Компьютерная Графика и Мультимедиа Сетевой журнал

При работе с изображениями часто возникает необходимость каким-то особым образом изменить его цвет: изменение цвета участков изображения, изменение времени суток или погоды на фотографии, совмещение разных изображений так, чтобы не было видно границ. Статья описывает постановку задачи и примеры алгоритмов цветокоррекции.

Содержание

1. Введение
2. Суть метода
3. Выбор цветового пространства
4. Пространство Rudermann et al. lab
5. Характеристики метода
6. Литература

Введение

При работе с изображениями часто возникает необходимость каким-то особым образом изменить его цвет. Самый простой пример - работа дизайнера, здесь с изображением может происходить все, что угодно: изменение цвета участков изображения, изменение времени суток или погоды на фотографии, совмещение разных изображений так, чтобы не было видно границ. Задача цветокоррекции применяется и в других областях: создание текстур при моделировании объектов, выравнивание гистограмм изображений и многое другое. Все это порождает множество постановок задачи цветокореркции. В то же время заметим, что не все из перечисленных преобразваний легко выполнимы алгоритмически.

Рассмотрим задачу, цель которой придать целевому изображению колорит некоторого другого изображения так, чтобы целевое изображение выглядело естественным и сохранило свои особенности (композицию, контрастность, светотень). Требуется также, чтобы была возможность избавляться от нежелательных оттенков на фотографиях. И, наконец, сам алгоритм должен быть простым в реализации и эффективным.

Пример 1:




Пример 2:




Пример 3:

Метод решения поставленной задачи, излагаемый в этой статье, основан на использовании статистических данных.

Суть метода

Метод заключается в том, что прежде всего вычисляются математическое ожидание и дисперсия цвета на обоих изображениях (цветовое пространство изначально не уточняется). После применения алгоритма матожидание цвета целевого изображения заменяется на матожидание изображения-источника цвета. Аналогично меняется дисперсия. Или, другими словами, гистограмма целевого изображения передвигается и растягивается. Если считать цвета, представленные на изображении, точками в цветовом пространстве, то гистограмма изображения - это область, которую образуют в пространстве эти цвета.

Изменение гистограммы целевого изображения для примера 1 в цветовом пространстве Rudermann et al. lab:








Вычисления выглядят следующим образом:


где С - цветовой канал пиксела; индексы s, t означают принадлежность пиксела соответственно изображению-источнику цвета и целевому изображению.

Эта формула применяется к значению каждого цветового канала каждого пиксела целевого изображения.

Алгоритм сам по себе прост и может выполняться в любом цветовом пространстве в любой нормировке, но результат его работы очень сильно зависит от выбора пространства.

Выбор цветового пространства

Итак, почему нельзя использовать произвольное цветовое пространство и как выбрать подходящее?

Прежде всего хотелось бы определить общие требования к рабочему цветовому пространству.
Следующий список представляется разумным:

• Интуитивность - под этим понимается разделение яркостных и цветовых составляющих, т.к. когда требуется изменить только яркость изображения, то всегда удобнее менять только один канал, а не все три.
• Равномерность - это требование означает, что при одинаковых изменениях численного значения цвета одинаково меняется и зрительное восприяти цвета. Это важно в описываемом методе, т.к. значения цветов меняются пропорционально (см. формулу преобразования каждого канала).
• Низкий уовень корелляции между каналами - обеспечивается максимально малая вероятность возникновения артефактов при изменении значения одного канала.

Авторы метода показывают, что применение алгоритма в часто используемых цветовых пространствах не дает хороших результатов, т.к. эти пространства не отвечают перечисленным требованиям. Поэтому было предложено цветовое пространство, разработанное относительно недавно, Rudermann et al. lab.

Тестовая пара изображений:




Вот результаты применения алгоритма в различных цветовых пространствах:



Результат, полученный в RGB - какие-либо изменения незаметны.



CIECAM97 - хорошо перкрасилось небо, но слишком посерели цветы и трава.



Rudermann et al. lab - небо бледное, но правдоподобное; а вот трава и цветы перекрасились лучше, чем в CIECAM97.

Пространство Rudermann et al. lab

Т.к. изображение в подавляющем большинстве случаев хранится в формате RGB, рассмотрим перевод из RGB в lab и обратно.

Шаг 1. Переход из RGB в вещественной нормировке в коническое пространство LMS, т.к. lab - его модификация:



Шаг 2. Перевод LMS в lab:



Далее выполняется преобразование для каждого пиксела целевого изображения по формуле, приведенной в начале статьи. Итак, прежде, чем выполнять преобразование целевого изображение, следует перейти из RGB в рабочее цветовое пространство.

Затем следует вернуться в RGB для отображения результата.

Шаг 1. Переход из lab обратно в LMS.






Шаг 2. Переход из LMS в RGB.

Характеристики метода

• Метод действительно решает поставленную задачу, т.е. осуществляет изменение колорита целевого изображения с сохранением его особенностей и результат перекраски при разумном подборе пары изображений выглядит естественно, т.е. обеспечивается ожидаемый эффект перекраски. Алгоритм также позволяет убирать нежелательные оттенки с фотографий.
  
  
• Скорость работы алгоритма напрямую зависит от размера входных изображений, т.к. преобразовывается каждый пиксел
  
  
• Благодаря использованию статистики метод применим независимо от размеров входных изображений и соответствия размеров между собой. В чистом виде метод перекрашивает изображение целиком.
  
  
• Ну и, наконец, изображения должны быть схожи в своей композиции и содержании, иначе результат может быть непредсказуемым.
  
  
  Пример 1:
  
  
  
  
  Пример 2:
  
  

Литература

• Erik Reinhard, Michael Ashikhmin, Bruce Gooch and Peter Shirley, "Сolour Transfer between Images", J. IEEE Computer Graphics and Applications, Applied perception, September/October 2001, pp. 34 - 41.
• D.L. Ruderman, T.W. Cronin, C.C. Chiao, "Statistics of Cone Responces to Natural Images: Implications for Visual Coding", J. Optical Soc. Of America, vol. 15, no. 8, 1998, pp. 2036 - 2045.

Дополнительная информация

Ссылка: 

Алла Андреева. Статистическая цветокоррекция изображения. Компьютерная графика и мультимедиа. Выпуск №1(4)/2003. http://cgm.computergraphics.ru/content/view/49

Выпуск: 

Выпуск №1(4)/2003