简单实现图片颜色风格转换

Posted 2023-02-16 mini梁翊洲MAX

今天我们尝试用两种简单的，快速的方法实现图片的风格转换，这不仅是一个有趣的实践，里面使用的一些方法在以后的图像处理中也能经常看见。

Lab颜色空间转换

第一种方法的原理出自Reinhard的文章《Color Transfer between Images》，我们可以分别利用 Lab* 颜色空间以及每个 L*、a* 和 b* 通道的均值和标准差，在两个图像之间传输颜色。

“Lab颜色空间是什么，我只听说过RGB颜色空间啊！”相信很多人都有这样的疑问，其实还有许多类似的彩色模型。这些具体是怎么样的，我暂时无法解释清楚。我在这里就简单介绍下Lab，L代表亮度，a和b代表颜色，Lab就是由这三个变量共同决定的。我们可以看到，它把亮度单独拿出来当作一个参考，人对颜色的感知会随着环境的亮度而改变，以此我们大概能理解“Lab颜色空间是基于人对颜色的感觉来设计的，更具体地说，它是感知均匀的”这一个官方说明。

详细的计算过程在下面代码的color_transfer（）函数里都清楚地写了出来，可以自己尝试把它的公式列出来。

以前，我总听说火烧云这一个说法。于是，这次的例子我们就以火为源图像，云朵为目标图像，看看转换的结果吧。

import numpy as np
import cv2
import argparse

def color_transfer(source, target):
	source = cv2.cvtColor(source, cv2.COLOR_BGR2LAB).astype("float32")
	target = cv2.cvtColor(target, cv2.COLOR_BGR2LAB).astype("float32")
	# compute color statistics for the source and target images
	(lMeanSrc, lStdSrc, aMeanSrc, aStdSrc, bMeanSrc, bStdSrc) = image_stats(source)
	(lMeanTar, lStdTar, aMeanTar, aStdTar, bMeanTar, bStdTar) = image_stats(target)
	(l, a, b) = cv2.split(target)
	l -= lMeanTar
	a -= aMeanTar
	b -= bMeanTar
	l = (lStdTar / lStdSrc) * l
	a = (aStdTar / aStdSrc) * a
	b = (bStdTar / bStdSrc) * b
	l += lMeanSrc
	a += aMeanSrc
	b += bMeanSrc
	l = np.clip(l, 0, 255)
	a = np.clip(a, 0, 255)
	b = np.clip(b, 0, 255)
	transfer = cv2.merge([l, a, b])
	transfer = cv2.cvtColor(transfer.astype("uint8"), cv2.COLOR_LAB2BGR)
	return transfer

def image_stats(image):
	(l, a, b) = cv2.split(image)
	(lMean, lStd) = (l.mean(), l.std())
	(aMean, aStd) = (a.mean(), a.std())
	(bMean, bStd) = (b.mean(), b.std())
	return (lMean, lStd, aMean, aStd, bMean, bStd)

ap=argparse.ArgumentParser()
ap.add_argument("-s","--source",required=True)
ap.add_argument("-t","--target",required=True)
args=vars(ap.parse_args())

source=cv2.imread(args["source"])
target=cv2.imread(args["target"])
cv2.imshow("Source",source)
cv2.imshow("Target",target)
transfer=color_transfer(source,target）

这个算法非常快，但有一个特别的缺点——它依赖于全局颜色统计，因此具有相似像素强度值的大区域会显着影响平均值，而且它的改变也是全局的变化，非常生硬。

直方图匹配

我们看到了上面有这么一个缺点，那么我们如何处理才能使颜色转换不是那么生硬地全局统一变换呢？当然方法有很多，但是这篇文章我们只专注“简单”二字，所以我接下来将介绍直方图匹配。

直方图匹配，或者说直方图规定化，大家可以稍微记住这个名词，因为可以和下一篇的直方图均衡化进行一个类比。关于它的原理我打算拿出教材中的一个计算列表，带着大家算一遍，应该就能完全明白它的过程，毕竟当初我就是这么理解的。

计算示例：其实也有对应的数学公式来描述这一过程，但我相信大部分人看到这些就头疼。我们就直接引入一个简单的例子吧，我们假设一个8位的像素图，表格中的小数表示该像素级所占整体的比例。

在正式开始之前，我还得介绍几个概念。累计直方图指的是小于等于该像素级所有像素的数量，比如2像素级就会统计0，1，2所有的数量。映射的规则也可以按照下面的解释简单理解，但并不完全正确，SML映射关注附近距离最近的点，GML映射关注小于某一值的点。

我们以原始像素级1为切入点看一下，其比例为0.25，对应累计为0.44 。规定直方图（即我们参考的图）只有三个像素级，直方图和累积也都列写了出来。根据SML映射，累计值为0.44的像素级1（原始）在规定累计直方图里更接近像素级3（参考）对应的0.2，所以像素级为1在新的图里变成了像素级3。根据GML映射，累计值为0.44的像素级1（原始）在规定累计直方图里远大于像素级3（参考）对应的0.2，但小于像素级5（参考）对应的0.8，所以像素级为1在新的图里变成了像素级5 。

根据结果我们可以看到GML的映射结果是更符合变换后的图像的。

好，那让我们试一下，就以广州的小蛮腰为例子。

万幸的是，我们不需要使用代码来一步步实现上述的计算，而是调用一下match_histograms（）函数即可。在这个函数之前有一个判断multi，用来判别我们输入的是彩色图还是灰度图。

from skimage import exposure
import matplotlib.pyplot as plt
import argparse
import cv2

ap=argparse.ArgumentParser()
ap.add_argument("-s","--source",required=True)
ap.add_argument("-t","--target",required=True)
args=vars(ap.parse_args())

source=cv2.imread(args["source"])
target=cv2.imread(args["target"])
multi=True if source.shape[-1]>1 else False
matched=exposure.match_histograms(target,source,multichannel=
        multi)

cv2.imshow("source",source)
cv2.imshow("target",target)
cv2.imshow("matched",matched)
cv2.waitKey(0)

变换1：

变换2：

我个人觉得效果是好了不少，不知道大家怎么想的。当然，这篇文章里我们只是介绍了简单的，快速的风格转换应用。相对的，也有一些现在非常流行的GAN之类的方法，我们一步步来。

“本站所有文章均为原创，欢迎转载，请注明文章出处：https://blog.csdn.net/kasami_/article/details/123948422。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。”