩色化的优先级,和彩色化的非源代码像素减少订单的优先级。

引用

g·伯恩斯,“彩色化”,博物馆的广播通信:电视的百科全书,http://www.museum.tv/archives/etv/index.html
e·莱因哈德·m·Ashikhmin b·古奇和p .雪莉,“图像之间的颜色传输”IEEE计算机图形学和应用程序,21卷,没有。5、41、2001页。
t·威尔士m . Ashikhmin k·穆勒,“颜色转移到灰度图像,”在Proc。ACM SIGGRAPH相依,2002,pp。277 - 280。
a·莱文d·里奇斯和Y。维斯”,使用优化彩色化,“在Proc。ACM SIGGRAPH相依,2004年,页689 - 694。
l . Yatziv萨皮罗·g·“快速图像和视频使用色度混合彩色化,“IEEE反式。图像处理,卷。15日,没有。5,1120 - 1129年,2006页。
普雷斯顿布里格斯。寄存器分配通过图形着色。莱斯大学博士论文,休斯顿,德克萨斯州,美国,1992年。
普雷斯顿Briggs,基思·d·库珀和琳达Torczon。改进图着色寄存器分配。ACM反式。程序。朗,系统。,16(3):428–455, 1994.
g . j . Chaitin。寄存器分配和溢出通过图形着色。1982年《SIGPLAN研讨会上的编译器构造,页98 - 101。ACM出版社,1982年。
约翰逊,d。阿拉贡,C.R.,McGeoch, L.A. and Schevon, C., "Optimization by Simulated Annealing: An Experimental Evaluation; Part 1, Graph Partitioning", Operations Research, 37, 6, 1989.
罗兰,E。,文摘Heuristic Search methods for Graph Partitioning, Ph.D. dissertation, The Ohio State University, Columbus, Ohio. 1991.
罗兰,大肠和Pirkul, H。,"Heuristic Solution Procedures for the Graph Partitioning Problem", Proc. of the 1992 ORSA-CSTS Conf. on Computer Science and Operations Research : New Developments in Their Interfaces, Williamsburg, 1992, pp. 475-490.