[论文阅读] 颜色迁移-Correlated Color Space

文章: Color transfer in correlated color space, [paper], [matlab code], [opencv code]

1-算法原理

本文算法比较简单, 其原理是把原始图像本身的空间分布进行归一化, 然后通过旋转平移缩放等变换, 变换到目标图像的空间分布, 如下所示:

I=Tt⋅Rt⋅St⋅St⋅Ss⋅Rs⋅Ts⋅Is(1)I = T_t \cdot R_t \cdot S_t \cdot S_t \cdot S_s \cdot R_s \cdot T_s \cdot I_s \tag{1} I=Tt​⋅Rt​⋅St​⋅St​⋅Ss​⋅Rs​⋅Ts​⋅Is​(1)

T表示平移, R表示旋转, S表示缩放. 下标t表示目标图像, 下标s表示原始图像, 文中的原始公式存在问题, 我这里进行了调整.

因而本文就是寻找这个变换矩阵, 使用的方法是使用SVD分解(关于SVD算法, 可以戳这里: 奇异值分解（SVD） - 知乎 (zhihu.com).)

Cov=U⋅Λ⋅VTCov = U \cdot \Lambda \cdot V^T Cov=U⋅Λ⋅VT

具体地, 本文算法步骤为:

1. 计算图像每个颜色通道的均值, 及图像的协方差矩阵
2. 对协方差矩阵进行SVD分解
3. 构建变换需要的矩阵
4. 使用公式对图像进行颜色迁移

2-算法核心

对于n维颜色空间, 为了方便处理, 可以调整为n+1维的齐次坐标标示. 对于本文, 使用的是RGB 3维颜色空间, 齐次坐标维4维的.

对于上述几个变换矩阵, 平移矩阵T很容易想到, 可以使用各颜色通道的均值来表示. 但对于旋转矩阵R和缩放矩阵S就需要用到SVD分解矩阵的性质了: UUU 表示旋转, Λ\LambdaΛ 表示缩放拉伸.

因而所需变换矩阵如下:

Λ=diag(λc1,λc2,λc3)\Lambda = diag(\lambda^{c1}, \lambda^{c2}, \lambda^{c3}) Λ=diag(λc1,λc2,λc3)

Ts=(100−msc1010−msc2001−msc30001),Tt=(100mtc1010mtc2001mtc30001)T_s = \begin{pmatrix} 1 & 0 & 0 & -m_s^{c1} \\ 0 & 1 & 0 & -m_s^{c2} \\ 0 & 0 & 1 & -m_s^{c3} \\ 0 & 0 & 0 &1 \end{pmatrix} , T_t = \begin{pmatrix} 1 & 0 & 0 & m_t^{c1} \\ 0 & 1 & 0 & m_t^{c2} \\ 0 & 0 & 1 & m_t^{c3} \\ 0 & 0 & 0 &1 \end{pmatrix} Ts​=⎝⎜⎜⎛​1000​0100​0010​−msc1​−msc2​−msc3​1​⎠⎟⎟⎞​,Tt​=⎝⎜⎜⎛​1000​0100​0010​mtc1​mtc2​mtc3​1​⎠⎟⎟⎞​

Rs=Us−1,Rt=UtR_s = U_s^{-1}, R_t = U_t Rs​=Us−1​,Rt​=Ut​

Ss=(1/ssc100001/ssc200001/ssc300001),St=(stc10000stc20000stc300001)S_s = \begin{pmatrix} 1/s_s^{c1} & 0 & 0 & 0 \\ 0 & 1/s_s^{c2} & 0 & 0 \\ 0 & 0 & 1/s_s^{c3} & 0 \\ 0 & 0 & 0 &1 \end{pmatrix} , S_t = \begin{pmatrix} s_t^{c1} & 0 & 0 & 0 \\ 0 & s_t^{c2} & 0 & 0 \\ 0 & 0 & s_t^{c3} & 0 \\ 0 & 0 & 0 &1 \end{pmatrix} Ss​=⎝⎜⎜⎛​1/ssc1​000​01/ssc2​00​001/ssc3​0​0001​⎠⎟⎟⎞​,St​=⎝⎜⎜⎛​stc1​000​0stc2​00​00stc3​0​0001​⎠⎟⎟⎞​

式中, ci表示颜色通道, sci=λcis^{ci}=\sqrt{\lambda^{ci}}sci=λci​. 这里取了根号, 如果不取根号是不是也可以???

本文算法是对3个通道一起处理, 如果每个通道单独处理, 上述公式可以等效为:

Ci=σtiσsi(Csi−μsi)+μtiC^i = \frac{\sigma_t^{i}}{\sigma_s^{i}}(C_s^{i} - \mu_s^{i}) + \mu_t^{i} Ci=σsi​σti​​(Csi​−μsi​)+μti​

式中, i表示通道.

3-算法效果

如下所示为文中给出的一组结果:

4-补充说明

作者在自己给出的matlab代码中指出了本文算法存在的一个问题, 我们先来看看实际的情况, 如下所示为一组图像的测试结果.

可以看到, 结果出现了异常. 作者给出的分析是:

• SVD生成的Λ\LambdaΛ 矩阵中对角线上的值, 是由特征值从大到小排列的, 源图像和目标图像的这个排列可能不匹配
• 如源图像排列为c1, c2, c3, 目标图像排列为c2, c1, c3
• 即使排列相同, 它们的方向可能相反, 如目标图像排列为c1, -c2, c3

针对这个问题, 作者代码实现中给出了解决方案, 进行列匹配(matchColumns):

1. 对旋转矩阵UtU_tUt​ 的所有列进行排列组合, 与UsU_sUs​ 对应的列求点积和
2. 找到和最大的一个组合为最优匹配
3. 根据组合中坐标轴的顺序, 对Λt\Lambda_tΛt​ 的顺序进行调整, 同时调整方向

下面是调整后的结果: