面向单幅图像的训练神经网络及编辑传播方法研究
发布时间：2021-01-25 12:53
随着信息多媒体时代的到来,互联网技术、数字媒体技术得到迅速发展,而图像、视频作为信息传播的重要载体,与人们的生活更是息息相关。相机、摄像机、手机、PC等多媒体设备的普及使得人们接触到越来越多的视频图像资源,对可视媒体的处理需求也变得越来越强烈。颜色编辑处理技术作为计算机视觉领域的研究热点之一,也越来越多地应用到了影视后期、互动娱乐、动画创造、遥感通信、医学影像等各个领域。虽然越来越多的研究学者着手于颜色处理技术的研究,但是在数字图像中仍然存在颜色不均匀、边界颜色混合、着色效率低下、颜色溢出等问题。随着深度学习的发展,深度神经网络（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的监督式端到端逐层特征自学习方式和展示出的强大的特征表达能力。由于在传统编辑传播算法中存在的一些难以解决的问题,人们开始使用神经网络对图像进行颜色编辑传播。为了提高图像颜色编辑的效率,提高颜色编辑的质量,本文基于单幅图像训练神经网络进行图像的颜色编辑,适用于具有各种复杂自然图像,并获得高质量、高效率的颜色编辑结果。本文研究工作主要包括以下几点:（1）利用欧...
【文章来源】： 郭林 长沙理工大学
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．１?ＲＧＢ颜色空间??
硕士学位论文??蓝（０，?０，】?＞?靑（０，ＪＵ】＞??品红??（１，０．?１）?；?（１．?１，?＾??Ｉ??Ｉ??Ｉ??Ｉ??Ｉ??：?黑??ｊ＿（＾ｑ，＿〇，＿〇）???，，?ｍ?（０．?１．?０）??ｉｒ?（ｌ，?ｏ．?〇）?黄（ｌ，?ｉ，?〇）??图２．１?ＲＧＢ颜色空间??ＲＧＢ颜色空间最大的优点就是直观，容易理解，常用于视频、多媒体与网页设计等??方面，是人们生活中最常见的颜色空间模型。但是由于其３中基色Ｒ、Ｇ、Ｂ的值与色??彩的三属性（亮度、色调、饱和度）没有直接联系，即ＲＧＢ颜色空间准确不能描述色??彩之间的关系和内部属性，所以在一些图像颜色处理的应用中，其就不再是适合的颜色??模型。??ＱＥ?Ｌａｂ颜色空间??ＣＩＥ?Ｌａｂ空间（Ｌａｂ）基于人对颜色感觉的数字化描述方式，由专门制定各方面光线??标准的组织Ｃｏｍｍｉｓｓｉｏｎ?Ｉｎｔｅｒｎａｔｉｏｎａｌｅ?ｄ＇Ｅｃｌａｉｒａｇｅ?（法）（简称Ｃ１Ｅ）创建的数种颜色空间??之一。Ｌａｂ颜色空间中，Ｌ分量表示像素的亮度值变化，取值范围是［０，１００］，０表示纯黑，??１００纯白；ａ表示从红色到绿色的范围的颜色变化，取值范围是［１２７，－１２８］；?ｂ表示从黄??色到蓝色的范围的颜色变化，取值范围是［１２７，－１２８］。Ｌａｂ颜色空间的图示如下；??｜■（亮度轴）??黑??图２．?２?ＣＩＥ?Ｌａｂ颜色空间??ＣＩＥ?Ｌａｂ颜色空间是生活中不常用的颜色空间，它有非常宽广色域，比人眼和计算??机的显示、和打印机的颜色都要多。ＣＩＥ?Ｌａｂ颜色空间只是颜色的表示方式，而不是设??备生成颜色所需的特定基础颜色的数量，所以Ｃ
第二章相关理论技术??＿＿＾＿?Ｉｒ．?（Ｓ２）特征图?址打阳??■—輕里?（Ｓ４）特征图?園雙??＇?＇?￣￣?￣￣一?＂?ｒｒ－—－—－?＿??＾?＾—Ｌ－?－１?ｈ??ｎｒｒｒｒ４￣ｊ＝＝????＾????［．＊：：■＇?ｊ?Ｉ?■－－－■－」??Ｈ??Ｉ?卷积层?Ｉ?采样层?Ｉ?卷积层?Ｉ采样层Ｉ?全连接层?Ｉ??图２．?３卷积神经网络框架图??卷积神经网络一般可以划分为５部分，分别为输入层、卷积层、池化层、全连接层??以及输出层。??２．４．１卷积层??在图像处理中，卷积是指使用卷积核对图像中的每个像素进行一系列操作，卷积层??主要作用是提取图像特征，输出一个特征图（Ｆｅａｔｕｒｅ?Ｍａｐ）。??在卷积操作时，需要将卷积核的中心放置在要计算的像素上，依次计算核中每个元??素和其覆盖的图像像素点值的乘积并求和，得到的结构就是该位置的新像素值。然后使??用激活函数进行归一化处理，最后输出这个卷积层的特征图，可以得出卷积过程公式如??下：??／?＼?（２－１５）??ｘ］＝ｆ??在公式（２．?１５）中，／ｅＭ＿；代表输入特征图的在丨像素点的值，火表Ｔｐｃ卷积核，６是偏??置向量，表示激活函数。??２．４．２池化层??池化层主要用于对输入的特征图进行压缩，一方面能够降低特征图尺寸，以便减少??网络参数数量，简化网络计算复杂度，提高网络的运行速度；另一方面可以进行特征压??缩，提取图像的主要特征，降低过拟合。但有可能影响网络的准确度，因此可以通过增??加特征图的深度来弥补。??在池化层中特征图维度通常是恒定的，即输入与输出的特征图一一对应，只有特征??图尺寸大小会出发生
【参考文献】：
期刊论文
[1]基于双边网格和置信颜色模型的快速图像鲁棒分割方法[J]. 桂彦,曾光,汤问. 计算机辅助设计与图形学学报. 2018(07)
[2]具有重复场景元素的复杂自然图像颜色编辑[J]. 何豪杰,桂彦,李峰. 计算机科学与探索. 2017(11)
[3]层次化结构信息的视频重着色[J]. 李晓莉,郭丹,洪日昌. 小型微型计算机系统. 2015(02)
[4]基于色彩传递与扩展的图像着色算法[J]. 朱黎博,孙韶媛,谷小婧,夏如镜,叶茂锹. 中国图象图形学报. 2010(02)
博士论文
[1]基于颜色标记图像着色的关键技术研究[D]. 张可为.中南大学 2014
本文编号：2999259
【文章来源】： 郭林 长沙理工大学
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．１?ＲＧＢ颜色空间??
硕士学位论文??蓝（０，?０，】?＞?靑（０，ＪＵ】＞??品红??（１，０．?１）?；?（１．?１，?＾??Ｉ??Ｉ??Ｉ??Ｉ??Ｉ??：?黑??ｊ＿（＾ｑ，＿〇，＿〇）???，，?ｍ?（０．?１．?０）??ｉｒ?（ｌ，?ｏ．?〇）?黄（ｌ，?ｉ，?〇）??图２．１?ＲＧＢ颜色空间??ＲＧＢ颜色空间最大的优点就是直观，容易理解，常用于视频、多媒体与网页设计等??方面，是人们生活中最常见的颜色空间模型。但是由于其３中基色Ｒ、Ｇ、Ｂ的值与色??彩的三属性（亮度、色调、饱和度）没有直接联系，即ＲＧＢ颜色空间准确不能描述色??彩之间的关系和内部属性，所以在一些图像颜色处理的应用中，其就不再是适合的颜色??模型。??ＱＥ?Ｌａｂ颜色空间??ＣＩＥ?Ｌａｂ空间（Ｌａｂ）基于人对颜色感觉的数字化描述方式，由专门制定各方面光线??标准的组织Ｃｏｍｍｉｓｓｉｏｎ?Ｉｎｔｅｒｎａｔｉｏｎａｌｅ?ｄ＇Ｅｃｌａｉｒａｇｅ?（法）（简称Ｃ１Ｅ）创建的数种颜色空间??之一。Ｌａｂ颜色空间中，Ｌ分量表示像素的亮度值变化，取值范围是［０，１００］，０表示纯黑，??１００纯白；ａ表示从红色到绿色的范围的颜色变化，取值范围是［１２７，－１２８］；?ｂ表示从黄??色到蓝色的范围的颜色变化，取值范围是［１２７，－１２８］。Ｌａｂ颜色空间的图示如下；??｜■（亮度轴）??黑??图２．?２?ＣＩＥ?Ｌａｂ颜色空间??ＣＩＥ?Ｌａｂ颜色空间是生活中不常用的颜色空间，它有非常宽广色域，比人眼和计算??机的显示、和打印机的颜色都要多。ＣＩＥ?Ｌａｂ颜色空间只是颜色的表示方式，而不是设??备生成颜色所需的特定基础颜色的数量，所以Ｃ
第二章相关理论技术??＿＿＾＿?Ｉｒ．?（Ｓ２）特征图?址打阳??■—輕里?（Ｓ４）特征图?園雙??＇?＇?￣￣?￣￣一?＂?ｒｒ－—－—－?＿??＾?＾—Ｌ－?－１?ｈ??ｎｒｒｒｒ４￣ｊ＝＝????＾????［．＊：：■＇?ｊ?Ｉ?■－－－■－」??Ｈ??Ｉ?卷积层?Ｉ?采样层?Ｉ?卷积层?Ｉ采样层Ｉ?全连接层?Ｉ??图２．?３卷积神经网络框架图??卷积神经网络一般可以划分为５部分，分别为输入层、卷积层、池化层、全连接层??以及输出层。??２．４．１卷积层??在图像处理中，卷积是指使用卷积核对图像中的每个像素进行一系列操作，卷积层??主要作用是提取图像特征，输出一个特征图（Ｆｅａｔｕｒｅ?Ｍａｐ）。??在卷积操作时，需要将卷积核的中心放置在要计算的像素上，依次计算核中每个元??素和其覆盖的图像像素点值的乘积并求和，得到的结构就是该位置的新像素值。然后使??用激活函数进行归一化处理，最后输出这个卷积层的特征图，可以得出卷积过程公式如??下：??／?＼?（２－１５）??ｘ］＝ｆ??在公式（２．?１５）中，／ｅＭ＿；代表输入特征图的在丨像素点的值，火表Ｔｐｃ卷积核，６是偏??置向量，表示激活函数。??２．４．２池化层??池化层主要用于对输入的特征图进行压缩，一方面能够降低特征图尺寸，以便减少??网络参数数量，简化网络计算复杂度，提高网络的运行速度；另一方面可以进行特征压??缩，提取图像的主要特征，降低过拟合。但有可能影响网络的准确度，因此可以通过增??加特征图的深度来弥补。??在池化层中特征图维度通常是恒定的，即输入与输出的特征图一一对应，只有特征??图尺寸大小会出发生
【参考文献】：
期刊论文
[1]基于双边网格和置信颜色模型的快速图像鲁棒分割方法[J]. 桂彦,曾光,汤问. 计算机辅助设计与图形学学报. 2018(07)
[2]具有重复场景元素的复杂自然图像颜色编辑[J]. 何豪杰,桂彦,李峰. 计算机科学与探索. 2017(11)
[3]层次化结构信息的视频重着色[J]. 李晓莉,郭丹,洪日昌. 小型微型计算机系统. 2015(02)
[4]基于色彩传递与扩展的图像着色算法[J]. 朱黎博,孙韶媛,谷小婧,夏如镜,叶茂锹. 中国图象图形学报. 2010(02)
博士论文
[1]基于颜色标记图像着色的关键技术研究[D]. 张可为.中南大学 2014
本文编号：2999259
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2999259.html
