当前位置： 首页 > news >正文

基于LAB颜色空间的增强型颜色迁移算法

news 来源：原创 2025/4/26 15:11:37

本文算法使用Grok完成所有内容，包含算法改进和代码编写，可大大提升代码编写速度，算法改进速度，提供相关idea，提升效率；

概述

本文档描述了一种基于LAB颜色空间的颜色迁移算法，用于将缩略图D的亮度和色调特性迁移到原图S上。算法在保留原图清晰度的同时，增强对比度和亮度的迁移效果，适用于BGRA32像素格式的图像数据。改进版本解决了原始算法中迁移程度较弱的问题，通过引入对比度增强因子、动态融合因子和非线性调整等技术实现了更强的迁移效果。

效果展示

算法流程

  1. 输入与预处理

  • 输入：

    • 原图S：srcData（BGRA32格式），尺寸为width × height，步幅为stride。

    • 缩略图D：scaledData（BGRA32格式），尺寸为sWidth × sHeight，步幅为sStride。

  • 预处理：

    • 将原图S和缩略图D的RGB像素转换为LAB颜色空间，分别得到L（亮度）、A（色调a）、B（色调b）通道数据。

  1. 低频与高频分离

  • 目标：分离原图S的亮度通道（L）为低频（平滑部分）和高频（细节部分），以保护清晰度。

  • 方法：

    • 对原图的L通道应用均值滤波（3x3核，半径为1），得到低频部分src_l_low。

    • 高频部分通过src_l - src_l_low计算。

  1. 统计特性计算

  • 目标：提取原图S和缩略图D的亮度和色调统计信息。

  • 方法：

    • 对原图的低频L通道（src_l_low）、A通道（src_a）、B通道（src_b）计算均值和标准差。

    • 对缩略图的L通道（scaled_l）、A通道（scaled_a）、B通道（scaled_b）计算均值和标准差。

  1. 亮度与色调迁移

  • 目标：将缩略图D的亮度和色调特性迁移到原图S，同时增强对比度。

  • 方法：

    • 低频亮度迁移：

      1. 对低频L通道应用公式：l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean。

      2. contrast_boost（默认1.5）为对比度增强因子。

    • 可选非线性调整：

      1. 使用tanh函数对l_mapped进行非线性调整（当前禁用，可启用）。

    • 动态融合：

      1. 计算标准差比率std_ratio = scaled_l_std / src_l_std。

      2. 动态融合因子alpha = min(0.9, 0.5 + 0.4 * std_ratio)，范围[0.5, 0.9]。

      3. 融合公式：l_final = alpha * l_mapped + (1 - alpha) * l_orig + detail_weight * l_detail。

      4. detail_weight（默认0.5）控制高频细节保留程度。

    • 色调迁移：

      1. 对A通道：a = (a - src_a_mean) * (scaled_a_std / src_a_std) + scaled_a_mean。

      2. 对B通道：b = (b - src_b_mean) * (scaled_b_std / src_b_std) + scaled_b_mean。

  1. 输出转换

  • 目标：将迁移后的LAB值转换回RGB空间并更新原图。

  • 方法：

    • 将l_final、a、b转换回RGB，限制值在[0, 255]。

    • 更新srcData中的RGB值，保持Alpha通道不变。

  1. 内存清理

  • 释放所有动态分配的临时数组。

完整代码实现

#include <stdio.h>
#include <stdlib.h>
#include <math.h>// 辅助函数：将值限制在0-255范围内
unsigned char clamp(float value) {if (value < 0.0f) return 0;if (value > 255.0f) return 255;return (unsigned char)value;
}// RGB转LAB
void rgb_to_lab(unsigned char r, unsigned char g, unsigned char b, float* l, float* a, float* b_out) {float rf = r / 255.0f;float gf = g / 255.0f;float bf = b / 255.0f;rf = (rf > 0.04045f) ? powf((rf + 0.055f) / 1.055f, 2.4f) : rf / 12.92f;gf = (gf > 0.04045f) ? powf((gf + 0.055f) / 1.055f, 2.4f) : gf / 12.92f;bf = (bf > 0.04045f) ? powf((bf + 0.055f) / 1.055f, 2.4f) : bf / 12.92f;float x = rf * 0.4124564f + gf * 0.3575761f + bf * 0.1804375f;float y = rf * 0.2126729f + gf * 0.7151522f + bf * 0.0721750f;float z = rf * 0.0193339f + gf * 0.1191920f + bf * 0.9503041f;x /= 0.95047f;z /= 1.08883f;x = (x > 0.008856f) ? powf(x, 1.0f / 3.0f) : (7.787f * x + 16.0f / 116.0f);y = (y > 0.008856f) ? powf(y, 1.0f / 3.0f) : (7.787f * y + 16.0f / 116.0f);z = (z > 0.008856f) ? powf(z, 1.0f / 3.0f) : (7.787f * z + 16.0f / 116.0f);*l = (116.0f * y) - 16.0f;*a = 500.0f * (x - y);*b_out = 200.0f * (y - z);
}// LAB转RGB
void lab_to_rgb(float l, float a, float b, unsigned char* r, unsigned char* g, unsigned char* b_out) {float y = (l + 16.0f) / 116.0f;float x = a / 500.0f + y;float z = y - b / 200.0f;x = 0.95047f * ((x * x * x > 0.008856f) ? x * x * x : (x - 16.0f / 116.0f) / 7.787f);y = 1.00000f * ((y * y * y > 0.008856f) ? y * y * y : (y - 16.0f / 116.0f) / 7.787f);z = 1.08883f * ((z * z * z > 0.008856f) ? z * z * z : (z - 16.0f / 116.0f) / 7.787f);float rf = x * 3.2404542f + y * -1.5371385f + z * -0.4985314f;float gf = x * -0.9692660f + y * 1.8760108f + z * 0.0415560f;float bf = x * 0.0556434f + y * -0.2040259f + z * 1.0572252f;rf = (rf > 0.0031308f) ? (1.055f * powf(rf, 1.0f / 2.4f) - 0.055f) : 12.92f * rf;gf = (gf > 0.0031308f) ? (1.055f * powf(gf, 1.0f / 2.4f) - 0.055f) : 12.92f * gf;bf = (bf > 0.0031308f) ? (1.055f * powf(bf, 1.0f / 2.4f) - 0.055f) : 12.92f * bf;*r = clamp(rf * 255.0f);*g = clamp(gf * 255.0f);*b_out = clamp(bf * 255.0f);
}// 计算均值和标准差
void calculate_stats(float* data, int size, float* mean, float* std_dev) {*mean = 0.0f;for (int i = 0; i < size; i++) {*mean += data[i];}*mean /= size;*std_dev = 0.0f;for (int i = 0; i < size; i++) {float diff = data[i] - *mean;*std_dev += diff * diff;}*std_dev = sqrtf(*std_dev / size);
}// 简单均值滤波（低频提取）
void mean_filter(float* src, float* dst, int width, int height, int radius) {for (int y = 0; y < height; y++) {for (int x = 0; x < width; x++) {float sum = 0.0f;int count = 0;for (int dy = -radius; dy <= radius; dy++) {for (int dx = -radius; dx <= radius; dx++) {int ny = y + dy;int nx = x + dx;if (nx >= 0 && nx < width && ny >= 0 && ny < height) {sum += src[ny * width + nx];count++;}}}dst[y * width + x] = sum / count;}}
}// 非线性调整（可选Sigmoid函数）
float nonlinear_adjust(float value, float mean, float boost) {float normalized = (value - mean) / 50.0f; // 归一化到[-1, 1]范围return mean + 50.0f * (boost * tanhf(normalized)); // 使用tanh增强对比度
}// 颜色迁移主函数
void lightTransfer_color(unsigned char* srcData, int width, int height, int stride,unsigned char* scaledData, int sWidth, int sHeight, int sStride) {// 分配内存float* src_l = (float*)malloc(width * height * sizeof(float));float* src_a = (float*)malloc(width * height * sizeof(float));float* src_b = (float*)malloc(width * height * sizeof(float));float* src_l_low = (float*)malloc(width * height * sizeof(float)); // 低频部分float* scaled_l = (float*)malloc(sWidth * sHeight * sizeof(float));float* scaled_a = (float*)malloc(sWidth * sHeight * sizeof(float));float* scaled_b = (float*)malloc(sWidth * sHeight * sizeof(float));// 转换到LAB空间for (int y = 0; y < height; y++) {for (int x = 0; x < width; x++) {int index = y * stride + x * 4;float l, a, b;rgb_to_lab(srcData[index + 2], srcData[index + 1], srcData[index], &l, &a, &b);src_l[y * width + x] = l;src_a[y * width + x] = a;src_b[y * width + x] = b;}}for (int y = 0; y < sHeight; y++) {for (int x = 0; x < sWidth; x++) {int index = y * sStride + x * 4;float l, a, b;rgb_to_lab(scaledData[index + 2], srcData[index + 1], scaledData[index], &l, &a, &b);scaled_l[y * sWidth + x] = l;scaled_a[y * sWidth + x] = a;scaled_b[y * sWidth + x] = b;}}// 分离原图L通道的低频部分mean_filter(src_l, src_l_low, width, height, 2); // 使用3x3滤波器// 计算统计信息float src_l_mean, src_l_std, scaled_l_mean, scaled_l_std;float src_a_mean, src_a_std, scaled_a_mean, scaled_a_std;float src_b_mean, src_b_std, scaled_b_mean, scaled_b_std;calculate_stats(src_l_low, width * height, &src_l_mean, &src_l_std);calculate_stats(scaled_l, sWidth * sHeight, &scaled_l_mean, &scaled_l_std);calculate_stats(src_a, width * height, &src_a_mean, &src_a_std);calculate_stats(scaled_a, sWidth * sHeight, &scaled_a_mean, &scaled_a_std);calculate_stats(src_b, width * height, &src_b_mean, &src_b_std);calculate_stats(scaled_b, sWidth * sHeight, &scaled_b_mean, &scaled_b_std);// 参数设置float contrast_boost = 1.5f; // 对比度增强因子float detail_weight = 0.5f;  // 细节保留权重（0-1，值越小迁移越强）float std_ratio = scaled_l_std / (src_l_std + 1e-6f); // 标准差比率float alpha = fminf(0.9f, 0.5f + 0.4f * std_ratio); // 动态融合因子，范围[0.5, 0.9]// 迁移并增强对比度for (int y = 0; y < height; y++) {for (int x = 0; x < width; x++) {int idx = y * width + x;float l_low = src_l_low[idx];float l_orig = src_l[idx];float a = src_a[idx];float b = src_b[idx];// 低频部分迁移并增强对比度float l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean;// 可选非线性调整（取消注释以启用）// l_mapped = nonlinear_adjust(l_mapped, scaled_l_mean, contrast_boost);// 高频细节float l_detail = l_orig - l_low;// 融合并控制细节强度float l_final = alpha * l_mapped + (1.0f - alpha) * l_orig + detail_weight * l_detail;// 限制L通道范围（LAB中L范围为0-100）l_final = fmaxf(0.0f, fminf(100.0f, l_final));// 色调迁移a = (a - src_a_mean) * (scaled_a_std / src_a_std) + scaled_a_mean;b = (b - src_b_mean) * (scaled_b_std / src_b_std) + scaled_b_mean;// 转换回RGBunsigned char r, g, b_out;lab_to_rgb(l_final, a, b, &r, &g, &b_out);int index = y * stride + x * 4;srcData[index + 2] = r;srcData[index + 1] = g;srcData[index] = b_out;}}// 释放内存free(src_l);free(src_a);free(src_b);free(src_l_low);free(scaled_l);free(scaled_a);free(scaled_b);
}// 测试代码
int main() {unsigned char srcData[] = {50, 100, 150, 255, 60, 120, 180, 255};unsigned char scaledData[] = {100, 200, 255, 255, 120, 240, 255, 255};int width = 2, height = 1, stride = 8;int sWidth = 2, sHeight = 1, sStride = 8;lightTransfer_color(srcData, width, height, stride, scaledData, sWidth, sHeight, sStride);printf("Result: ");for (int i = 0; i < width * height * 4; i++) {printf("%d ", srcData[i]);}printf("\n");return 0;
}

参数说明

  1. contrast_boost（默认1.5）：

    1. 控制对比度迁移的增强程度，建议范围[1.0, 2.0]。

  2. detail_weight（默认0.5）：

    1. 控制高频细节的保留强度，范围[0, 1]，值越小迁移效果越强。

  3. alpha（动态计算，范围[0.5, 0.9]）：

    1. 根据标准差比率动态调整迁移与原图的融合比例。

  4. radius（默认2）：

    1. 均值滤波的核大小，影响低频与高频分离的效果。

性能与优化建议

  • 时间复杂度：O(width × height × k² + sWidth × sHeight)，其中k为滤波核大小（当前为3）。

  • 空间复杂度：O(width × height + sWidth × sHeight)，用于存储临时LAB数据。

  • 优化方向：

    • 使用更高效的滤波方法（如高斯滤波或FFT）。

    • 引入多线程或SIMD指令加速循环计算。

    • 对于大图像，可分块处理以减少内存占用。

注意事项

  1. 输入假设：

    1. 原图S和缩略图D应具有相似的几何结构，仅存在亮度和色调差异。

  2. 边界处理：

    1. L通道值已限制在[0, 100]，RGB值限制在[0, 255]，避免溢出。

  3. 非线性调整：

    1. 当前nonlinear_adjust被注释，可根据需求启用以处理极端亮度分布。

算法创新点

1. 低频与高频分离的亮度迁移

  • 创新描述：

    • 算法通过均值滤波将原图的亮度通道（L）分解为低频（平滑部分）和高频（细节部分），仅对低频部分应用亮度迁移，高频细节则以可控权重叠加回结果。

  • 传统方法的不足：

    • 传统方法（如全局均值和标准差匹配）直接对整个亮度通道进行调整，容易丢失边缘和纹理细节，导致清晰度下降。

  • 创新优势：

    • 通过分离低频和高频，算法在迁移缩略图D的亮度特性时，能有效保留原图S的高频细节（如边缘和纹理），从而平衡迁移效果与图像清晰度。

  • 实现细节：

    • 使用mean_filter函数提取低频部分，高频部分通过l_orig - l_low计算，最终融合时通过detail_weight控制细节保留程度。

2. 动态融合因子的引入

  • 创新描述：

    • 算法根据原图S和缩略图D的亮度标准差比率（std_ratio = scaled_l_std / src_l_std）动态计算融合因子alpha，范围限制在[0.5, 0.9]。

  • 传统方法的不足：

    • 传统方法通常使用固定的融合权重（如0.5或用户指定值），无法自适应地反映两张图像的对比度差异，导致迁移效果可能过弱或过强。

  • 创新优势：

    • 动态alpha根据缩略图D的对比度特性自动调整迁移强度，当D的对比度远高于S时，alpha增大以增强迁移效果；反之则减弱，确保结果自然且贴近目标图像。

  • 实现细节：

    • alpha = fminf(0.9f, 0.5f + 0.4f * std_ratio)，通过标准差比率自适应调节。

3. 对比度增强因子的可调控制

  • 创新描述：

    • 在亮度迁移过程中引入对比度增强因子contrast_boost（默认1.5），对标准差缩放比例进行放大，以增强迁移后的对比度效果。

  • 传统方法的不足：

    • 传统统计匹配方法仅基于原始标准差比例（如scaled_l_std / src_l_std），无法充分放大目标图像的对比度特性，尤其是当缩略图D具有显著对比度时。

  • 创新优势：

    • 通过contrast_boost，算法能够更强地反映缩略图D的对比度特征，用户可根据需求调整该参数（建议范围1.0-2.0），实现灵活的迁移强度控制。

  • 实现细节：

    • 迁移公式为l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean。

4. 细节保留权重的灵活性

  • 创新描述：

    • 算法引入detail_weight参数（默认0.5，范围[0, 1]），允许用户控制高频细节的叠加强度，从而在迁移效果和细节保留之间找到最佳平衡。

  • 传统方法的不足：

    • 传统方法要么完全忽略细节保留，要么通过固定的方式叠加细节，缺乏对细节保留程度的精细控制。

  • 创新优势：

    • detail_weight提供了一个显式的调节机制，值越小迁移效果越强，值越大细节保留越完整，使得算法适用于不同场景（如需要强迁移的艺术效果或需要高清晰度的自然图像）。

  • 实现细节：

    • 融合公式中，细节项为detail_weight * l_detail，用户可根据需求调整。

5. 可选的非线性亮度调整

  • 创新描述：

    • 算法提供了一个可选的非线性调整函数nonlinear_adjust，基于tanh函数对迁移后的亮度值进行增强，特别适用于极端亮度分布的图像。

  • 传统方法的不足：

    • 传统线性统计匹配方法无法很好地处理非线性亮度变化（如暗部细节压缩或亮部过曝），导致迁移效果不够自然。

  • 创新优势：

    • 非线性调整能够更好地模拟缩略图D的亮度分布特性，增强暗部和亮部的对比度，同时避免线性方法可能引入的平坦感。用户可根据需要启用此功能。

  • 实现细节：

    • 函数定义为mean + 50.0f * (boost * tanhf(normalized))，当前被注释，可取消注释启用。

创新点总结

与传统方法的对比

  • 传统方法（如全局统计匹配）：

    • 仅基于均值和标准差进行全局调整，忽略局部细节和非线性特性，迁移效果单一且易丢失清晰度。

  • 本算法：

    • 通过低频高频分离、动态融合、对比度增强和非线性调整，实现了更强的迁移效果，同时保留了原图的细节特性，适用于更广泛的场景。

应用场景

  • 图像风格迁移：将缩略图的亮度和色调风格应用到原图，保留细节。

  • 照片增强：增强原图的对比度和亮度，同时保持自然清晰度。

  • 艺术效果处理：通过调整参数实现艺术化的亮度迁移。

相关文章：

  • 为何 RAG 向量存储应优先考虑 PostgreSQL + pgvector 而非 MySQL？
  • 七、web自动化测试03
  • CAPL编程_03
  • 产品更新丨谷云科技ETLCloud V3.9.2版本发布
  • redis 数据类型新手练习系列——Hash类型
  • CRI、CSI 和 CNI 是三大核心接口标准
  • Python自动化解决滑块验证码的最佳实践
  • [Windows] 卡巴斯基Kaspersky 21.21.7.384 免费版
  • Linux文件管理2
  • sql server 开启cdc报事务正在执行
  • C++经典知识网页保存
  • SAP Predictive Analytics The Comprehensive Guide
  • 接收机技术要点与功能解析！
  • C++进阶篇----模板进阶
  • 幻读是什么项目中是怎么保证不会出现幻读
  • 整合 CountVectorizer 和 TfidfVectorizer 绘制词云图
  • NVIDIA --- 端到端自动驾驶
  • 保姆级zabbix监控jmx、数据库和网络监控（SNMP）
  • 大模型扫盲之推理性能指标全面详解
  • 破界出海：HR SaaS平台的全球化实践与组织效能跃升
  • 长三角与粤港澳大湾区融合发展，无锡何以成为窗口？
  • 金湘军辞去山西省省长职务
  • 开发国内首个泌尿专科智能体，医生们将临床经验转变为知识图谱
  • 事故调查报告：东莞一大楼装修项目去年致1人死亡，系违规带电作业
  • 周继红当选中国泳协主席，曾为国摘得首枚奥运跳水金牌
  • 上海又一住宅新盘“日光”！今年已有9个新房项目触发积分