呂東輝, 張 闖, 汪世剛

(上海大學(xué)通信與信息工程學(xué)院,上海 200072)

利用圖像塊數(shù)據(jù)庫和紋理特征點(diǎn)的圖像彩色化方法

呂東輝, 張 闖, 汪世剛

(上海大學(xué)通信與信息工程學(xué)院,上海 200072)

針對(duì)顏色轉(zhuǎn)移彩色化算法存在速度慢、效果不佳及人工干預(yù)性強(qiáng)等問題,提出一種新型的彩色化算法.首先從聚類分割后的各類區(qū)域彩色圖像中提取矩形塊,并計(jì)算圖像塊的顏色直方圖和紋理特征;利用顏色直方圖比較圖像塊的相似性,實(shí)現(xiàn)數(shù)據(jù)庫的選擇性錄入;利用目標(biāo)圖像塊與彩色圖像塊紋理特征點(diǎn)之間的歐氏距離比較,查找最佳匹配的圖像塊,進(jìn)而實(shí)現(xiàn)目標(biāo)圖像的彩色化.通過建立樹木、天空、沙灘和草地 4類圖像塊數(shù)據(jù)庫,實(shí)現(xiàn)基于數(shù)據(jù)庫技術(shù)的免除人工干擾的圖像彩色化.

彩色化;顏色轉(zhuǎn)移;圖像塊數(shù)據(jù)庫;紋理特征點(diǎn)

顏色轉(zhuǎn)移彩色化算法操作簡單,且能取得較好的彩色化效果,是一種半自動(dòng)化的圖像彩色化技術(shù).但該方法會(huì)使本來相鄰的、顏色相近的區(qū)域由于亮度差異而被分配截然不同的顏色.由于,該方法的彩色化結(jié)果強(qiáng)烈依靠于所采用的參考圖像,因此,對(duì)于復(fù)雜的目標(biāo)圖像,參考圖像的選擇成了一個(gè)新的難題.基于此,研究者先后提出了很多改進(jìn)的算法.

在改進(jìn)顏色轉(zhuǎn)移效果方面,胡國飛等[4]于 2004年提出了一種基于統(tǒng)計(jì)學(xué)的自適應(yīng)圖像顏色傳遞技術(shù),通過對(duì)不同圖像自適應(yīng),構(gòu)造一個(gè)對(duì)應(yīng)的顏色空間變換矩陣,以改進(jìn)顏色傳遞效果.張引等[5]提出了基于無監(jiān)督學(xué)習(xí)聚類的圖像顏色傳輸方法,利用無監(jiān)督學(xué)習(xí)聚類,把目標(biāo)圖像和源圖像分別分成一定數(shù)量的色彩相近的子塊,通過計(jì)算各子塊的紋理特征和亮度統(tǒng)計(jì)值,建立樣本塊之間的對(duì)應(yīng)關(guān)系.針對(duì)具有復(fù)雜場(chǎng)景的圖像,Tai等[6]于 2005年提出通過概率分割的方法實(shí)現(xiàn)局部圖像彩色化,首先分別對(duì)兩幅圖像進(jìn)行分割,然后經(jīng)區(qū)域匹配,在對(duì)應(yīng)顏色區(qū)域之間進(jìn)行顏色遷移.2007年,王常亮[7]提出了基于聚類的自動(dòng)顏色傳輸,對(duì)于源圖像采用混合高斯模型進(jìn)行建模,對(duì)目標(biāo)圖像采用 K均值聚類法,完成源圖像和目標(biāo)圖像的聚類,并在建立雙方聚類區(qū)域的對(duì)應(yīng)關(guān)系后,通過改變目標(biāo)圖像中像素的lαβ通道值完成色彩傳輸功能.2010年,汪世剛等[8]首先利用貝葉斯陰陽機(jī)模型確定源圖像與目標(biāo)圖像的最佳聚類數(shù),然后利用高斯混合模型參數(shù)將圖像自動(dòng)聚類分割,最后利用直方圖匹配算法使各目標(biāo)圖像塊自動(dòng)找到匹配的源圖像塊,用顏色轉(zhuǎn)移算法實(shí)現(xiàn)了區(qū)域圖像彩色化.

在避免人工選擇源圖像方面,利用數(shù)據(jù)庫查詢技術(shù)可以實(shí)現(xiàn)全自動(dòng)顏色轉(zhuǎn)移的彩色化.Di等[9]利用圖像的亮度信息查找最佳像素,引入反極性樹(antipole tree)有效查詢算法,提高了查找效率.Vieira等[10]首次提出了利用數(shù)據(jù)庫技術(shù)自動(dòng)選擇源圖像的方法,用戶僅需輸入目標(biāo)圖像,即可根據(jù)亮度直方圖和亮度子抽樣從圖像庫中選取出最合適的源圖像,然后對(duì)目標(biāo)圖像進(jìn)行上色.Mayada等[11]在 Di等研究[9]基礎(chǔ)上又提出用圖像像素建立數(shù)據(jù)庫,目標(biāo)圖像的像素顏色分別從數(shù)據(jù)庫中選取,進(jìn)一步提高彩色化的自動(dòng)化水平.商露兮等[12]利用 Gabor濾波器能夠模擬生物的視覺特性以及夜視圖像的紋理特征,結(jié)合 Gabor濾波器和灰度共生矩陣,對(duì)源圖像檢索算法做出了改進(jìn),提出了一種結(jié)合 Gabor濾波器和灰度梯度共生矩陣的源圖像選擇算法.

通過以上分析發(fā)現(xiàn),建立彩色圖像數(shù)據(jù)庫比較簡單,但顏色的全局轉(zhuǎn)移會(huì)帶來上色錯(cuò)誤.建立圖像像素?cái)?shù)據(jù)庫,可以實(shí)現(xiàn)像素級(jí)的顏色轉(zhuǎn)移,但其實(shí)現(xiàn)的復(fù)雜度大大增加.針對(duì)這些問題,本研究提出了基于圖像塊數(shù)據(jù)庫的圖像彩色化方法,用彩色圖像塊建立數(shù)據(jù)庫.利用 Gabor濾波函數(shù)所提取的圖像塊的紋理特征,實(shí)現(xiàn)目標(biāo)圖像塊與源圖像塊自動(dòng)匹配,這樣既實(shí)現(xiàn)了區(qū)域圖像彩色化,提高了顏色轉(zhuǎn)移的效果,又降低了像素?cái)?shù)據(jù)庫建立及匹配的復(fù)雜度.整個(gè)系統(tǒng)設(shè)計(jì)分為 3部分:圖像塊數(shù)據(jù)庫建立、圖像塊檢索、圖像彩色化,如圖 1所示.

圖 1 基于數(shù)據(jù)庫的區(qū)域圖像彩色化系統(tǒng)Fig.1 Region image color ization system based on database

1 分類圖像塊數(shù)據(jù)的選取和數(shù)據(jù)庫的建立

本系統(tǒng)采用M icrosoft Office Access2000數(shù)據(jù)庫存儲(chǔ)圖像塊數(shù)據(jù),數(shù)據(jù)庫架構(gòu)可分為圖像塊特征部分和圖像塊數(shù)據(jù)部分.分別選取具有樹木、草地、天空和沙灘的 4類代表性圖像作為數(shù)據(jù)庫備選的圖像塊,將圖像塊的特征和數(shù)據(jù)錄入數(shù)據(jù)庫.整個(gè)過程分為 3部分:圖像區(qū)域選取、圖像塊特征提取、圖像塊數(shù)據(jù)庫的數(shù)據(jù)錄入.

1.1 聚類分割與圖像塊區(qū)域選取

選取多幅在不同條件下 4大類的代表性圖像,這些不同色調(diào)的圖像將對(duì)目標(biāo)圖像產(chǎn)生不同效果的場(chǎng)景.以樹木類圖像為例說明該方法的實(shí)施過程.利用文獻(xiàn)[8]中的方法將圖像自動(dòng)分割,并提取樹木的聚類塊 (本研究選取面積最大的聚類塊),該聚類塊將作為目標(biāo)圖像的顏色參考圖像,結(jié)果如圖 2所示.

圖 2 圖像自動(dòng)聚類分割與圖像塊提取Fig.2 Image automatic cluster ing segmentation and image block extraction

由區(qū)域圖像彩色化的原理可知,源圖像聚類塊中只有部分顏色信息對(duì)目標(biāo)圖像塊有用,且考慮到數(shù)據(jù)庫存儲(chǔ)容量的限制與聚類分割時(shí)聚類塊的不連通性,因此,本算法采用在樹木的圖像塊中進(jìn)一步提取最大區(qū)域的矩形圖像塊,作為聚類塊的特征圖像,結(jié)果如圖 2(c)所示.

1.2 顏色和紋理特征提取

所選擇的源圖像為彩色圖像,彩色圖像可用顏色、形狀、紋理等特征來表征.由于本研究的源圖像類別差別較大,即使同一類圖像,也可以是截然不同的形狀,因此,選擇顏色直方圖和 Gabor紋理特性來表征圖像.

將特征圖像的 R,G,B顏色分量的亮度加權(quán),即

式 (1)將源圖像轉(zhuǎn)化成灰度圖像,將灰度圖像的直方圖作為源圖像的顏色特征,顏色特征將用于同類圖像之間的相似性比較,結(jié)果如圖 3所示.

圖 3 圖像塊特征提取Fig.3 Feature extraction of image block

二維 Gabor函數(shù)在空間域和頻率域中具有良好的局部性質(zhì)和多通道、多分辨率的特性.因此,采用一組不同分辨率和方向性的 Gabor濾波函數(shù)與圖像進(jìn)行卷積,得到不同組的濾波圖像,計(jì)算各濾波圖像的均值和標(biāo)準(zhǔn)差,可得到源圖像的 Gabor紋理特性.本研究采用的 Gabor濾波函數(shù)為

式中 ,x′=x cosθ+y sinθ,y′=y cosθ-x sinθ,sx′,sy′分別為 x軸和 y軸上的尺度因子,f為載波頻率,θ為濾波器方向.分別計(jì)算濾波后圖像的均值 E和標(biāo)準(zhǔn)差D,

式中,M和N分別為所選圖像塊長和寬方向上的像素?cái)?shù).對(duì)圖 3(a)進(jìn)行 Gabor濾波,參數(shù)設(shè)置為sx′=2,sy′=4,f=16,θ=60°,濾波后的結(jié)果如圖 4所示.由于每幅圖像有均值 E和標(biāo)準(zhǔn)差D 2個(gè)特征,所以源圖像的紋理特征由六維向量組成,即 F=[sx′,sy′,f,θ,E,D].本研究選取某一角度,用以區(qū)分不同的紋理圖像,將圖像紋理特征作為圖像塊之間相似性比較的評(píng)價(jià)指標(biāo).

圖 4 Gabor濾波結(jié)果Fig.4 Gabor f iltered image

1.3 分類圖像塊數(shù)據(jù)庫的錄入

使用Window s系統(tǒng)自帶的數(shù)據(jù)源工具創(chuàng)建基于Access的數(shù)據(jù)庫,具體步驟如下:控制面板→管理工具→開放式數(shù)據(jù)庫連接 (open database connect,ODBC)→用戶 DSN→添加,創(chuàng)建數(shù)據(jù)源 textureDB.數(shù)據(jù)庫建立以后,使用 Matlab中的數(shù)據(jù)庫工具箱,通過如下步驟建立連接并錄入數(shù)據(jù).

步驟 1 對(duì)彩色源圖像進(jìn)行聚類分割,在分割后的區(qū)域中選取一個(gè)矩形圖像塊,計(jì)算其顏色直方圖特征和紋理特征.

步驟 2 比較圖像塊的顏色直方圖特征和數(shù)據(jù)庫樹木類中每幅圖像塊的顏色直方圖特征,公式如下:

式中,H1和 H2分別表示 2個(gè)灰度級(jí)為 L的顏色直方圖,hi表示第 i個(gè)灰度級(jí)時(shí)像素出現(xiàn)的頻數(shù).如果與庫中圖像的相似性小于某個(gè)閾值ε,則舍去該圖像,返回步驟 1;否則保存圖像塊的顏色直方圖特征及圖像數(shù)據(jù),進(jìn)行步驟 3.易知 D從 1減小到 0時(shí),表示圖像的相似度逐漸增大.此處判定時(shí),取ε=0.5,若相似性 D＜0.5,就判為相似.另外,由于顏色轉(zhuǎn)移是在lαβ顏色空間進(jìn)行,需要將圖像塊數(shù)據(jù)從RGB空間轉(zhuǎn)化到lαβ空間保存,因此,保存的圖像塊數(shù)據(jù)包括圖像塊的顏色和紋理特征、亮度值 l、亮度鄰域標(biāo)準(zhǔn)差σ、顏色分量值α和顏色分量值β.

步驟 3 如果所有的圖像塊錄入完畢,就退出程序;否則,返回步驟 1.

2 目標(biāo)圖像中圖像塊的選取及其匹配圖像塊的檢索

目標(biāo)圖像為將要彩色化的灰度圖像,參考顏色圖像從數(shù)據(jù)庫中選取.首先對(duì)目標(biāo)圖像進(jìn)行聚類分割,在分割后的區(qū)域中選取矩形圖像塊,并計(jì)算該圖像塊的紋理特征.由于彩色源圖像與目標(biāo)灰度圖像只有共同的亮度分量,因此,以圖像塊的紋理特性作為相似度衡量指標(biāo),從數(shù)據(jù)庫中找到與之匹配的圖像塊.該部分的仿真結(jié)果如圖 5和圖 6所示,具體操作步驟如下.

步驟 1 用戶輸入一幅灰度圖像.

步驟 2 選取圖像區(qū)域.使用文獻(xiàn)[8]中的方法對(duì)圖像進(jìn)行自動(dòng)聚類分割,并在每類中選取矩形區(qū)域塊作為該類的特征圖像.

圖 5 目標(biāo)圖像 1的圖像塊提取與彩色化Fig.5 Image block extraction and color ization of target image 1

圖 6 目標(biāo)圖像 2的圖像塊提取與彩色化Fig.6 Image block extraction and color ization of target image 2

步驟 3 計(jì)算選取矩形圖像塊的紋理特征.

步驟 4 查找匹配圖像塊.根據(jù)紋理特征在數(shù)據(jù)庫中查找最相似的圖像塊,將此作為該圖像塊的顏色參考圖像.該步驟可分如下兩步進(jìn)行.

步驟 4.1 粗查.以紋理圖像塊的像素亮度均值為橫坐標(biāo),像素亮度的標(biāo)準(zhǔn)差為縱坐標(biāo),每個(gè)圖像塊都可用一個(gè)平面點(diǎn)來表示,稱為紋理特征點(diǎn).首先計(jì)算數(shù)據(jù)庫中各類圖像塊特征點(diǎn)的質(zhì)心;然后計(jì)算目標(biāo)圖像塊的特征點(diǎn)與各類圖像質(zhì)心點(diǎn)之間的歐氏距離,取距離最小的質(zhì)心點(diǎn)作為與目標(biāo)圖像塊匹配的類.例如,根據(jù)圖 6(b)中樹木的紋理特性,找到數(shù)據(jù)庫中樹木的質(zhì)心,然后進(jìn)行細(xì)查.實(shí)驗(yàn)結(jié)果如圖 7所示.

圖 7 目標(biāo)圖像和源圖像的 Gabor紋理特性Fig.7 Gabor texture feature of the target and source images

步驟 4.2 細(xì)查.在樹木類數(shù)據(jù)庫中查詢最佳匹配的圖像塊.如圖 7所示,五角星代表目標(biāo)圖像塊1,即目標(biāo)圖像的樹木,它與樹木類的質(zhì)心最接近,所以只在該數(shù)據(jù)庫中查找.根據(jù)歐氏距離判據(jù),找到最匹配的源圖像塊,如圖 7中的粗實(shí)線所示.

步驟 5 讀取目標(biāo)圖像的另一圖像塊.如果讀完,則退出檢索;否則,返回步驟 3.

若在數(shù)據(jù)庫中找到與目標(biāo)圖像相匹配的源圖像塊,就可實(shí)現(xiàn)區(qū)域圖像彩色化.源圖像為數(shù)據(jù)庫中查詢得到的圖像塊,目標(biāo)圖像為自動(dòng)分割后的圖像塊.由區(qū)域圖像的彩色化方法,給目標(biāo)圖像的第一聚類塊上色,結(jié)果如圖 5(d)所示;再由目標(biāo)圖像第二聚類塊的匹配圖像,將源圖像的顏色轉(zhuǎn)移到第二聚類塊,結(jié)果如圖 5(e)所示.如果目標(biāo)圖像被分割成更多的聚類塊,則用區(qū)域圖像彩色化的方法依次處理,并合并所有結(jié)果圖像,最終結(jié)果如圖 5(f)所示.

本算法是基于圖像塊數(shù)據(jù)庫和紋理特征點(diǎn)的圖像自動(dòng)彩色化,它不同于Welsh算法[3].Welsh算法需要同時(shí)輸入一幅用作參照的彩色源圖像和一幅待彩色化的灰度目標(biāo)圖像,若對(duì)同樣的灰度圖像采用Welsh算法,仿真實(shí)驗(yàn)結(jié)果如圖 8～圖 11所示.

從實(shí)驗(yàn)結(jié)果可以看出,Welsh算法存在以下不足:①事先必須為目標(biāo)圖像選擇源圖像作為參考顏色圖像,不同的源圖像將產(chǎn)生不同的彩色化效果;②本來相鄰的、顏色相近的區(qū)域可能由于亮度差異而被分配了截然不同的顏色,產(chǎn)生錯(cuò)誤著色,例如,圖10(c)中樹木的尖端像素混有源圖像天空的顏色;③對(duì)彩色化的事先控制和局部調(diào)整非常困難.而通過本算法對(duì)同樣的灰度圖像進(jìn)行彩色化實(shí)驗(yàn),結(jié)果如圖 5(f)和圖 6(f)所示.可以看出,本算法的視覺彩色化效果要好于Welsh算法,同時(shí)不需要人工選擇參考圖像.雖然目前本算法的數(shù)據(jù)庫中圖像塊信息還較少,但是當(dāng)數(shù)據(jù)庫信息量足夠大時(shí),將會(huì)找到更合理的紋理匹配圖像塊,從而可以得到精確度更高的彩色化結(jié)果.

圖 8 源圖像 1到目標(biāo)圖像 1的全局顏色轉(zhuǎn)移Fig.8 Global color transfer from source image 1 to target image 1

圖 9 源圖像 2到目標(biāo)圖像 1的全局顏色轉(zhuǎn)移Fig.9 Global color tran sfer from source image 2 to target image 1

圖 10 源圖像 1到目標(biāo)圖像 2的全局顏色轉(zhuǎn)移Fig.10 Global color transfer from source image 1 to target image 2

圖 11 源圖像 2到目標(biāo)圖像 2的全局顏色轉(zhuǎn)移Fig.11 Global color transfer from source image 2 to target image 2

3 結(jié) 束 語

針對(duì)黑白圖像彩色化的顏色轉(zhuǎn)移方法中,彩色源圖像選擇需要人工干預(yù)等問題,本研究利用數(shù)據(jù)庫技術(shù)建立了聚類分割后彩色圖像塊數(shù)據(jù)庫,以及相應(yīng)圖像塊的顏色直方圖特征和紋理特征點(diǎn)數(shù)據(jù)庫.在建立過程中,對(duì)入庫圖像塊的選擇采用了顏色直方圖的相似比較法.對(duì)于待彩色化的黑白目標(biāo)圖像,通過利用 Gabor濾波函數(shù)提取的紋理特征點(diǎn),在彩色源圖像塊數(shù)據(jù)庫中查找最匹配的圖像塊,實(shí)現(xiàn)了目標(biāo)圖像塊和彩色源圖像塊之間的自動(dòng)匹配,從而實(shí)現(xiàn)整個(gè)彩色化過程的自動(dòng)化.通過仿真實(shí)驗(yàn)可以看到,本算法自動(dòng)化程度高,彩色化效果比較自然、逼真,由于采用了區(qū)域圖像像素搜索,提高了彩色化的速度.利用本算法還可以從多幅源圖像中選取彩色參考圖像,從而為解決復(fù)雜圖像彩色化過程中選取參考圖像難的問題尋求一種可行的方法.

[1] 滕升華.黑白影像的彩色化研究 [D].北京:中國科學(xué)院,2006.

[2] REINHARD E,ASHIKHM IN M,GOOCH B,et al.Color transfer between images[J].IEEE Computer Graphics and Applications,2001,21(5):34-41.

[3] WELSH T,ASHIKHM IN M,MUELLER K.Transferring color to greyscale images[J].ACM Transactions on Graphics,2002,21(3):277-280.

[4] 胡國飛,傅健,彭群生.自適應(yīng)顏色遷移[J].計(jì)算機(jī)學(xué)報(bào),2004,27(9):1245-1249.

[5] 張引,饒娜,張三元,等.自動(dòng)采集樣本的圖像顏色傳遞算法[J].中國圖象圖形學(xué)報(bào),2005,10(10):1258-1264.

[6] TA IYW,JIA J Y,TANG C K.Local color transfer via p robabilistic segmentation by expectation-maximization[C]∥Proceedings of the 2005 IEEE Computer Society Conferenceon Computer Vision and Pattern Recognition.2005:747-754.

[7] 王常亮.基于聚類的自動(dòng)顏色傳輸[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(25):63-66.

[8] 汪世剛,呂東輝.基于最優(yōu)聚類數(shù)和直方圖匹配的圖像彩色化方法 [J].計(jì)算機(jī)應(yīng)用,2010,30(2):351-353.

[9] DIB G,REFORGIATO R D.Fast colorization of gray images[C]∥Eurographics Italian Chap ter Conference.2003:1-8.

[10] V IEIRA L F,V ILELA R D,NASCIMENTO E R.Automatically choosing source color images for coloring grayscale images[C]∥16th Brazilian Symposium on Computer Graphics and Image Processing.2003:151-158.

[11] MAYADA F A,ZA INEB A M.Automatic colorization without human intervention[C]∥Proceedings of the International Conference on Computer and Communication Engineering.2008:62-66.

[12] 商露兮,方建安,谷小婧,等.夜視圖像自動(dòng)彩色化源圖選擇算法[J].激光與紅外,2009,39(2):223-227.

Image Color ization w ith Block Image Database and Texture Feature Points

LüDong-hui, ZHANGChuang, WANG Shi-gang
(School of Communication and Information Engineering,Shanghai University,Shanghai200072,China)

We p ropose a new method for image colorization to overcome p roblems including heavy computation load,poor quality,and excessive human intervention.We choose rectangular blocks from various color images using segmentation and clustering,and calculate color histogramsand texture feature pointsof the blocks.We then build a database by comparing similarity of the blocks based on the color histograms,and find the best matching in terms of the Euclidean distance between the target gray-scale blocks and the source color blocks.Having constructed databases of four kinds of image blocks,tree,sky,sand and grass,the target gray image can be colorized using the block database without human intervention.

colorization;color-transfer;block image database;texture feature point

TP 391.41

A

1007-2861(2011)01-0057-07

10.3969/j.issn.1007-2861.2011.01.009

2010-04-06

國家自然科學(xué)基金資助項(xiàng)目(60872116)

呂東輝 (1966～),男,副教授,博士,研究方向?yàn)獒t(yī)學(xué)圖像處理、圖像認(rèn)證和 3D圖像重建等.E-mail:dhlu@shu.edu.cn

(編輯:丁嘉羽)

利用圖像記錄世界,顏色的缺失不可避免.早期的照片、電影沒有顏色,是由當(dāng)時(shí)落后的成像技術(shù)造成的.還有一類黑白圖像的產(chǎn)生與成像機(jī)理有關(guān),如X光透視成像、雷達(dá)成像等,這類圖像記錄了人眼不能直接觀察到的內(nèi)容,已經(jīng)大大超越了人眼的感知范圍[1].相對(duì)于黑白圖像,顏色使得圖像內(nèi)容更豐富,細(xì)節(jié)更清晰,視覺效果更逼真,因此,黑白圖像的彩色化技術(shù)成為近年來的研究熱點(diǎn).

彩色化過程中需要將黑白圖像的灰度值轉(zhuǎn)換成表征色彩的顏色分量,但這種映射并非唯一確定,即不同的顏色可以具有相同的亮度值,卻具有不同的色調(diào)和飽和度.因此,彩色化問題從根本上講是一個(gè)“病態(tài)”的過程.顏色轉(zhuǎn)移算法最初由 Reinhard等[2]提出.該算法需輸入源圖像和目標(biāo)圖像 2幅彩色圖像,通過變換目標(biāo)圖像的顏色,使之從視覺上接近源圖像的色彩.2002年,Welsh等[3]對(duì)該算法做了一些改進(jìn),使其適用于灰度圖像,形成了基于顏色轉(zhuǎn)移的彩色化算法.改進(jìn)算法輸入的是用作參照的彩色源圖像和灰度目標(biāo)圖像,根據(jù)像素匹配算法將源圖像的顏色轉(zhuǎn)移到目標(biāo)圖像中.