Python 图像处理之颜色迁移(reinhard VS welsh)
作者:watersink 发布时间:2022-06-08 05:22:31
前言
reinhard算法:Color Transfer between Images,作者Erik Reinhard
welsh算法:Transferring Color to Greyscale Images,作者Tomihisa Welsh
应用场景
人像图换肤色,风景图颜色迁移
出发点
RGB三通道有很强的关联性,而做颜色的改变同时恰当地改变三通道比较困难。
需要寻找三通道互不相关的也就是正交的颜色空间,作者想到了Ruderman等人提出的lαβ颜色空间。三个轴向正交意味着改变任何一个通道都不影响其他通道,从而能够较好的保持原图的自然效果。三个通道分别代表:亮度,黄蓝通道,红绿通道。
reinhard算法流程
输入变换图,颜色参考图,将其都从bgr空间转化为lab空间
分别计算变换图,参考图在lab空间的均值,方差
(变换图lab - 变换图均值)/变换图方差 *参考图方差 + 参考图均值
变换图lab空间转化为bgr空间,输出结果
welsh算法流程
输入变换图,颜色参考图,将其都从bgr空间转化为lab空间
定义随机参考点个数segment,领域空间大小window_size,加权系数ratio。从参考图片中随机选择segment个样本点,将这些样本点的像素亮度值L和L空间window_size领域内得方差σ保存起来,求这2个的加权W,W = L* ratio+ σ*(1-ratio)。这样就可以得到segment个W,以及与其一一对应的a通道,b通道对应位置的数值。
对变换图的L通道基于颜色参考图的L通道进行亮度重映射,保证后续的像素匹配正确进行
对变换图进行逐像素扫描,对每个像素,计算其权值W,计算方式和上面一样。然后在第二步得到的样本点中找到与其权值最接近的参考点,并将该点的a通道和b通道的值赋给变换图的a通道和b通道。
将变换图从Lab空间转化到bgr空间。
Reinhard VS welsh
Reinhard 操作简单,高效,速度快很多。
welsh算法涉及到了参考图的W的计算,如果是参考图固定且已知的场景,这一步可以放入初始化中。如果不是这样的场景,那么这一步的计算也是很费时的。
welsh整体速度慢很多,主要由于求方差造成。
welsh的输出效果,受随机参考点个数以及位置的影响,每次的结果都会有差异。
welsh的效果会有种涂抹不均匀的感觉,Reinhard 则没有这种问题。
代码实现
Reinhard
def color_trans_reinhard(in_img, ref_img, in_mask_lists=[None], ref_mask_lists=[None]):
ref_img_lab = cv2.cvtColor(ref_img, cv2.COLOR_BGR2LAB)
in_img_lab = cv2.cvtColor(in_img, cv2.COLOR_BGR2LAB)
in_avg = np.ones(in_img.shape, np.float32)
in_std = np.ones(in_img.shape, np.float32)
ref_avg = np.ones(in_img.shape, np.float32)
ref_std = np.ones(in_img.shape, np.float32)
mask_all = np.zeros(in_img.shape, np.float32)
for in_mask, ref_mask in zip(in_mask_lists, ref_mask_lists):
#mask,取值为 0, 255, shape[height,width]
in_avg_tmp, in_std_tmp = cv2.meanStdDev(in_img_lab, mask=in_mask)
np.copyto(in_avg, in_avg_tmp.reshape(1,1,-1), where=np.expand_dims(in_mask,2)!=0) #numpy.copyto(destination, source)
np.copyto(in_std, in_std_tmp.reshape(1,1,-1), where=np.expand_dims(in_mask,2)!=0)
ref_avg_tmp, ref_std_tmp = cv2.meanStdDev(ref_img_lab, mask=ref_mask)
np.copyto(ref_avg, ref_avg_tmp.reshape(1,1,-1), where=np.expand_dims(in_mask,2)!=0) #numpy.copyto(destination, source)
np.copyto(ref_std, ref_std_tmp.reshape(1,1,-1), where=np.expand_dims(in_mask,2)!=0)
#mask
mask_all[in_mask!=0] = 1
in_std[in_std==0] =1 #避免除数为0的情况
transfered_lab = (in_img_lab - in_avg)/(in_std) *ref_std + ref_avg
transfered_lab[transfered_lab<0] = 0
transfered_lab[transfered_lab>255] = 255
out_img = cv2.cvtColor(transfered_lab.astype(np.uint8), cv2.COLOR_LAB2BGR)
if in_mask_lists[0] is not None and ref_mask_lists[0] is not None:
np.copyto(out_img, in_img, where=mask_all==0)
return out_img
"""
#img1 = cv2.imread("imgs/1.png")
#img2 = cv2.imread("imgs/2.png")
#img1 = cv2.imread("welsh22/1.png", 1)
#img2 = cv2.imread("welsh22/2.png", 1)
img1 = cv2.imread("welsh22/gray.jpg", 1)
img2 = cv2.imread("welsh22/consult.jpg", 1)
cv2.imwrite("out.jpg", color_trans_reinhard(img1, img2, [np.ones(img1.shape[:-1],np.uint8)*255], [np.ones(img2.shape[:-1],np.uint8)*255]))
"""
img1 = cv2.imread("ab.jpeg")
img2 = cv2.imread("hsy.jpeg")
mask1 = cv2.imread("ab_parsing.jpg", 0)
mask1[mask1<128]=0
mask1[mask1>=128]=255
mask2 = cv2.imread("hsy_parsing.jpg", 0)
mask2[mask2<128]=0
mask2[mask2>=128]=255
cv2.imwrite("out.jpg", color_trans_reinhard(img1, img2, [mask1], [mask2]))
Welsh代码
改进点
主要是去掉for循环操作。
将计算一个领域内的std,使用均值滤波+numpy实现近似替换。差别目测看不出。
修改参考图的weight,全部int化,只保留不一样的weight,实际测试大概150个左右的weight就可以。
修改最近weight查找思路,使用numpy减法操作+argmin,替换2分查找。
整体速度比原始代码快18倍。
def get_domain_std(img_l, pixel, height, width, window_size):
window_left = max(pixel[1] - window_size, 0)
window_right = min(pixel[1] + window_size + 1, width)
window_top = max(pixel[0] - window_size, 0)
window_bottom = min(pixel[0] + window_size + 1, height)
window_slice = img_l[window_top: window_bottom, window_left: window_right]
return np.std(window_slice)
def get_weight_pixel(ref_img_l, ref_img_a, ref_img_b, ref_img_height, ref_img_width, segment, window_size, ratio, ref_mask_lists=[None]):
weight_list = []
pixel_a_list = []
pixel_b_list = []
ref_img_mask = np.ones((ref_img_height, ref_img_width), np.uint8)
if ref_mask_lists[0] is not None:
for x in ref_mask_lists:
ref_img_mask = np.bitwise_or(x, ref_img_mask)
ref_img_l_mean = cv2.blur(ref_img_l, (window_size, window_size))
ref_img_l_std = np.sqrt(cv2.blur(np.power((ref_img_l - ref_img_l_mean), 2), (window_size, window_size)))
for _ in range(segment):
height_index = np.random.randint(ref_img_height)
width_index = np.random.randint(ref_img_width)
pixel = [height_index, width_index] #[x,y]
if ref_img_mask[pixel[0], pixel[1]] == 0:
continue
pixel_light = ref_img_l[pixel[0], pixel[1]]
pixel_a = ref_img_a[pixel[0], pixel[1]]
pixel_b = ref_img_b[pixel[0], pixel[1]]
#pixel_std = get_domain_std(ref_img_l, pixel, ref_img_height, ref_img_width, window_size)
pixel_std = ref_img_l_std[height_index, width_index]
weight_value = int(pixel_light * ratio + pixel_std * (1 - ratio))
if weight_value not in weight_list:
weight_list.append(weight_value)
pixel_a_list.append(pixel_a)
pixel_b_list.append(pixel_b)
return np.array(weight_list), np.array(pixel_a_list), np.array(pixel_b_list)
def color_trans_welsh(in_img, ref_img, in_mask_lists=[None], ref_mask_lists=[None]):
start = time.time()
#参考图
ref_img_height, ref_img_width, ref_img_channel = ref_img.shape
window_size=5 #窗口大小
segment= 10000#随机点个数
ratio=0.5 #求weight的比例系数
ref_img_lab = cv2.cvtColor(ref_img, cv2.COLOR_BGR2Lab)
ref_img_l, ref_img_a, ref_img_b = cv2.split(ref_img_lab)
#计算参考图weight
ref_img_weight_array, ref_img_pixel_a_array, ref_img_pixel_b_array = get_weight_pixel(ref_img_l, ref_img_a, ref_img_b, ref_img_height, ref_img_width, segment, window_size, ratio, ref_mask_lists)
ref_img_max_pixel, ref_img_min_pixel = np.max(ref_img_l), np.min(ref_img_l)
#输入图
in_img_height, in_img_width, in_img_channel = in_img.shape
in_img_lab = cv2.cvtColor(in_img, cv2.COLOR_BGR2LAB)
# 获取灰度图像的亮度信息;
in_img_l, in_img_a, in_img_b = cv2.split(in_img_lab)
in_img_max_pixel, in_img_min_pixel = np.max(in_img_l), np.min(in_img_l)
pixel_ratio = (ref_img_max_pixel - ref_img_min_pixel) / (in_img_max_pixel - in_img_min_pixel)
# 把输入图像的亮度值映射到参考图像范围内;
in_img_l = ref_img_min_pixel + (in_img_l - in_img_min_pixel) * pixel_ratio
in_img_l = in_img_l.astype(np.uint8)
in_img_l_mean = cv2.blur(in_img_l, (window_size, window_size))
in_img_l_std = np.sqrt(cv2.blur(np.power((in_img_l - in_img_l_mean), 2), (window_size, window_size)))
in_img_weight_pixel = ratio * in_img_l + (1 - ratio) * in_img_l_std
nearest_pixel_index = np.argmin(np.abs(ref_img_weight_array.reshape(1,1,-1) - np.expand_dims(in_img_weight_pixel, 2)), axis=2).astype(np.float32)
in_img_a = cv2.remap(ref_img_pixel_a_array.reshape(1, -1), nearest_pixel_index, np.zeros_like(nearest_pixel_index, np.float32), interpolation=cv2.INTER_LINEAR)
in_img_b = cv2.remap(ref_img_pixel_b_array.reshape(1, -1), nearest_pixel_index, np.zeros_like(nearest_pixel_index, np.float32), interpolation=cv2.INTER_LINEAR)
merge_img = cv2.merge([in_img_l, in_img_a, in_img_b])
bgr_img = cv2.cvtColor(merge_img, cv2.COLOR_LAB2BGR)
mask_all = np.zeros(in_img.shape[:-1], np.int32)
if in_mask_lists[0] is not None and ref_mask_lists[0] is not None:
for x in in_mask_lists:
mask_all = np.bitwise_or(x, mask_all)
mask_all = cv2.merge([mask_all, mask_all, mask_all])
np.copyto(bgr_img, in_img, where=mask_all==0)
end = time.time()
print("time", end-start)
return bgr_img
if __name__ == '__main__':
# 创建参考图像的分析类;
#ref_img = cv2.imread("consult.jpg")
#ref_img = cv2.imread("2.png")
ref_img = cv2.imread("../imgs/2.png")
# 读取灰度图像;opencv默认读取的是3通道的,不需要我们扩展通道;
#in_img = cv2.imread("gray.jpg")
#in_img = cv2.imread("1.png")
in_img = cv2.imread("../imgs/1.png")
bgr_img = color_trans_welsh(in_img, ref_img)
cv2.imwrite("out_ren.jpg", bgr_img)
"""
ref_img = cv2.imread("../hsy.jpeg")
ref_mask = cv2.imread("../hsy_parsing.jpg", 0)
ref_mask[ref_mask<128] = 0
ref_mask[ref_mask>=128] = 255
in_img = cv2.imread("../ab.jpeg")
in_mask = cv2.imread("../ab_parsing.jpg", 0)
in_mask[in_mask<128] = 0
in_mask[in_mask>=128] = 255
bgr_img = color_trans_welsh(in_img, ref_img, in_mask_lists=[in_mask], ref_mask_lists=[ref_mask])
cv2.imwrite("bgr.jpg", bgr_img)
"""
效果对比
从左到右,分别为原图,参考图,reinhard效果,welsh效果
从左到右,分别为原图,原图皮肤mask,参考图,参考图皮肤mask,reinhard效果,welsh效果
来源:https://blog.csdn.net/qq_14845119/article/details/121765900
猜你喜欢
- 本文实例讲述了Python排序搜索基本算法之冒泡排序。分享给大家供大家参考,具体如下:冒泡排序和选择排序类似,也是第n次把最小的元素排在第n
- Pandas库中有iloc和loc以及ix可以用来索引数据,抽取数据。但是方法一多也容易造成混淆。下面将一一来结合代码说清其中的区别。1.
- 问题: 1.购物车中的数据是否应该存储在数据库中? 我特别想知道在真正的项目中,那些真正的软件工程师是如何考虑这个问题的。在Google上一
- 简述和GNU一样,YAML是一个递归着说“不”的名字。不同的是,GNU对UNIX说不,YAML说不的对象是XML。YAML不是XML。为什么
- 在所有信息技术领域,网页设计、网站设计长期是个几乎搞不清楚的、弱势的、被边缘化的职能职位。但近些年发展中,不断有远见卓识的从业者认识到,“设
- 本文实例讲述了Python统计分析模块statistics用法。分享给大家供大家参考,具体如下:一 计算平均数函数mean()>>
- 看代码吧~def find_all_index(arr, item): return [i for i, a in
- 问题重述实习项目要做安全帽目标检测,拿到了公司给的一些视频数据,使用Opencv读取视频并每隔 1 s 1s 1s存储一副图像,下面是一些视
- 这篇文章将介绍在Python中使用 "frozenset "函数的指南,该函数返回一个新的frozenset类型的Pyt
- 经常存在在我们的电脑中的垃圾文件主要是指系统在运行过程中产生的tmp临时文件、日志文件、临时备份文件等。垃圾清理器的作用其实也是对这些文件进
- (1) 我们先用arange函数创建一个数组并改变其维度,使之变成一个三维数组:>>> a = np.arange(24)
- 在开发数据库应用中,经常会遇到处理时间的问题,如查询指定时间的记录等。下面就这些常见的问题,结合自己的一些经验,和大家探讨一下这类问题。首先
- 前言没有用过的东西,没有深刻理解的东西很难说自己会,而且被别人一问必然破绽百出。虽然之前有接触过python协程的概念,但是只是走马观花,这
- 目录用Python实现定时任务用Python实现定时任务的四种方法利用while True: + sleep()实现定时任务利用thread
- 首先新建一个dataframe:In[8]: df = pd.DataFrame({'name':list('ABC
- 使用破解补丁方法虽然麻烦,但是可用激活到2099年,基本上是永久激活了,毕竟在座各位能活到这个年份也是寥寥无几了吧!!步骤一、下载破解补丁,
- 今天写了个下载脚本,记录一下效果:直接上代码:# 网易云 根据歌单链接下载MP3歌曲import requestsfrom bs4 impo
- 一、项目需求前言:BBS上每个id对应一个用户,他们注册时候会填写性别(男、女、保密三选一)。经过检查,BBS注册用户的id对应1-3000
- 这篇文章主要介绍了python StringIO如何在内存中读写str,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学
- 本文实例总结了python中日期和时间格式化输出的方法。分享给大家供大家参考。具体分析如下:python格式化日期时间的函数为datetim