[论文阅读] 颜色迁移-颜色空间的选择

论文: [Colour Spaces for Colour Transfer]

本文将颜色迁移方法分为了2大类:

1. 一是直接3D颜色迁移方法
2. 二是转换为3个1D颜色迁移方法

对于第二种方法, 颜色空间的选择对颜色迁移结果有很大的影响, 如下所示为 RGB 和 Lab 颜色空间的结果对比:

这篇文章对第二类颜色迁移方法如何选择颜色空间进行了评估.

1-评估方法

评估方法包含客观的协方差, 和主观的颜色迁移结果成功率.

1.1-客观的协方差

关于协方差, 可以参考这里:

1. 协方差 的直观理解
2. 什么是协方差，怎么计算？为什么需要协方差？

本文使用协方差的具体方法是:

• 转换到颜色空间
• 取图像中间的一个patch(文中的大小为128), resize成 N*3
• 计算协方差矩阵, 为3*3的一个矩阵
• 取协方差矩阵非对角线上元素绝对值的平均值, 得到颜色空间的平均协方差
• 使用颜色空间平均协方差进行排序, 越小相关性越小, 颜色迁移结果越好

如下所示为 RGB 和 Lab 颜色空间相关性的一个展示:

1.2-主观的迁移成功率

方法就是使用N个人, 主观地对迁移后的结果进行评价, 判断是否迁移成功, 在数据集上计算成功率, 对这个N个人的成功率进行平均, 得到最后的迁移成功率, 迁移成功率越高越好.

2-评估结果

首选说下数据集, 文中使用了几个小的数据:

• ND: Natural Day, 包含95张在户外自然地点拍摄的白天照片, 没有人造建筑, 包括各种风景和天气条件
• MD: Manmade Day, 包含100张在户外人造地点拍摄的白天照片, 这些包括城市景观, 以及不同时代的建筑和纪念碑
• IN: Indoors, 包含100张在室内拍摄的照片, 如房间, 办公室或商店; 在许多场景中, 可以看到人工和自然光源, 包括窗户
• MN: Night, 包含52张照片拍摄于黄昏或夜晚, 市区; 许多场景中包含可见的光源, 如路灯

如下所示为部分示例:

协方差评估结果, 如下所示:

迁移成功率结果如下所示:

3-结论

文中给出的结论是:

1. CIELAB(E) 颜色空间的颜色相关性最低, 主观颜色迁移成功率最高;
2. RGB 和 XYZ 颜色空间的颜色相关性很高, 颜色迁移结果不好;
3. 具有亮度-颜色的颜色空间, 如 Yxy, Yuv, Yu’v’, HSV, 主观颜色迁移结果不好, 主要原因是迁移之后产生的新的颜色值超出了色域范围, 导致出现伪影;