基于调色板的图像间色彩迁移方法研究

作者及机构
本研究的作者为Chenlei Lv（深圳大学计算机与软件工程学院）和Dan Zhang（青海师范大学计算机学院），论文于2024年5月15日提交至预印本平台arXiv（编号：2405.08263v1），并计划发表于期刊《Computer & Graphics》。

学术背景
色彩迁移（Color Transfer）是图像增强领域的重要子课题，其目标是通过参考图像的色彩方案调整源图像的色彩分布，同时保留语义内容。传统方法依赖复杂的语义分析或人工调参，限制了实用性。调色板（Palette）作为色彩分布的简化表示，可避免语义依赖，但现有调色板生成方法受限于颜色分离程度和人工干预。本研究提出了一种全自动的调色板色彩迁移框架，结合改进的聚类算法和深度学习分割技术，提升了色彩迁移的自然性、一致性和鲁棒性。

研究流程与方法
1. 调色板聚类（Palette-based Clustering）
- 目标：自动生成代表图像色彩分布的调色板。
- 方法：
- 色彩空间选择：在LAB色彩空间（LAB Color Space）中进行分析，因其通道解耦特性便于分离光照与颜色信息。
- 直方图分析：将LAB各通道划分为100个区间（bins），统计像素分布，检测局部峰值（Peak Searching）。
- 峰值合并：通过KD树对三通道峰值聚类，设定上限（默认32）以控制调色板规模，避免过度分散。
- 像素分类：根据峰值距离将像素归类，生成调色板。
- 创新点：无需人工指定聚类中心，通过直方图分析自适应生成调色板。

1. 色彩映射策略（Color Mapping Strategy）

   • 目标：建立源图像与参考图像调色板间的映射关系。
     
   • 约束条件：
     
     • 分割对应（Split Correspondence）：利用DeepLabV3+分割前景与背景，分别映射。
       
     • 色差控制（Chromatic Aberration Control）：基于LAB空间的最近邻搜索，避免色彩失真。
       
     • 色彩一致性保持（Color Consistency Keeping）：通过内部一致性（合并多对一映射）和外部连续性（邻域加权插值）维护色彩分布结构。
       
   • 映射公式：像素最终色彩由调色板映射值与原始色差调整得到（式11）。
     

2. 光照优化（Lighting Optimization）

   • 目标：独立调整L通道（亮度）以避免异常曝光。
     
   • 方法：
     
     • 加权更新：融合原始亮度与映射结果（权重α=0.3）。
       
     • 全局增强：针对参考图像异常曝光区域，采用Retinex模型优化光照。
       

实验结果
1. 定性分析
- 在可分图像（如人像、风景）中，分割对应策略显著提升前景物体的色彩准确性（图7）。
- 对不可分图像（如卡通），全局映射仍能保持色彩分布一致性（图8）。
- 相比传统方法（如Reinhard的LAB全局迁移、Tai的GMM聚类），本方法避免了色彩溢出和曝光异常（图7红框与黄框标注）。

1. 定量分析
   
   • 色彩一致性评估：通过RGB和L通道直方图方差计算，本方法方差最低（表1：RGB方差252 vs 其他方法773–3453）。
     
   • 褪色率（Fading Rate）：衡量色彩信号损失，本方法在a/b通道的褪色率接近最优（表1：2.34e-02/5.75e-03）。
     
   • 图像质量评估：在BRISQUE、CLIPIQA+等指标中表现优异（表2：NIMA得分4.9361，优于对比方法）。
     

结论与价值
1. 科学价值
- 提出无需人工干预的调色板生成与映射框架，解决了传统方法对语义对应和调参的依赖。
- 通过分割对应和色差控制，平衡了色彩迁移的灵活性与稳定性。

1. 应用价值
   
   • 适用于医学影像处理、影视后期等领域，尤其适合语义对应薄弱的图像（如低光照或艺术创作）。
     
   • 开源实现可提升自动化图像增强工具的实用性。
     

研究亮点
1. 全自动调色板聚类：首次结合直方图分析与自适应峰值合并，避免人工指定聚类数。
2. 语义无关的分割映射：通过前景/背景独立处理，兼顾语义一致性与色彩分布对齐。
3. 光照与色彩解耦优化：独立处理L通道，避免参考图像曝光问题影响迁移结果。

局限性
1. 对色彩分布高度集中或差异过大的图像可能退化为全局滤镜效果（图17）。
2. 计算效率待提升（300×300图像需1–3分钟），暂不适用于实时视频处理。

未来方向
作者计划优化算法效率，并引入结构信息分析以进一步抑制迁移退化。