[论文阅读] 颜色迁移-Linear Monge-Kantorovitch(MKL)

[论文阅读] 颜色迁移-Linear Monge-Kantorovitch(MKL)

文章: The Linear Monge-Kantorovitch Linear Colour Mapping for Example-Based Colour Transfer, [paper], [matlab代码]

1-算法原理

本文将颜色迁移变成数据分布的转换问题, 因而本文需要解决2个方面的问题, 如何描述图像颜色分布, 二是如何对数据分布进行变换.

对于数据分布, 本文使用均值和协方差来对数据分布进行描述, 对于分布变换, 本文使用线性变换进行处理.

数据的均值和协方差比较简单, 因而本文的重点在于寻找变换方法. 本文使用的线性变换如下所示:

{ t ( u ) = T ( u − μ u ) + μ v T Σ u T T = Σ v (5) \left\{

\right. {t(u)=T(u−μu​)+μv​TΣu​TT=Σv​​(5)

式中, $u$ 为原始图像, $v$ 为目标图像, $\mu$ 为均值, $\Sigma$ 为协方差, $T$ 为需要求解的线性变换.

让 ${\Sigma }_u=A{A}^T$ , ${\Sigma }_v=B{B}^T$, 则

$$\begin{gathered} T(A{A}^T)T^T=B{B}^T \\ (TA)(TA{)}^T=B{B}^T \\ TA=B \\ T=B{A}^{-1} \end{gathered}$$

只要知道了A和B即可知道线性变换T.

2-算法核心

本文的核心就是寻找A和B. 文中主要使用的方法是矩阵分解, 介绍了几种方法.

2.1-Independent Transfer(IT)

首先介绍的是每个通道单独进行转换时, 协方差变成了对角矩阵, 对角元素为每个通道的方差的平方根, 这样变换公式为:

T = ( var ⁡ ( v 1 ) var ⁡ ( u 1 ) 0 0 ⋱ var ⁡ ( v N ) var ⁡ ( u N ) ) (11) T=\left(

\right) T=⎝⎜⎜⎛​var(u1​)var(v1​)​ ​0​⋱​0var(uN​)var(vN​)​ ​​⎠⎟⎟⎞​(11)

这种变换方式可以使用如下公式等价, 即为 Color transfer between images 中描述的方法

$$C^i=\frac{{\sigma }_t^i}{{\sigma }_s^i}(C_s^i-{\mu }_s^i)+{\mu }_t^i$$

式中, i为通道, s表示源图像, t表示目标图像. 这种方法需要假设图像各颜色通道分布是独立可分离的, 但实际情况可能不满足这种情况, 因而实际效果可能不好. 需要先将图像转换到不相关的颜色空间, 一般在Lab颜色空间效果较好.

上图中, 依次为原始图像, 参考图像, rgb空间结果, lab空间结果.

2.2-Cholesky Decomposition(CD)

关于 Cholesky Decomposition 可以参考:

1. 三十分钟理解：矩阵Cholesky分解，及其在求解线性方程组、矩阵逆的应用_大饼博士X的博客-CSDN博客_cholesky分解法求解线性方程组
2. Cholesky分解 - 知乎 (zhihu.com)

Cholesky Decomposition 可以将矩阵分解为 $A=L{L}^T$ 形式, 这样变换公式为:

$$T=L_v{L}_u^{-1}\text{\hspace{1em}(12)}$$

文中说这种方法对于通道的顺序有一定的要求, 不同的颜色通道顺序结果不一样, 如RGB与BGR的结果很有可能不一样.

上图中, 依次为原始图像, 参考图像, rgb结果, bgr空间结果.

2.3-Square Root Decomposition(SRD)

这种方法是对 Cholesky Decomposition 方法的一种改进, 分解公式为:

$$\begin{gathered} {\Sigma }_u=P_u^T{D}_u{P}_u,{\Sigma }_u^{1/2}=P_u^T{D}_u^{1/2}{P}_u \\ {\Sigma }_v=P_v^T{D}_v{P}_v,{\Sigma }_v^{1/2}=P_v^T{D}_v^{1/2}{P}_v \end{gathered}$$

这样变换公式为:

$$T={\Sigma }_v^{1/2}{\Sigma }_u^{-1/2}\text{\hspace{1em}(15)}$$

Square Root Decomposition 分解后, D为特征值的对角矩阵, 特征值从大到小排列, 可以实现主方向对齐, 类似PCA处理, 可以减少对颜色通道顺序的依赖, 这样在不同的颜色空间下结果类似.

这种矩阵分解的方法可能的问题是, 局部出现颜色变化不一致的问题, 应该是与 [论文阅读] 颜色迁移-Correlated Color Space 中描述的问题一样.

上图中, 依次为原始图像, 参考图像, SRD结果.

2.4-Linear Monge-Kantorovitch(MKL)

将分布变换的问题转换为最优传输的问题, 关于 Monge-Kantorovitch 可以参考: 最优传输–Monge-Kantorovich理论_asforking的博客-CSDN博客

这样变换公式为:

$$T={\Sigma }_u^{-1/2}({\Sigma }_u^{1/2}{\Sigma }_v{\Sigma }_u^{1/2}){\Sigma }_u^{-1/2}\text{\hspace{1em}(25)}$$

这个算法在 Square Root Decomposition 基础上进一步进行了改进, 对变换进一步约束了位移, 这样可以最小化颜色的变化.

上图中, 依次为原始图像, 参考图像, regrain结果.

3-参考

1. The Linear Monge-Kantorovitch Linear Colour Mapping for Example-Based Colour Transfer 论文理解_玉兔金兔的博客-CSDN博客