摘要：本文在YCb Cr色彩空间机制下,结合目标灰度图像的梯度信息,提出基于耦合全变差的图像着色模型.然后,利用交替方向乘子算法(ADMM),设计所提模型的快速数值求解算法,并给出了该算法的收敛性结果.最后,数值实验结果表明,该模型在快速着色的同时,能有效地防止颜色越界.

摘要：基于局部算子的全变差(TV)模型在对纹理图像着色时,会出现颜色扩散不均匀,着色范围区域较小等问题。为了解决上述问题,该文提出基于非局部算子的耦合全变差图像着色模型,结合交替方向乘子法(ADMM),设计出相应的数值求解算法,并给出该算法的收敛性结果。该模型充分利用像素邻域亮度之间的相似性进行颜色扩散,能有效避免仅利用亮度边缘信息进行局部扩散导致颜色扩散不均匀的问题。数值实验结果表明,该模型在快速着色的同时,能有效解决颜色在纹理等细节处扩散不均匀的问题。

摘要：针对神经网络在进行图像着色时容易出现物体边界不明确、图像着色质量不高的问题,提出结合Pix2Pix生成对抗网络的灰度图像着色方法.首先改进U-Net结构,采用8个下采样层和8个上采样层对图像进行特征提取和颜色预测,提高网络模型对图像深层次特征的提取能力;然后使用L_(1)损失和smoothL_(1)损失度量生成图像与真实图像之间的差距,对比不同损失函数下的图像着色质量;最后加入梯度惩罚,在生成图像和真实图像分布之间构造新的数据分布,对每个输入数据进行梯度惩罚,改变判别器网络梯度限制方法,提高网络在训练过程中的稳定性.在相同实验环境下,使用Pix2Pix模型和summer2winter数据进行对比分析.实验结果表明,改进后的U-Net和使用smooth L_(1)损失作为生成器损失可以生成更好的着色图像;而L_(1)损失能更好地保持图像结构信息,使用梯度惩罚可以加速模型的收敛速度,提高模型稳定性和图像质量;该方法能更好地学习图像的深层次特征,减少图像着色模糊现象,在有效地保持图像结构相似性的同时提高图像着色质量.

摘要：为了实现对目标灰度图像中较大范围着色,文中结合YCb Cr色彩空间和Prewitt边缘检测算子,提出耦合全变差图像着色模型。然后,结合交替方向乘子法(ADMM),设计该模型的快速数值求解算法,并给出该算法的收敛性结果。数值实验结果表明,该模型在有效控制颜色越界的同时,能够实现较大范围的着色。

摘要：随着多媒体技术的发展,诸如黑白照片着色、医学影像渲染和手绘图上色等各种图像着色应用需求逐渐增多。传统着色算法大部分存在着色模式单一、在处理部分数据时着色效果不佳或者依赖人工输入信息等缺点,对此,设计了一种条件生成对抗网络和颜色分布预测模型相结合的图像着色方法。由生成对抗网络生成着色图像,并通过预测模型的预测值来对生成器的生成的着色图像做出校正,改善了生成对抗网络生成图像颜色容易趋向单一化的问题。最后通过引入一个色彩对比度损失,进一步提升了算法在某些对比度较小的分类图像上的着色质量。通过在ImageNet数据集上的多组对比实验表明,与其他传统方法相比,该方法在更多的图像分类上有着更出色的着色效果。

摘要：提出了融合深度图像先验的全变差(total variation,TV)图像着色模型,在即插即用(plug-and-play,PnP)框架下,结合交替方向乘子法(alternating direction method of multipliers,ADMM),设计出相应的数值求解算法,并给出该算法的收敛性结果。数值实验结果表明,该模型能有效整合耦合TV边缘捕获和卷积神经网络(convolutional neural network,CNN)细节捕捉的功能,对结构图像和纹理等细节丰富的图像,均能实现较大范围的有效着色。

摘要：对黑白或灰度照片进行着色处理可以给宝贵的历史影像资料带来更好的视觉效果。当前的图像着色处理方法存在需要用户交互、需要提供参考图像等诸多局限。该文设计了一种基于深度卷积神经网络的图像着色模型,该模型采用了端到端的编码与解码架构,能够从大规模数据学习颜色的分布,实现颜色传播与预测,从而把灰度图像映射为彩色图像。实验结果表明该模型具有良好的图像着色效果。

摘要：为实现历史图像和视频彩色化问题,将合理、正确的颜色添加到灰度图像和视频中,利用着色评价指标对灰度图像视频着色算法进行分析,计算并分析神经网络的着色性能。设计并实现一个历史图像视频智能着色系统,前端以微信小程序为应用设计的前端展示界面,后端以PHP-Laravel-MySQL为架构的服务器和数据库框架,将着色算法与后端相连接,接收上传图像进行自动着色处理,接收视频进行分帧处理,对多帧着色再拼接还原,由前端显示。最终实现一个具有前端、后端和算法的全栈式开发架构,结合实例,证明了该系统在着色方面的有效性和便捷性。