The present invention provides an image color editing method and device. The method determines the distance map of the seed pixel set corresponding to each category of the image to be edited, and each distance map is a new channel map of the image to be edited, and the RG of the image to be edited is combined with the user interactive information input by the user. B three channel diagrams to determine the preset number of multi-channel image sub blocks. Based on the trained multi feature joint network model, the depth feature of each multi channel image subblock is extracted. According to the depth feature, the probability of each pixel in the image to be edited is obtained. Finally, based on the obtained probability, and based on the minimized image segmentation energy function, the category of each pixel in the image to be edited is determined, and the color of the image to be edited is edited. The image color editing method provided by the present embodiment effectively combines the distance information and color information of the pixels in the image to ensure the accuracy of the image color editing.
【技术实现步骤摘要】
图像颜色编辑方法及装置
本专利技术涉及图像处理领域,更具体地,涉及图像颜色编辑方法及装置。
技术介绍
目前,随着手机拍照功能和数码相机的普及,人们在生活中常常会拍摄出大量的图像和视频。且伴随着互联网的迅速发展,人们会在互联网上进行图片和视频的分享。为此,人们希望寻求方便快捷的图像和视频处理工具以满足实际应用的需求,其中图像的颜色编辑技术近年来倍受研究人员关注。现有的图像颜色编辑方法主要分为两大类:基于用户交互的图像颜色编辑方法和基于实例的图像颜色编辑方法。其中,基于用户交互的图像颜色编辑方法需要用户具有一定的图像处理的专业素质,通过提供充足的用户交互信息以得到令用户满意的图像颜色编辑结果;基于实例的图像颜色编辑方法则需要用户提供合适的彩色参考图像,此类方法的颜色编辑效果几乎完全取决于提供的彩色参考图像,即当所选的彩色参考图像与待编辑图像的风格迥异时,此类方法很难得到理想的图像颜色编辑结果。随着深度学习的发展,深度神经网络(DeepNeuralNetwork,DNN)被广泛地应用于图像语义分类、目标物体检测、场景图像语义分割等任务且取得了突破性成绩,这是因为DNN具有监督式端到端逐层特征自学习方式和强大的特征表达能力。近几年,研究学者提出了许多基于DNN的图像颜色编辑工作。在结合DNN后,基于实例的图像颜色编辑方法首先根据提供的大规模图像数据库,通过训练DNN以获得网络模型的参数,即构建训练后的网络模型。在训练结束后,用户只需要将待编辑图像作为深度神经网络的输入,通过进行网络的前向计算就能很快地进行图像颜色编辑,且颜色编辑效果得到了明显改善。而基于用户交互的 ...
【技术保护点】
一种图像颜色编辑方法,其特征在于,包括:S1,基于不同类别的用户交互信息,提取待编辑图像上不同类别的像素以构成不同类别的种子像素集,并根据所述待编辑图像上每一像素与每一类别的种子像素集中每一种子像素之间的空间距离,确定每一类别的种子像素集对应的所述待编辑图像的距离图;S2,将每一个所述距离图作为所述待编辑图像的一个新的通道图,并结合所述待编辑图像的RGB三个通道图,确定所述待编辑图像的多通道图像,并从所述多通道图像中预设位置处提取预设数量的多通道图像子块,所述预设位置为所述多通道图像中与每一类别的用户交互信息对应的位置;S3,基于训练好的多特征联合网络模型,提取每一多通道图像子块中的深度特征,根据所述深度特征,得到所述待编辑图像中每一像素所属类别的概率;S4,根据得到的所述待编辑图像中每一像素所属类别的概率以及最小化的图像分割能量函数,确定所述待编辑图像中每一像素所属类别,并根据所述待编辑图像中每一像素所属类别,对所述待编辑图像的颜色进行编辑。
【技术特征摘要】
1.一种图像颜色编辑方法,其特征在于,包括:S1,基于不同类别的用户交互信息,提取待编辑图像上不同类别的像素以构成不同类别的种子像素集,并根据所述待编辑图像上每一像素与每一类别的种子像素集中每一种子像素之间的空间距离,确定每一类别的种子像素集对应的所述待编辑图像的距离图;S2,将每一个所述距离图作为所述待编辑图像的一个新的通道图,并结合所述待编辑图像的RGB三个通道图,确定所述待编辑图像的多通道图像,并从所述多通道图像中预设位置处提取预设数量的多通道图像子块,所述预设位置为所述多通道图像中与每一类别的用户交互信息对应的位置;S3,基于训练好的多特征联合网络模型,提取每一多通道图像子块中的深度特征,根据所述深度特征,得到所述待编辑图像中每一像素所属类别的概率;S4,根据得到的所述待编辑图像中每一像素所属类别的概率以及最小化的图像分割能量函数,确定所述待编辑图像中每一像素所属类别,并根据所述待编辑图像中每一像素所属类别,对所述待编辑图像的颜色进行编辑。2.根据权利要求1所述的方法,其特征在于,所述从所述多通道图像中预设位置处提取预设数量的多通道图像子块,具体包括:从所述多通道图像的每一个通道图中所述预设位置处选取预设数量组像素点,每组像素点构成一个图像子块,所有通道图中相同位置处的图像子块构成一个多通道图像子块。3.根据权利要求1所述的方法,其特征在于,所述多特征联合网络模型具体包括:深度特征抽取层、全连接层和概率估计层;所述深度特征抽取层用于提取所述多通道图像子块中的深度特征;所述全连接层用于将提取到的深度特征进行全连接;所述概率估计层,用于根据全连接后的深度特征,采用soft-max函数得到所述待编辑图像中每一像素所属类别的概率。4.根据权利要求3所述的方法,其特征在于,每一类别对应唯一的类别标签值,所述多特征联合网络模型通过如下方法进行训练以确定模型参数:将所述预设数量的多通道图像子块中每一多通道图像子块以及所述每一多通道图像子块对应的类别标签值作为一个训练样本,根据所有训练样本对所述多特征联合网络模型进行训练;基于随机梯度下降算法,当训练次数达到所述预设数量时,或者所述多特征联合网络模型的模型参数使所述多特征联合网络模型的损失函数收敛时,则结束训练;所述损失函数用于基于所述待编辑图像中每一像素所属类别的概率,度量所述每一多通道图像子块对应的类别标签估计值与所述每一多通道图像子块对应的类别标签值的接近程度。5.根据权利要求1所述的方法,其特征在于,所述基于不同类别的用户交互信息,提取待编辑图像...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。