基于非局部邻域的图像重新着色

提出了一种新的基于非局部邻域的图像重新着色方法。首先提出了非局部彩色线性模型,然后构建了高维特征空间查找非局部邻域,最后将提出的非局部彩色线性模型最优化问题归结于求解稀疏矩阵。该算法继承了全局和局部邻域色彩传播方法的优点,既能实现全局色彩传播,即使当需要重新着色的像素离涂色线条距离较远时,也能实现局部或者直接的选择控制。与现有的采用全局或者局部邻域色彩传播的方法相比,该算法仅需要输入少量的用户涂色线条即可产生高质量的重新着色效果。

基于全连接神经网络的近实时重新着色算法

提出了一种基于全连接神经网络(FNN)的图像重新着色算法。该算法提取着色线条所在区域的像素RGB颜色特征值和相应的着色线条分类为数据集,为了减少神经网络的训练时间,对数据集进行了采样;把FNN作为一个像素级的多分类神经网络,利用这些训练数据训练FNN,将待重新着色图像中逐个像素的特征值作为神经网络的输入,获得每个像素属于着色线条的似然概率;根据神经网络输出的每个像素属于着色线条的似然概率,计算最终的图像重新着色结果。与现有的基于卷积神经网络的图像重新着色方法相比,该方法避免了神经网络在训练阶段需要大规模的训练样本的弊端,且能够达到近实时的交互性能,同时用户只需输入少量的用户着色线条,就能获得高质量的图像重新着色效果。