一种对黑白视频的着色方法、装置、存储介质及终端制造方法及图纸

本发明专利技术公开了一种对黑白视频的着色方法、装置、存储介质及终端，该方法包括：将原始黑白视频拆分为黑白图片集；构建第一彩色样例图；将黑白图片集中的第一张黑白图片和第一彩色样例图转换为Lab模式；将转换后的第一张黑白图片和第一彩色样例图输入预先训练的图片着色模型中，输出第一彩色图片；对于黑白图片集中的每一张黑白图片，重复上述过程，得到每一张黑白图片对应的彩色图片，构成彩色图片集；合并彩色图片集，生成彩色视频；其中，第一彩色图片是通过计算第一张黑白图片与第一彩色样例图之间的颜色传递矩阵进行着色。因此，采用本申请实施例，由于通过计算样例图和黑白图像的颜色传递矩阵对黑白影片进行快速上色，从而提升了黑白视频上色效率。提升了黑白视频上色效率。提升了黑白视频上色效率。

【技术实现步骤摘要】
一种对黑白视频的着色方法、装置、存储介质及终端


[0001]本专利技术涉及深度学习
，特别涉及一种对黑白视频的着色方法、装置、存储介质及终端。

技术介绍

[0002]一些早期拍摄的经典影片，比如《大独裁者》，受技术条件限制，影片一般呈现黑白色。目前，专业的影视工作人员采用手工的方式，通过使用专业的媒体制作工具(比如PhotoShop)对视频逐帧进行着色。这种方式具有以下两点缺陷：非常依赖专业人员的专业技能，技术难度比较大；一部时长约为两小时的电影需要对数十万帧进行手工着色，效率低下，成本非常高。
[0003]随着深度学习的兴起，出现了一系列基于卷积神经网络、生成式对抗网络的图像自动着色方法。这类方法主要原理是通过收集大量彩色图像，把这些彩色图像灰度化后作为训练数据，通过训练神经网络建立从灰度到彩色的映射，以达到对灰度图着色的目的。这种方式存在的缺点如下：着色效果非常依赖训练用的数据，如果训练数据不够大，或者部分目标数目较少，可能会导致着色结果难尽人意；自动着色的结果是依据概率模型进行预测，非常依赖训练数据的分布，并且着色结果可能会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对黑白视频的着色方法，其特征在于，所述方法包括：将原始黑白视频拆分为黑白图片集；构建第一彩色样例图；将所述黑白图片集中的第一张黑白图片和第一彩色样例图转换为Lab模式；将转换后的第一张黑白图片和第一彩色样例图输入预先训练的图片着色模型中，输出第一彩色图片；对于所述黑白图片集中的每一张黑白图片，重复上述过程，得到每一张黑白图片对应的彩色图片，构成彩色图片集；合并所述彩色图片集，生成彩色视频。2.根据权利要求1所述的方法，其特征在于，所述构建第一彩色样例图，包括：从所述黑白图片集中获取第一张黑白图片；接收针对所述第一张黑白图片的着色指令，基于所述着色指令将所述第一张黑白图片着色为彩色图片；将所述彩色图片确定为第一彩色样例图；或者，获取与所述黑白图片集中任一黑白图片的内容相似度大于预设值的彩色图片；将所述彩色图片确定为第一彩色样例图。3.根据权利要求2所述的方法，其特征在于，所述预先训练的图片着色模型包括编码器网络、解码器网络以及样例图颜色传递网络；所述将转换后的第一张黑白图片和第一彩色样例图输入预先训练的图片着色模型中，输出第一彩色图片，包括：将所述第一张黑白图片的L通道与所述第一彩色样例图的L通道输入所述样例图颜色传递网络中，输出颜色传递矩阵；将所述第一张黑白图片与所述颜色传递矩阵输入所述编码器网络中进行卷积运算，输出编码特征图片；将所述编码特征图片输入所述解码器网络中，输出第一彩色图片。4.根据权利要求3所述的方法，其特征在于，所述将所述第一张黑白图片的L通道与所述第一彩色样例图的L通道输入所述样例图颜色传递网络中，输出颜色传递矩阵，包括：颜色传递网络针对所述第一张黑白图片与所述第一彩色样例图进行卷积运算，生成第一张黑白图片与第一彩色样例图的特征编码；颜色传递网络计算所述第一张黑白图片与第一彩色样例图的特征编码的余弦相似度，生成相似度矩阵；颜色传递网络将所述第一彩色样例图的ab通道与所述相似度矩阵作积后生成颜色传递矩阵。5.根据权利要求1所述的方法，其特征在于，所述第一彩色图片是通过计算所述第一张黑白图片与所述第一彩色样例图之间的颜色传递矩阵进行着色。6.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的图片着色模...

【专利技术属性】
技术研发人员：傅慧源，马华东，王宇航，张宇，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：