一種基于雙濾波的空間圖像色域映射算法

王 娜,朱 明,陳廣學(xué)

(1.華南理工大學(xué)制漿造紙工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,廣東廣州 510640;2.河南工程學(xué)院,河南鄭州450007)

?

一種基于雙濾波的空間圖像色域映射算法

王 娜1，2,朱 明2,陳廣學(xué)1

(1.華南理工大學(xué)制漿造紙工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,廣東廣州 510640;2.河南工程學(xué)院,河南鄭州450007)

針對(duì)逐點(diǎn)色域映射方法在圖像色域映射時(shí)出現(xiàn)的細(xì)節(jié)損失較大的問(wèn)題,本文提出了一種新的空間圖像色域映射方法.新方法采用雙濾波技術(shù)將輸入圖像分解為對(duì)應(yīng)邊緣輪廓信息的基礎(chǔ)層圖像和對(duì)應(yīng)紋理細(xì)節(jié)信息的細(xì)節(jié)層圖像,先對(duì)基礎(chǔ)層圖像進(jìn)行彩度優(yōu)先的逐點(diǎn)色域裁剪,然后將細(xì)節(jié)層信息補(bǔ)償給色域裁剪后的圖像.最后對(duì)細(xì)節(jié)補(bǔ)償后的圖像進(jìn)行亮度優(yōu)先的色域裁剪,從而得到最終的映射圖像.本文還分析了雙濾波參數(shù)設(shè)置對(duì)色域映射結(jié)果和光暈的影響,得出了合理的雙濾波參數(shù)設(shè)置.通過(guò)心理物理學(xué)實(shí)驗(yàn)可以驗(yàn)證:新方法的性能與經(jīng)典的細(xì)節(jié)補(bǔ)償類(lèi)映射方法相當(dāng).另外,新方法在色域映射過(guò)程中還能更加有效地抑制光暈的產(chǎn)生.

空間色域映射;雙濾波;圖像分層;光暈

電子學(xué)報(bào)URL:http://www.ejournal.org.cn DOI:10.3969/j.issn.0372-2112.2016.08.022

1 引言

色域映射是跨媒體圖像復(fù)制中的關(guān)鍵技術(shù).與傳統(tǒng)的逐點(diǎn)色域映射方法有所不同,空間色域映射方法考慮到每個(gè)映射點(diǎn)的空間領(lǐng)域色貌對(duì)該點(diǎn)映射值的影響,因此更加符合人眼視覺(jué)特性,是一種更加合理的色域映射方法[1].目前的空間色域映射算法主要分為兩大類(lèi):迭代優(yōu)化法[2～4]和細(xì)節(jié)補(bǔ)償法[5～8].迭代優(yōu)化法主要通過(guò)對(duì)原圖像進(jìn)行迭代映射計(jì)算,每次映射結(jié)束后需要借助圖像質(zhì)量評(píng)價(jià)模型計(jì)算映射結(jié)果與原圖像之間的圖像視覺(jué)量化差別,當(dāng)量化差別值低于所設(shè)定的標(biāo)準(zhǔn)時(shí),認(rèn)為映射結(jié)果已經(jīng)滿足要求,迭代結(jié)束.迭代優(yōu)化法的映射準(zhǔn)確性較高,但需要依賴(lài)復(fù)雜的圖像質(zhì)量評(píng)價(jià)模型,而且需要多次映射,因此運(yùn)算效率較低.細(xì)節(jié)補(bǔ)償類(lèi)算法首先借助圖像頻帶分解的方法提取原始圖像的低頻基礎(chǔ)層圖像(對(duì)應(yīng)圖像的邊緣輪廓信息)和高頻細(xì)節(jié)層圖像(對(duì)應(yīng)圖像細(xì)節(jié)信息),然后將細(xì)節(jié)層信息補(bǔ)償給色域映射后的基礎(chǔ)層圖像,最后再對(duì)細(xì)節(jié)補(bǔ)償后圖像進(jìn)行二次映射.細(xì)節(jié)補(bǔ)償類(lèi)算法能夠有效避免逐點(diǎn)映射造成的圖像細(xì)節(jié)丟失,同時(shí)又有較高的運(yùn)算效率.目前比較典型的細(xì)節(jié)補(bǔ)償類(lèi)算法有:Bala,Zolliker,Bonnier等人提出的二級(jí)映射算法[5～7],Morovic[8]等人提出的多頻帶映射算法.由于需要將原始圖像的高頻細(xì)節(jié)信息補(bǔ)償?shù)接成浜髨D像,因此該類(lèi)算法可能在映射結(jié)果中產(chǎn)生光暈和色偏.

針對(duì)迭代優(yōu)化法和細(xì)節(jié)補(bǔ)償法的特點(diǎn),本文提出了一種基于雙濾波分層的空間圖像色域映射方法.目的是在不影響運(yùn)算效率的前提下,解決逐點(diǎn)色域映射方法在圖像色域映射時(shí)出現(xiàn)的細(xì)節(jié)損失較大的問(wèn)題,提升映射圖像的色貌復(fù)制準(zhǔn)確性.新方法應(yīng)用雙濾波技術(shù)對(duì)原始圖像進(jìn)行濾波分解,先對(duì)濾波分層后的低頻基礎(chǔ)層圖像進(jìn)行第一次色域映射,然后再將映射后圖像與高頻細(xì)節(jié)層圖像合并以補(bǔ)償映射過(guò)程中可能損失掉的細(xì)節(jié)信息,最后對(duì)細(xì)節(jié)補(bǔ)償后的圖像進(jìn)行第二次映射,得到最終結(jié)果圖像.

2 基于雙濾波的圖像色域映射算法

2.1 基于雙濾波的圖像分層原理

雙濾波是一種非線性濾波方法,它將一個(gè)定義域(空間域)低通濾波器和值域(亮度域)低通濾波器組合在一起[9,10].圖像中某一像素的雙濾波值可以計(jì)算為:與該像素空間位置鄰近和色貌值相近的所有像素的亮度加權(quán)平均值.因此當(dāng)使用雙濾波對(duì)圖像進(jìn)行低通平滑處理時(shí),可以完整地保留圖像的邊緣輪廓信息,同時(shí)也能夠有效減弱圖像低通濾波中經(jīng)常出現(xiàn)的光暈效應(yīng),所以雙濾波也可稱(chēng)為邊緣保持濾波.圖像中某一像素s的雙濾波輸出JS可用式(1)來(lái)計(jì)算,其中p為濾波中心像素s的鄰域像素,Is和Ip分別為像素s和p的像素值.f(p-s)和g(Ip-Is)分別是空間域和亮度值域中的低通高斯濾波函數(shù),因此根據(jù)式(1)也可以將圖像中某一像素的雙濾波輸出看作是一個(gè)空間域高斯濾波和亮度域高斯濾波的乘積對(duì)每個(gè)鄰近像素的亮度加權(quán)均值.K(s)為規(guī)范化因子,它可以確保所有鄰域像素對(duì)應(yīng)的權(quán)重值加和為1[11].

(1)

式(2)和式(3)分別代表空間域和值域高斯核函數(shù),d(p,s)和δ(IP-IS)分別代表像素p和s的空間距離和亮度絕對(duì)差值.σd為空間域高斯核函數(shù)的寬度參數(shù),σr為值域(亮度域)高斯核函數(shù)的寬度參數(shù),用于控制值域?yàn)V波的像素合并量.在空間濾波半徑內(nèi),與中心像素亮度差小于σr的像素才能參與濾波計(jì)算,而差值大于σr的像素則被忽略,因此σr是保持圖像邊緣輪廓的關(guān)鍵參數(shù).由于本文提出的色域映射算法僅對(duì)輸入圖像的亮度通道進(jìn)行濾波分層,因此δ(IP-IS)可以用兩個(gè)像素間的亮度差來(lái)計(jì)算.計(jì)算輸入圖像中每個(gè)像素的雙濾波可以得到一幅紋理細(xì)節(jié)被去除,但卻保留了邊緣輪廓信息的圖像,稱(chēng)其為低頻基礎(chǔ)層圖像Ibase(x,y),從原始圖像I(x,y)中減去基礎(chǔ)層圖像就可以得到高頻細(xì)節(jié)層圖像Idetial,如式(4)所示.

(2)

(3)

Idetail(x,y)=I(x,y)-Ibase(x,y)

(4)

2.2 色域映射算法原理和框架

圖1顯示了新算法的框架.由于圖像的局部亮度對(duì)比度反映圖像的細(xì)節(jié)信息,因此假設(shè)圖像細(xì)節(jié)信息僅包含在亮度通道內(nèi),那么新算法就只對(duì)圖像亮度通道進(jìn)行雙濾波分層處理.如果輸入圖像不是CIE-Lab顏色模式的,就需要先使用顏色特征化模型將圖像轉(zhuǎn)換到CIELab模式,然后使用雙濾波器對(duì)圖像L通道(亮度通道)進(jìn)行處理,得到L通道基礎(chǔ)層信號(hào)Lbase,如式(5)所示;

Lbase=Bilateralfilter(L)

(5)

然后用原始L通道信號(hào)減去Lbase得到L通道細(xì)節(jié)層信號(hào)Ldetail,如式(6)所示.

Ldetail=L-Lbase

(6)

濾波分層后,將Lbase與a,b通道重新組合得到基礎(chǔ)層圖像Ibase,并對(duì)Ibase進(jìn)行第一次逐點(diǎn)色域映射過(guò)程G1,得到映射后圖像Ifirst-mapped,如式(7)所示.同時(shí)對(duì)L通道細(xì)節(jié)層信號(hào)Ldetail進(jìn)行適當(dāng)增強(qiáng),以改善映射圖像細(xì)節(jié),如式(8)所示,Ldetail-enhanced為細(xì)節(jié)增強(qiáng)后的圖像亮度信號(hào),“n”為增強(qiáng)系數(shù).n=1表示無(wú)細(xì)節(jié)增強(qiáng),但過(guò)大的n值會(huì)使得細(xì)節(jié)增強(qiáng)過(guò)度從而造成圖像嚴(yán)重失真.根據(jù)圖像映射實(shí)驗(yàn),對(duì)于所有輸入圖像而言,系數(shù)“n”都可取值在[1 1.5]之間,本文設(shè)置n=1.4.

Ifirst-mapped(Lfirst-mapped,afirst-mapped,bfirst-mapped)

=G1(Lbase,a,b)

(7)

Ldetail-enhanced=Ldetail×n,n=1.4

(8)

最后,將增強(qiáng)后的細(xì)節(jié)層信號(hào)Ldetail-enhanced補(bǔ)償給第一次映射后的基礎(chǔ)層圖像,再對(duì)細(xì)節(jié)補(bǔ)償后的圖像進(jìn)行第二次色域映射G2,得到最終的映射結(jié)果圖像Ifinal,如式(9)所示.

Ifinal=G2(Lfirst-mapped

+Ldetail-enhanced,afirst-mapped,bfirst-mapped)

(9)

在圖1所示的算法框架中,將G1選擇為色相角保持的最小色差法(HpMinDE:Hue-preservation MinimumΔE),該方法將色域外顏色映射為等色相角平面內(nèi)距離色域邊界最近的點(diǎn).這種映射方法相對(duì)亮度來(lái)說(shuō)優(yōu)先保持彩度.因此,當(dāng)使用HpMinDE方法進(jìn)行第一次色域映射后,基礎(chǔ)層圖像彩度保持較好,亮度損失較大.當(dāng)把亮度通道細(xì)節(jié)層信號(hào)Ldetail補(bǔ)償給映射后基礎(chǔ)層圖像后,第二次映射G2就應(yīng)該選擇能夠優(yōu)先保持亮度的映射算法.因此可將G2選擇為CUSP-CLIP算法[12],首先定義CUSP點(diǎn)為等色相角平面內(nèi)具有最大彩度值的色域邊界點(diǎn),所謂CUSP-CLIP算法就是以亮度軸上對(duì)應(yīng)CUSP點(diǎn)亮度值的顏色點(diǎn)為映射中心,將色域外顏色映射到色域邊界.圖2顯示了HpMinDE和CUSP-CLIP兩種映射方法的對(duì)比,圖中所示為實(shí)驗(yàn)中截取的58度色相角平面的色域邊界圖,平面內(nèi)F點(diǎn)為亮度軸上對(duì)應(yīng)CUSP點(diǎn)的映射中心點(diǎn).以色域外顏色點(diǎn)P為例,如果使用CUSP-CLIP算法,那么P點(diǎn)將以F點(diǎn)為中心映射到色域邊界C點(diǎn),但如果使用HpMinDE算法,P點(diǎn)將沿最近距離映射到色域邊界D點(diǎn).根據(jù)映射結(jié)果點(diǎn)的位置可以看出,CUSP-CLIP算法更加強(qiáng)調(diào)亮度保持而不是彩度保持,尤其對(duì)于色域邊界附近的顏色.

2.3 雙濾波參數(shù)對(duì)圖像映射效果的影響

圖3顯示了不同雙濾波參數(shù)對(duì)測(cè)試圖像“I19”L通道細(xì)節(jié)層的影響,圖中左上部分為原始輸入圖像,右側(cè)部分依次為使用不同雙濾波參數(shù)獲得的L通道細(xì)節(jié)層圖像.圖4則顯示了相應(yīng)雙濾波參數(shù)下的圖像映射結(jié)果.從圖3可以看出:當(dāng)σr保持不變(σr=10)時(shí),隨著空間域?yàn)V波寬度參數(shù)σd的增大,圖像低通模糊總量也在增大,分層后的L通道細(xì)節(jié)層圖像也相應(yīng)增強(qiáng).因此經(jīng)過(guò)細(xì)節(jié)補(bǔ)償后,最終映射圖像的局部細(xì)節(jié)也略微增強(qiáng),映射效果略微改善.圖4顯示了當(dāng)σr保持不變(σr=10)時(shí),不同σd取值產(chǎn)生的圖像映射結(jié)果,隨著σd值的增大,圖像中紅色方框內(nèi)部區(qū)域的細(xì)節(jié)明顯增強(qiáng).但當(dāng)σd值過(guò)大時(shí)(σd=8),這時(shí)的雙濾波本質(zhì)上相當(dāng)于一個(gè)值域?yàn)V波[10],再增大σd也不會(huì)改變細(xì)節(jié)層,因此最終映射圖像也將保持不變.而當(dāng)σd保持不變(σd=3)時(shí),隨著σr的增大,值域?yàn)V波的像素合并量隨之增大,細(xì)節(jié)層也相應(yīng)增強(qiáng).因此最終映射圖像的局部細(xì)節(jié)也略微增強(qiáng),映射效果略微改善;同樣地,當(dāng)σr值過(guò)大時(shí)(σr=70),雙濾波將等效為一個(gè)空間域?yàn)V波[10],這時(shí)σr的增大將不再影響細(xì)節(jié)層,最終映射圖像也將保持不變.

由圖像映射實(shí)驗(yàn)和上述分析可知,在色域映射流程中,設(shè)置過(guò)大的σd和σr值都不會(huì)對(duì)細(xì)節(jié)補(bǔ)償產(chǎn)生實(shí)質(zhì)性作用,也不會(huì)影響到最終映射效果.相反,過(guò)大的σd和σr值還有可能在圖像中顏色差別較大的邊界位置產(chǎn)生光暈現(xiàn)象[13].以圖5所示的測(cè)試圖像為例,觀察測(cè)試圖像左下方“紅色方塊”與中心“灰色方塊”的邊緣交界位置.在對(duì)該邊緣位置像素進(jìn)行雙濾波時(shí),與濾波中心像素值相差小于σr的鄰域像素將參與濾波運(yùn)算,反之則不參加運(yùn)算.因此當(dāng)參數(shù)σd固定不變時(shí)(σd=5),隨著參數(shù)σr的提高,邊界位置產(chǎn)生的光暈也在增強(qiáng);但當(dāng)σr=10,此時(shí)σr值小于邊緣位置兩側(cè)之間的亮度差值,那么該邊緣位置兩側(cè)的像素將不參加濾波運(yùn)算,因此這些邊緣位置上的光暈消失了.分別以“紅色方塊”與其中心“灰色方塊”邊緣交界位置處的像素rb和“紅色方塊”內(nèi)部像素ri,以及“黃色方塊”與其中心“灰色方塊”交界位置處的像素yb和“黃色方塊”內(nèi)部像素yi為例進(jìn)行光暈的量化分析,如圖5左下部分.在原始測(cè)試圖像中,像素rb和像素ri的CIELab值相同(CIELab:42,66,53),像素yb和像素yi的CIELab值也相同(CIELab:88,2,86).保持參數(shù)σd不變(σd=5),當(dāng)σr=30時(shí),映射結(jié)果中rb和ri兩個(gè)像素間的CIELab色差達(dá)到19.1,光暈現(xiàn)象明顯;當(dāng)σr=20時(shí),這兩個(gè)像素間的色差降至11.4,光暈仍然可見(jiàn);但當(dāng)σr=10時(shí),該色差降低至1.4,光暈基本消失.而此時(shí)“黃色方塊”與中心“灰色方塊”的交界位置處還存在著微弱的可視光暈,像素yb和像素yi映射后的色差為6.0,這是因?yàn)榇藭r(shí)σr值還大于“黃色方塊”與“灰色方塊”間的亮度差值,但當(dāng)σr值降低至σr=5時(shí),像素yb和yi映射后的色差變?yōu)?,此處的光暈也隨之消失.因此參數(shù)σr本質(zhì)上是一個(gè)光暈產(chǎn)生的閾值.圖6顯示了不同空間域?yàn)V波參數(shù)σd產(chǎn)生的光暈效果,為了增強(qiáng)光暈可視性便于讀者閱讀,將σr值固定為30.從圖中可以看出:當(dāng)σd<2時(shí),光暈很弱,在圖像中幾乎不可視;隨著σd值的增大,光暈強(qiáng)度逐漸增強(qiáng),但當(dāng)σd值趨近5時(shí),光暈強(qiáng)度將停止增強(qiáng).

綜上分析,雙濾波參數(shù)σd和σr都會(huì)影響色域映射的最終效果,過(guò)小的σr和σd值雖然會(huì)減弱可能出現(xiàn)的光暈,但同時(shí)也會(huì)削弱色域映射的細(xì)節(jié)補(bǔ)償能力;但隨著σr和σd值的增大,對(duì)映射圖像細(xì)節(jié)補(bǔ)償?shù)耐瑫r(shí),光暈也在增強(qiáng);當(dāng)σr和σd值過(guò)大時(shí),細(xì)節(jié)補(bǔ)償和光暈增強(qiáng)都會(huì)停止.因此可以將σd值設(shè)置的稍大,以增強(qiáng)細(xì)節(jié)層信號(hào),改善映射圖像的細(xì)節(jié)層次;同時(shí)可將σr值設(shè)置的稍小,目的是降低光暈產(chǎn)生的閾值.根據(jù)上述分析和圖像映射實(shí)驗(yàn),綜合考慮色域映射的圖像偏好性和色貌復(fù)制準(zhǔn)確性,新映射算法中使用的濾波分層參數(shù)設(shè)置如式(10)所示.

σd=3.0,σr=25

(10)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 算法評(píng)價(jià)的實(shí)驗(yàn)原理和條件

本文通過(guò)將新算法與其它不同類(lèi)型的色域映射算法進(jìn)行橫向比較來(lái)評(píng)價(jià)新算法的性能.為增強(qiáng)算法評(píng)價(jià)的說(shuō)服力,實(shí)驗(yàn)選擇四種色域映射算法作為橫向比較算法(測(cè)試算法),分別是:兩種標(biāo)準(zhǔn)的色域裁剪算法(HPMinDE和CUSP-CLIP),一種色域壓縮算法CUSP-MAP(以亮度軸上等于CUSP點(diǎn)亮度值的中性灰點(diǎn)為映射中心,將色域外顏色等比例壓縮到色域邊界內(nèi)某點(diǎn))和一種經(jīng)典的空間色域映射算法(Bala的二級(jí)映射算法).從TID2008圖像庫(kù)(I02,I03,I04,I18,I19,I23),CSIQ圖像庫(kù)(sunset-sparrow,trolley,sunsetcolor)和GATF Digital Test Form 4.1(GATF-image1)中共選取10幅測(cè)試圖像,這10幅圖像涉及不同亮暗調(diào)和不同主色調(diào),包括平滑和紋理區(qū)域,高飽和顏色區(qū)域,人物膚色以及中性灰區(qū)域等特征,如圖7所示.所有測(cè)試圖像均使用NEC顯示器的ICC profile從RGB顏色空間轉(zhuǎn)至CIELab空間,而映射目標(biāo)色域則從HP z3200打印機(jī)的ICC profile中提取,色域邊界描述方法使用分區(qū)最大邊

界描述法(SegmentMaximaGamutBoundaryDescriptor,SMGBD)[14],分區(qū)參數(shù)設(shè)置為10,然后可以使用不同的色域映射算法將CIELab模式的測(cè)試圖像映射到目標(biāo)色域內(nèi)并保存歸檔,用于后續(xù)的主觀和客觀評(píng)價(jià)實(shí)驗(yàn).

3.2 主觀評(píng)價(jià)實(shí)驗(yàn)與結(jié)果分析

本文采用基于圖像兩兩對(duì)比的心理物理學(xué)實(shí)驗(yàn)進(jìn)行不同算法的橫向比較,分別采用新算法和上述四種橫向比較算法對(duì)每一幅測(cè)試圖像依次進(jìn)行色域映射.針對(duì)每幅測(cè)試圖像,將5種映射算法得到的5幅結(jié)果圖像作為一組,兩兩隨機(jī)地顯示在同一臺(tái)目標(biāo)顯示器上(為降低實(shí)驗(yàn)誤差,確保映射后圖像色貌的準(zhǔn)確顯示,選取高色域的藝卓ColorEdge-CG241W型號(hào)顯示器用于

圖像顯示).還要選擇20名色覺(jué)正常的實(shí)驗(yàn)人員(其中10名為顏色科學(xué)相關(guān)專(zhuān)業(yè)人員,10名為非專(zhuān)業(yè)人員)作為觀察者.針對(duì)每組結(jié)果圖像,觀察者分別依據(jù)圖像偏好性和色貌復(fù)制準(zhǔn)確性為評(píng)價(jià)標(biāo)準(zhǔn),對(duì)5幅結(jié)果圖像進(jìn)行兩兩比較(每組圖像需進(jìn)行10次比較,10幅測(cè)試圖像就需要進(jìn)行100次比較).在偏好性實(shí)驗(yàn)中,觀察者依據(jù)對(duì)圖像質(zhì)量(包括局部對(duì)比度,彩度,銳度,總體色貌等特征)的總體印象,在成對(duì)比較的兩幅圖像中評(píng)判出偏好性較好的一幅.在復(fù)制準(zhǔn)確性實(shí)驗(yàn)中,以原始圖像為參考,觀察者在成對(duì)比較的兩幅圖像中選出與原始圖像色貌最接近的一幅.

圖8和圖9分別顯示了根據(jù)成對(duì)比較實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)的各算法偏好性平均Z分?jǐn)?shù)和準(zhǔn)確性平均Z分?jǐn)?shù).從圖8可以看出新算法的偏好性略好于Bala的二級(jí)算法,但卻明顯好于其他逐點(diǎn)映射算法.分析可知,這主要是因?yàn)樾滤惴ê投?jí)算法同屬空間色域映射類(lèi)型,它們能夠有效彌補(bǔ)因色域裁剪帶來(lái)的圖像細(xì)節(jié)損失.因此相比較逐點(diǎn)算法,空間映射算法得到的圖像局部對(duì)比度更高,細(xì)節(jié)層次更加豐富.圖10顯示了五種算法對(duì)“trolley”測(cè)試圖像的局部映射結(jié)果,可以明顯看出:新算法在局部細(xì)節(jié)表現(xiàn)方面與Bala的二級(jí)算法相當(dāng),兩者都明顯強(qiáng)于其它逐點(diǎn)映射算法,而CUSP-MAP的效果則強(qiáng)于其他兩種裁剪算法.CUSP-MAP之所以在逐點(diǎn)映射算法中表現(xiàn)最佳,是因?yàn)镃USP-MAP是將色域外顏色朝著映射中心點(diǎn)等比例壓縮到目標(biāo)色域內(nèi),而非裁剪到色域邊界,因此它可以較好地保留色域外鄰近顏色間的相互關(guān)系.

圖11顯示了每種算法對(duì)各測(cè)試圖像的偏好性分?jǐn)?shù).從圖中可以看出新算法尤其對(duì)測(cè)試圖像“trolley”,“sunsetcolor”,“sunset-sparrow”,“I19”和“GATF-image1”具有較高的偏好性分?jǐn)?shù),主要是因?yàn)檫@些圖像的細(xì)節(jié)層次較為豐富,而新算法在映射中的細(xì)節(jié)補(bǔ)償效果很明顯,使得細(xì)節(jié)信息得以較好保留,從而提高了圖像映射質(zhì)量.另外從圖11也可以看出,新算法對(duì)所有類(lèi)型的測(cè)試圖像具有比較一致的映射效果,因此也具有良好的均質(zhì)性.圖9中準(zhǔn)確性Z分?jǐn)?shù)的分布趨勢(shì)與圖8類(lèi)似:新算法的色貌復(fù)制準(zhǔn)確性略低于Bala二級(jí)算法,可能是因?yàn)樾滤惴▽?duì)部分圖像的細(xì)節(jié)補(bǔ)償量過(guò)大,造成圖像略微失真;但兩種空間算法明顯強(qiáng)于逐點(diǎn)映射算法,這仍是因?yàn)榭臻g算法在映射中能夠更好地再現(xiàn)圖像細(xì)節(jié).

3.3 客觀評(píng)價(jià)實(shí)驗(yàn)與結(jié)果分析

主觀評(píng)價(jià)法對(duì)實(shí)驗(yàn)環(huán)境和觀察者的依賴(lài)性較高,容易產(chǎn)生偏差,因此可以使用圖像質(zhì)量評(píng)價(jià)模型對(duì)色域映射算法的性能進(jìn)行定量評(píng)價(jià).本文分別采用S-CIELAB模型[15]和SSIM模型[16]來(lái)評(píng)價(jià)映射算法的色彩復(fù)制性能和細(xì)節(jié)還原性能.S-CIELAB模型被用于計(jì)算原始圖像與映射后圖像之間的感知色差,差值越小表明映射算法的色彩復(fù)制性能越好;而SSIM模型被用于計(jì)算原始圖像與映射后圖像之間結(jié)構(gòu)相似度,計(jì)算值越大表明映射后圖像與原圖的結(jié)構(gòu)越相似,細(xì)節(jié)還原性能就越好.

表1顯示了使用S-CIELAB模型計(jì)算的原始圖像與映射后圖像的色差數(shù)值,評(píng)價(jià)算法包括HpMinDE算法,Bala二級(jí)算法和新算法.從表1可以看出,新算法對(duì)10幅圖像中的9幅都具有最小的圖像色差.這說(shuō)明新算法在顏色復(fù)制準(zhǔn)確性方面具有一定優(yōu)勢(shì).表2顯示了使用SSIM模型計(jì)算的原始圖像和映射后圖像之間的結(jié)構(gòu)相似度數(shù)值.從表中可以看出,新算法對(duì)10幅測(cè)試圖像中的8幅都具有最高的結(jié)構(gòu)相似度數(shù)值.這說(shuō)明新算法在映射圖像的細(xì)節(jié)還原方面更加優(yōu)秀.

3.4 光暈對(duì)比和運(yùn)算效率

由于雙濾波中的空間域和值域?yàn)V波參數(shù)可以單獨(dú)設(shè)置,前者用于控制細(xì)節(jié)層強(qiáng)度,后者可用于控制光暈產(chǎn)生的閾值.當(dāng)值域?yàn)V波參數(shù)設(shè)置的足夠小時(shí),可在濾波計(jì)算時(shí)排除與中心像素值差別較大的鄰近像素.因此使用雙濾波對(duì)映射圖像分層,可以在提取圖像細(xì)節(jié)信息的同時(shí),大幅降低光暈出現(xiàn)的概率.由于Bala二級(jí)算法使用的是簡(jiǎn)單的高斯低通濾波,在圖像濾波過(guò)程中無(wú)法調(diào)控參與濾波的像素差閾值,因此該映射算法在細(xì)節(jié)補(bǔ)償?shù)耐瑫r(shí)極易產(chǎn)生光暈.

應(yīng)用MATLAB編程技術(shù),在同一臺(tái)計(jì)算機(jī)(Lenovo E420s,Inter(R) Core(TM) i5-2410M CPU@2.30GHZ)分別實(shí)現(xiàn)HPMinDE逐點(diǎn)映射算法,Bala二級(jí)算法和新算法.應(yīng)用三種算法對(duì)10幅測(cè)試圖像映射的耗費(fèi)時(shí)間如表3所示.由于逐點(diǎn)映射算法僅對(duì)每個(gè)像素執(zhí)行一次映射,因此運(yùn)算時(shí)間最短.而B(niǎo)ala算法和新算法都需要進(jìn)行二次映射,新算法平均每映射一幅圖像比Bala算法大概多用10-15s,這是因?yàn)殡p濾波的計(jì)算時(shí)間略長(zhǎng)于簡(jiǎn)單高斯濾波.如果采用方法[17，18]對(duì)雙濾波器進(jìn)行加速,那么最終的運(yùn)算效率與Bala算法大致相當(dāng).

表1 使用S-CIELAB模型計(jì)算的10幅測(cè)試圖像的圖像色差值

表2 使用S-CIELAB模型計(jì)算的10幅測(cè)試圖像的結(jié)構(gòu)相似度值

表3 算法運(yùn)行的時(shí)間(秒)

4 結(jié)論

針對(duì)逐點(diǎn)色域映射的細(xì)節(jié)損失問(wèn)題,本文提出了一種基于雙濾波的空間色域映射方案.與基于簡(jiǎn)單高斯濾波的空間二級(jí)映射算法不同,新方案采用雙濾波技術(shù)對(duì)映射圖像進(jìn)行基礎(chǔ)層和細(xì)節(jié)層的分解,然后分析了空間域?yàn)V波參數(shù)和值域?yàn)V波參數(shù)對(duì)細(xì)節(jié)層提取,圖像色域映射效果以及光暈效應(yīng)的影響,并由此確定了色域映射流程中的雙濾波參數(shù)設(shè)置.通過(guò)心理物理學(xué)實(shí)驗(yàn)可以證明:在合理設(shè)定雙濾波參數(shù)的情況下,新方法的圖像映射效果與經(jīng)典的細(xì)節(jié)補(bǔ)償類(lèi)方法相當(dāng).相比較其它同類(lèi)型方法,新方法在色域映射過(guò)程中能夠更加有效地抑制圖像光暈的產(chǎn)生.在運(yùn)算效率方面,使用常規(guī)雙濾波的映射算法略低于經(jīng)典的細(xì)節(jié)補(bǔ)償類(lèi)算法.但經(jīng)過(guò)雙濾波加速后,新方法的計(jì)算效率與經(jīng)典的細(xì)節(jié)補(bǔ)償類(lèi)算法相當(dāng).在新方法中,雙濾波參數(shù)的具體設(shè)置與映射圖像邊界位置的光暈強(qiáng)弱有著密切聯(lián)系,基于雙濾波的圖像頻帶分解雖然可以在一定程度上控制光暈的強(qiáng)弱,但還無(wú)法實(shí)現(xiàn)在映射過(guò)程中根據(jù)圖像內(nèi)容自適應(yīng)地設(shè)置濾波參數(shù),今后可以進(jìn)一步研究基于參數(shù)自適應(yīng)控制的雙濾波分層方法,或采用引導(dǎo)濾波技術(shù)來(lái)徹底消除空間色域映射中的光暈.

[1]梁靜,等.彩色復(fù)制中色域映射方法的研究[J].包裝工程,2008,29(9):33-39.

Liang Jing,et al.Research of color gamut mapping in color reproduction[J].Packaging Engineering,2008,29(9):33-39.(in Chinese)

[2]Alsam A,Farup I.Spatial colour gamut mapping by orthogonal projection of gradients onto constant hue lines[A].8th International Symposium,ISVC 2012[C].Greece,2012.7431:556-565.

[3]Alsam A,Farup I.Colour gamut mapping as a constrained variational problem[A].16th Scandinavian Conference,SCIA 2009[C].Norway,2009.5575:109-118.

[4]Alsam A,Farup I.Spatial colour gamut mapping by means of anisotropic diffusion[A].Third International Workshop,CCIW 2011[C].Italy,2011.6626:113-124.

[5]Balasubramanian R,et al.Gamut mapping to preserve spatial luminance variations[J].Journal of Imaging Science and Technology,2000,45(5):122-128.

[6]Zolliker P,Simon K.Adding local contrast to global gamut mapping algorithms[A].Conference on Colour in Graphics,Imaging,and Vision[C].USA:IS&T,2006.257-261.

[7]Bonnier N,Schmitt F,Hull M,Leynadier C.Spatial and color adaptive gamut mapping:a mathematical framework and two new algorithms[A].Color and Imaging Conference[C].USA:IS&T,2007.267-272.

[8]Morovic J,Wang Y.A multi-resolution,full-colour spatial gamut mapping algorithm[A].The 11th Color Imaging Conference:Color Science and Engineering Systems,Technologies,Applications[C].USA:IS&T,2003.282-287.

[9]Tomasi C,Manduchi R.Bilateral filtering for gray and color images[A].ICCV '98 Proceedings of the Sixth International Conference on Computer Vision[C].USA:IEEE,1998.839-847.

[10]張闖,等.基于邊緣檢測(cè)與雙邊濾波的彩色圖像去噪[J].電子學(xué)報(bào),2010,38(8):1776-1783.

Zhang Chuang,et al.Removing noise of color images based on edge detection and bilateral filter[J].Acta Electronica Sinica,2010,38(8):1776-1783.(in Chinese)

[11]He K,Sun J,Tang X.Guided image filtering[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2013,35(6):1397-1409.

[12]Morovic J.To develop a universal gamut mapping algorithm[D].Ph.D.Thesis,University of Derby,1998.

[13]Farup I,Gatta C,Rizzi A.A multiscale framework for spatial gamut mapping[J].IEEE Transactions on Image Processing,2007,16(10):2423-2435.

[14]Morovic J,Luo M R.Calculating medium and image gamut boundaries for gamut mapping[J].Color Research and Application,2000,25(6):394-401.

[15]Zhang X,Wandell B A.A spatial extension of CIELAB for digital color-image reproduction[J].Journal of the Society for Information Display,1997,1(5):61-63.

[16]Wang Z,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

[17]Chaudhury K N,et al.Fast O(1) bilateral filtering using trigonometric range kernels[J].IEEE Transactions Image Processing,2011,20(12):3376-3382.

[18]Chaudhury K N.Acceleration of the shiftable O(1) algorithm for bilateral filtering and non-local means[J].IEEE Transactions on Image Processing,2012,22(4):1291-1300.

王 娜 女,1983年出生,華南理工大學(xué)博士研究生,河南工程學(xué)院講師,主要研究方向?yàn)閳D像色彩管理等.

E-mail:wangna616@126.com

朱 明 男,1983年出生,博士,河南工程學(xué)院副教授,研究方向?yàn)閳D像處理,印刷色彩復(fù)制技術(shù).

E-mail:zhuming-printing@haue.edu.cn

陳廣學(xué)(通訊作者) 男,1963年出生,工學(xué)博士,現(xiàn)任華南理工大學(xué)特聘教授,博士研究生導(dǎo)師，主要研究方向?yàn)閿?shù)字圖像信息處理、高保真印刷、數(shù)字印刷與電子出版等.目前主要從事數(shù)字加網(wǎng)與高保真印刷、立體成像印刷、紙塑復(fù)合及無(wú)溶劑復(fù)合包裝技術(shù)等方面的研究.

E-mail:chengx@scut.wdu.cn

A Spatial Gamut Mapping Algorithm Based on Bilateral Filter

WANG Na1,2,ZHU Ming2,CHEN Guang-xue1

(1.StateKeyLaboratoryofPulpandPaperEngineering,SouthChinaUniversityofTechnology,Guangzhou,Guangdong510640,China;2.HenanInstituteofEngineering,Zhengzhou,Henan450007,China)

A spatial Gamut Mapping Algorithm(GMA) was proposed in order to avoid the detail loss produced by pointwise GMAs.Firstly,the bilateral filter was employed to decompose the original image into a base layer image(containing image-edge information) and a detail layer image(containing image-texture information).Then the base layer image was gamut-clipped by the pointwise GMA that emphasizes chroma over luminance preservation.After the first gamut mapping process,the detail layer was added to the gamut-clipped base layer image.Finally,the merged image was gamut-clipped again by another pointwise GMA that emphasizes luminance over chroma preservation to get the final gamut-mapped image.The influences of different bilateral filter parameters on gamut mapping results and halo-artifacts were analyzed.The psychophysical experimental results show that the proposed spatial GMA with proper bilateral filtering parameters performs significantly better than standard pointwise GMAs and has almost same performance as another classical spatial GMA.In addition,the proposed spatial GMA can reduce the halo-artifacts much more effectively.

spatial gamut mapping;bilateral filter;image layering;halo-artifacts

2015-07-27；

2015-11-26；責(zé)任編輯：馬蘭英

國(guó)家自然科學(xué)基金(No.61301231)；河南工程學(xué)院數(shù)字印刷色彩控制研究中心(No.YJJJ2013003)；河南工程學(xué)院博士基金(No.D2012027)

TP391;TP37

A

0372-2112 (2016)08-1924-08