[2011.12.29] 实验室讨论班汇总

January 02, 2012 (最后修改: March 30, 2021)

一共六位同学作汇报。下面是我对这次讨论班涉及论文的汇总。

1. Data-Driven Image Color Theme Enhancement

ACM Transactions on Graphics (Special Issue for SIGGRAPH Asia 2010)

介绍一种改变图像颜色主题（color theme）的方法。同时考虑原始图像的彩色信息、纹理彩色信息以及目标颜色主题的彩色信息。

算法框架如下图所示：

几个关键地方：

软分割（soft segmentation）将图像分成几个子图像，用概率表示结果。

通过学习，得到纹理的先验知识。将图像分成小块，对每个小块应用Gabor滤波器，计算均值和标准差，用K均值聚类。将CIELAB空间的a*，b*通道量化成100份，计算直方图。计算每类纹理的颜色直方图族。

获得彩色模式的先验知识。用Earth Mover’s Distance衡量图像中最主要的颜色块（bin）与色彩模式之间的距离，选择最近的色彩模式。

用sequential quadratic programming (SQP)方法求解优化问题。

文章研究单个颜色物体在多个光源下的重新着色问题。

对单一光源，文章将图像中每个像素点分成两部分（两个本证图像，intrinsic images），一部分是物体表面的特性，另一部分是由光源引起的特性，改变表面颜色和光源颜色，就能实现物体的重新着色。

对多个光源，文章将图片分解成多张子图，一张物体表面的属性，剩下的每张对应一个光源对物体的影响。两个光源的情况如下图所示：

研究Diffusion curves方法的矢量图绘制，引入Gabor噪声作为纹理特征的模型。

文章研究基于种子节点的图像二分割算法，最有意思的一点是将Graph Cuts算法和Random Walker算法整合到一个框架中，分别看成是一种L1范数和L2范数算法。同时作者也提出一种这个框架下的无穷范数算法。

框架如下所示：

实质是一种不均匀缩放（Scaling）技术，重要的地方缩放少，不重要的地方缩放多。

根据图像的内容相似性，将图片分成几个宽度不同的竖条（bin），通过傅里叶分析得到每个竖条缩放的尺度，就可以达到缩放目的。

算法步骤如下所示：

利用LDA（Latent Dirichlet Allocation）模型识别材质（LDA模型没搞懂是什么意思，挺复杂的）。从图像中提取各种特征：

颜色和纹理

颜色用3×3的颜色块表示。

纹理用jet特征和SIFT特征表示。

微观纹理（Micro-texture）

对图像进行双边滤波，求出与原图像的残差，再提取jet特征和SIFT特征。

轮廓形状

图像的Canny边缘，计算三个尺度下的边缘曲率。

基于反射率（Reflectance）的特征

计算法线方向的方向梯度直方图（HOG，histogram of oriented gradients），叫做edge-slice。切线方向的方向梯度直方图，叫做edge-ribbon。

下图总结文中计算的所有特征：

与边缘相关的特征：