一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法技术

本发明专利技术公开了一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法，首先将特征分类和多稀疏字典相结合，建立彩色化处理模型，实现对灰度图像的彩色化；再次，针对分类不准确的问题，提出相应的局部约束算法，提高分类准确率，进一步提升彩色化效果；最后针对稀疏表示固有的细节丢失的问题，以拉普拉斯金字塔为基础，提出细节增强算法，在有效解决细节丢失的问题同时，提高了图像彩色化的速度。本发明专利技术取得了符合人的视觉习惯、自然感强的灰度图像彩色化效果，并且还可应用于其他领域，如灰度融合图像及红外图像的彩色化、彩色图像间的色彩传递等。

【技术实现步骤摘要】
一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法
本专利技术属于灰度图像彩色化处理
，涉及一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法。
技术介绍
现阶段，基于稀疏表示的彩色化处理的非人工干预算法主要分为基于单一字典的彩色化处理与基于多字典的彩色化处理两种，其中，传统的基于单一字典的彩色化算法只能在色调单一的图像上取得较好的效果，对于色彩内容丰富的图像，会出现大量的误着色点。为解决此问题，UrumaK等提出了改进的稀疏优化算法，取得了比较好的结果，但彩色化效果依旧存在较多的误着色点；梁海等提出了基于分类字典与稀疏表示的彩色化算法，该算法由训练分类字典与基于重建误差最小化的字典匹配与彩色化两部分组成，在此基础上，梁海等进而提出了基于联合字典与稀疏表示的图像彩色化算法，这两种算法实现了多内容目标灰度图像的彩色化，并且改进算法效果较好，但是，这两种算法均没有解决通过稀疏字典进行彩色化带来的细节缺失、边缘模糊的问题，并且，对于色彩丰富的图像，依旧存在较多的误着色点。因此，需要一种新的多稀疏字典灰度图彩色化方法以解决上述问题。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法。为实现上述目的，本专利技术提供如下技术方案：一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法，包括以下步骤：1)、根据相似参考图像块对目标灰度图像块进行分类，得到目标灰度图像块的分类结果；2)、对步骤1)的分类结果进行优化处理，采用单一字典的彩色化算法对灰度图像进行彩色化处理；3)、运用拉普拉斯金字塔对步骤2)的彩色化结果进行细节增强处理。更进一步的，步骤1)中根据相似参考图像块对目标灰度图像块进行分类包括以下步骤：一、选取与目标灰度图像相似的彩色图像作为参考图像，并对参考图像进行分块处理，计算每一个参考图像块的“亮度—特征”信息；二、运用KSVD算法训练出各个参考图像对应的“亮度—特征—颜色”稀疏字典集，并利用libSVM分类器训练“亮度—特征”模型；三、对目标灰度图像进行分块处理，计算目标灰度图像块的“亮度—特征”信息，并利用“亮度—特征”模型对目标灰度图像块进行分类，得到每个目标灰度图像块对应的分类结果。更进一步的，步骤2)中对步骤1)的分类结果进行优化处理，包括以下步骤：a、根据目标灰度图像块的分类结果，建立与灰度图像块一一对应的二维矩阵，并以分类结果作为二维矩阵的值；b、根据局部区域图像的特征具有一致性的原则，以N×N的矩形框遍历二维矩阵的整个区域，并以矩形框里分类结果值最多的值作为矩形区域中心值，实现分类结果的优化。提出基于局部约束的算法，提高了分类准确率，进一步提升彩色化效果。更进一步的，步骤2)中采用单一字典的彩色化算法对灰度图像进行彩色化处理包括以下步骤：c、根据得到的分类结果，获取对应的稀疏字典，并采用单一稀疏字典彩色化方法对每一类灰度图像块进行彩色化处理，得到整个灰度图像的彩色化结果。更进一步的，步骤3)中运用拉普拉斯金字塔对彩色化结果进行细节增强处理包括以下步骤：a1、对目标灰度图像进行拉普拉斯金字塔分解得到拉普拉斯金字塔图像；b1、如果目标灰度图像是最底层图像，则直接将彩色化结果的R、G、B三通道分量分别与拉普拉斯金字塔图像最底层图像想加，得到最终的彩色化结果；如果目标灰度图像是金字塔图像的最顶层图像，将彩色化结果的R、G、B三通道分量分别与拉普拉斯金字塔图像最顶层图像相加，并运用高斯金字塔得到下一层图像，重复上述步骤，直至得到最底层图像，获取最终的彩色化结果。利用拉普拉斯金字塔对彩色化结果进行细节增强有效解决基于稀疏表示算法固有的细节丢失问题，并提高了图像彩色化速度。专利技术原理：本专利技术基于特征分类细节增强的多稀疏字典灰度图彩色化方法首先将特征分类和多稀疏字典相结合，建立彩色化处理模型，实现对灰度图像的彩色化；再次，针对分类不准确的问题，提出相应的局部约束算法，提高分类准确率，进一步提升彩色化效果；最后针对稀疏表示固有的细节丢失的问题，以拉普拉斯金字塔为基础，提出细节增强算法，在有效解决细节丢失的问题同时，提高了图像彩色化的速度，得到灰度图像彩色化最终结果。有益效果：本专利技术的基于特征分类细节增强的多稀疏字典灰度图彩色化方法可实现多内容图像的彩色化，效果符合人的视觉观察习惯，自然感强。提出基于局部约束的算法，提高了分类准确率，进一步提升彩色化效果。有效解决基于稀疏表示算法固有的细节丢失问题，并提高了图像彩色化速度。附图说明图1是本专利技术方法原理图；图2是本专利技术方法步骤二的二维矩阵构建图；图3是本专利技术方法与梁海算法效果对比图；图4是本专利技术方法在融合图像彩色化领域的应用效果图；图5是本专利技术方法在红外图像彩色化领域的应用效果图；图6是本专利技术方法在彩色图像间色彩传递领域的应用效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1和图2所示，本专利技术提出的基于特征分类细节增强的多稀疏字典灰度图彩色化方法的步骤如下：步骤一：基于特征分类多稀疏字典的彩色化本专利技术将特征分类和多稀疏字典相结合，建立彩色化处理模型，实现对灰度图像的彩色化，具体过程描述如下：1、选取与目标灰度图像相似的彩色图像作为参考图像，并对参考图像进行分块处理，计算每一个参考图像块的“亮度——特征”信息，并运用libSVM分类器训练“亮度——特征”模型；然后，运用KSVD算法训练以参考图像块为分类的稀疏字典集，训练稀疏字典的方式与单一字典的彩色参考图的训练方式相同，即训练具有“亮度——特征——颜色”的稀疏字典集，如式(1)所示，其中，下标为gray代表字典亮度部分，下标f代表字典特征部分，下标代表字典彩色部分，如式(2)：D＝[dictionary1,dictionary2···dictionaryn]T＝[Dgray,Df,Dc]T(1)2、假设目标灰度图像共被分成m块，如式(3)，本专利技术根据每个灰度图像块的“亮度——特征”信息，结合所述的“亮度——特征”模型，运用libSVM分类器求取每个图像块对应的类别，假设目标灰度图像块的分类结果如式(4)：Blockgray＝[block1gray,block2gray,···,blockmgray](3)Category＝[category1,category1,···,categoryn](4)3、设属于第i类的目标灰度图像块为Blockgray[index(i)],index(i)代表属于第i类的目标灰度图像块所属的列，其余列设为0，对应的字典为D(i)，则其稀疏系数S'(i)可由式(5)求得：Blockgray[index(i)]＝Dgray(i)×S'(i)(5)因此，属于第i类的目标灰度图像块的彩色化可以表示为：Blockc[index(i)]＝Dc(i)×S'(i)(6)依此类推，整个灰度图像分块的彩色化可以表示为：步骤二：基于局部约束的分类结果优化所述目标灰度图像块在运用libSVM进行分类的时候，对于内容本文档来自技高网...

【技术保护点】
一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法，其特征在于：包括以下步骤：1)、根据相似参考图像块对目标灰度图像块进行分类，得到目标灰度图像块的分类结果；2)、对步骤1)的分类结果进行优化处理，采用单一字典的彩色化算法对灰度图像进行彩色化处理；3)、运用拉普拉斯金字塔对步骤2)的彩色化结果进行细节增强处理。

【技术特征摘要】
1.一种基于特征分类细节增强的多稀疏字典灰度图彩色化方法，其特征在于：包括以下步骤：1)、根据相似参考图像块对目标灰度图像块进行分类，得到目标灰度图像块的分类结果；2)、对步骤1)的分类结果进行优化处理，采用单一字典的彩色化算法对灰度图像进行彩色化处理；3)、运用拉普拉斯金字塔对步骤2)的彩色化结果进行细节增强处理。2.根据权利要求1所述的基于特征分类细节增强的多稀疏字典灰度图彩色化方法，其特征在于：步骤1)中根据相似参考图像块对目标灰度图像块进行分类包括以下步骤：一、选取与目标灰度图像相似的彩色图像作为参考图像，并对参考图像进行分块处理，计算每一个参考图像块的“亮度—特征”信息；二、运用KSVD算法训练出各个参考图像对应的“亮度—特征—颜色”稀疏字典集，并利用libSVM分类器训练“亮度—特征”模型；三、对目标灰度图像进行分块处理，计算目标灰度图像块的“亮度—特征”信息，并利用“亮度—特征”模型对目标灰度图像块进行分类，得到每个目标灰度图像块对应的分类结果。3.根据权利要求1所述的基于特征分类细节增强的多稀疏字典灰度图彩色化方法，其特征在于：步骤2)中对步骤1)的分类结果进行优化处理，包括以下步骤：a、根据目标灰度图像块的分类结果，建立与灰度图像...

【专利技术属性】
技术研发人员：闫丹，韩静，柏连发，张毅，岳江，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32