技術(shù)特征：

1.一種利用層分解對(duì)圖像和視頻進(jìn)行交互式顏色編輯的方法，其特征在于，主要包括層顏色(一)；超像素分割(二)；能量函數(shù)(三)；計(jì)算單個(gè)像素權(quán)重(四)；交互式顏色重建(五)。

2.基于權(quán)利要求書1所述的層顏色(一)，其特征在于，由于人們?cè)谥亟M一個(gè)圖像的顏色時(shí)也許有不同的目標(biāo)，使用者可指定一個(gè)調(diào)色板或者使用自動(dòng)調(diào)色板，自動(dòng)調(diào)色板可提供一個(gè)有用的起始點(diǎn)，且能使顏色自動(dòng)重組，為給可能的顏色空間提供直觀的掌控，本方法模型可匹配人們從圖像中提取的色板，基于顏色重建平均誤差，為此模型添加一個(gè)懲罰項(xiàng)，此處，像素誤差由測(cè)量像素顏色和調(diào)色板凸包之間的距離而得。

3.基于權(quán)利要求書1所述的超像素分割(二)，其特征在于，利用鄰近像素之間的高相關(guān)性，通過(guò)更小數(shù)量的超像素(超體素)求出層權(quán)重，然后用鄰近超像素的一個(gè)線性組合計(jì)算出每個(gè)像素的層解決方案，為計(jì)算超像素，伴隨迭代k-均值重新定義中心，通過(guò)手動(dòng)指定超像素S的數(shù)量，且初始化每個(gè)超像素S到一個(gè)隨機(jī)種子位置，此時(shí)超像素由種子區(qū)域生長(zhǎng)算法(SRG)算出，且它們的重心和顏色被用作下一次SRG迭代的種子，做5次K-means迭代，關(guān)于超像素，我們通過(guò)6-連接來(lái)定義鄰近像素：4個(gè)空間相鄰像素和2個(gè)時(shí)間相鄰像素，從每個(gè)超像素里，計(jì)算出了一個(gè)6維特征向量(r，g，b，x，y，t)，此向量是通過(guò)連接平均像素顏色和超像素的時(shí)空重心形成的，顏色、空間和時(shí)間坐標(biāo)歸一化在0和1之間，且通過(guò)重要性重新計(jì)算權(quán)重。

4.基于權(quán)利要求書1所述的能量函數(shù)(三)，其特征在于，計(jì)算一系列的單個(gè)像素層的貢獻(xiàn)L_j∈L，此處，L_j是一個(gè)S×1列向量，此向量將層j的貢獻(xiàn)傳遞給每個(gè)超像素，且L是(SN)×1列向量，此向量通過(guò)連接所有的L_j形成，為了量化定義一個(gè)好的層的構(gòu)成，在超像素層貢獻(xiàn)L方面，最小化了一個(gè)能量函數(shù)Θ(L)，Θ(L)是4個(gè)項(xiàng)的權(quán)重總和：

Θ(L)＝λ_mM(L)+λ_rR(L)+λ_uU(L)+λ_eE(L) (1)

這4個(gè)項(xiàng)分別是流型一致性M(L)、圖像重建R(L)、一致性U(L)以及顯式約束E(L)，Θ(L)是L的一個(gè)二次函數(shù)，其可以通過(guò)求一個(gè)線性系統(tǒng)：

$\left({\mathrm{\λ}}_m{\left(I-M\right)}^T\right(I-M)+{\mathrm{\λ}}_r{R}^{T}R+{\mathrm{\λ}}_u{U}^{T}U+{\mathrm{\λ}}_e{E}^{T}E)L={\mathrm{\λ}}_r{R}^{T}B+{\mathrm{\λ}}_u{U}^T\hat{1}+{\mathrm{\λ}}_e{E}^{T}T---\left(2\right)$

從而得到最小化Θ(L)。

5.基于權(quán)利要求書4所述的流型一致性，其特征在于，層貢獻(xiàn)應(yīng)該是局部一致的，因?yàn)橄噜徢蚁嗨频某袼貞?yīng)該有相似的層分解，此流型由局部線性嵌入決定，將每個(gè)超像素s_i的顏色說(shuō)成是它的K_s系鄰近超像素的顏色的線性組合：

$\left|\right|Ccolor\left(s_i\right)-\underset{j=1}{\overset{k_s}{\Σ}}color\left(s_{ij}\right)|{|}^2---\left(3\right)$

求出權(quán)重w_ij且用一個(gè)S×S超像素流型矩陣W表示，流型一致性術(shù)語(yǔ)就是：

$\begin{array}{c}M\left(L\right)=\underset{j=1}{\overset{N}{\Σ}}\left|\right|(I_S-W)L_j|{|}^2\\ =\left|\right|(I_{sn}-M)L|{|}^2\end{array}---\left(4\right)$

此處I_n是n×n恒等矩陣，M是一個(gè)塊對(duì)角矩陣：

此矩陣總尺寸為SN×SN。

6.基于權(quán)利要求書4所述的圖像重建，其特征在于，當(dāng)層和其顏色相乘并求和時(shí)，色層應(yīng)重新創(chuàng)建原圖像，利用圖像重建誤差的平方：

$\begin{array}{c}R\left(L\right)=\underset{d\∈(r,g,b)}{\Σ}\left|\right|\underset{j=1}{\overset{N}{\Σ}}\left(c_{dj}{L}_j\right)-B_d|{|}^2\\ =\left|\right|RL-B|{|}^2\end{array}---\left(6\right)$

此處，B_d是通道d超像素顏色的S×1向量，c_dj是j層顏色的通道d，R是整體尺寸為3S×(SN)的塊矩陣：

$R=\left(\begin{array}{cccc}{c}_{r1}{I}_s& c_{r2}{I}_s& \mathrm{...}& c_{rN}{I}_s\\ c_{g1}{I}_s& c_{g2}{I}_s& \mathrm{...}& c_{gN}{I}_s\\ c_{b1}{I}_s& c_{b2}{I}_s& \mathrm{...}& c_{bN}{I}_S\end{array}\right)---\left(7\right)$

且B是所有B_d的連接。

7.基于權(quán)利要求書4所述的一致性，其特征在于，把每個(gè)超像素的層貢獻(xiàn)歸結(jié)為一，來(lái)幫助總貢獻(xiàn)規(guī)范化，這個(gè)總貢獻(xiàn)能影響一個(gè)單一超像素，形式為：

$UL=\left|\right|UL-\hat{1}|{|}^2---\left(8\right)$

此處，是列向量當(dāng)中的一個(gè)S×1列向量，U是一個(gè)S×(SN)標(biāo)識(shí)矩陣，此矩陣的行和超像素對(duì)應(yīng)，

$U_{ij}=\left\{\begin{array}{cc}1& ifj-i\≡0\left(\mathrm{mod}S\right)\\ 0& ifj-i\≠0\left(\mathrm{mod}S\right)\end{array}\right.---\left(9\right)$

同時(shí)，在每個(gè)列索引里的超像素和那個(gè)像素的層貢獻(xiàn)對(duì)應(yīng)如上。

8.基于權(quán)利要求書4所述的顯示約束，其特征在于，某些情況下，來(lái)自使用者的、表明所提供的層應(yīng)該貢獻(xiàn)于一個(gè)所提供的圖像區(qū)域的一些提示，可以幫助創(chuàng)造一個(gè)更好的層，例如，這些提示能把相似地建色但是語(yǔ)義上不同的區(qū)域分開(kāi)，在設(shè)定C使用者約束的情況下，在層貢獻(xiàn)偏離使用者約束時(shí)懲罰層貢獻(xiàn)：

E(L)＝‖EL-T‖² (10)

此處，E是一個(gè)C×(SN)指示矩陣，此矩陣將用戶設(shè)定的超像素層貢獻(xiàn)從L里選出，T是一個(gè)長(zhǎng)度C向量，包含用戶設(shè)定的目標(biāo)值，當(dāng)用戶沒(méi)有設(shè)定層貢獻(xiàn)約束時(shí)，算法會(huì)自動(dòng)地用非常相似的顏色為每個(gè)層把約束加到像素里，這樣能在許多的圖像里達(dá)成層之間更好的分離，對(duì)于有獨(dú)立區(qū)域、有著相似顏色的、更復(fù)雜的圖像，由用戶設(shè)定的約束就需要更好的分離這些區(qū)域。

9.基于權(quán)利要求書1所述的計(jì)算單個(gè)像素權(quán)重(四)，其特征在于，使用局部線性嵌入的概念，從單個(gè)超像素層貢獻(xiàn)L推出單個(gè)像素層貢獻(xiàn)X，通過(guò)為每個(gè)像素計(jì)算一系列K_p型最近相鄰超像素開(kāi)始，一個(gè)像素和一個(gè)超像素之間的距離就通過(guò)利用6維超像素特征向量和每個(gè)像素的對(duì)應(yīng)值之間的距離算出，下一步，將每個(gè)像素的顏色說(shuō)成它的K_p系相鄰超像素的顏色的線性組合，確切地，對(duì)于像素p_i，

$\left|\right|color\left(p_i\right)-\underset{j=1}{\overset{K_p}{\Σ}}{q}_{ij}Color\left(s_{ij}\right)|{|}^2---\left(11\right)$

通過(guò)最小化對(duì)象至約束：來(lái)計(jì)算權(quán)重q_ij，用一個(gè)P×S matrix Q，代表所有的q_ij的這個(gè)系列，最后，通過(guò)簡(jiǎn)單的矩陣乘法：

X_j＝QL_j (12)

對(duì)于層貢獻(xiàn)，由于迭代負(fù)抑制會(huì)正確地重建圖像且會(huì)產(chǎn)生另外一個(gè)類似分層，且對(duì)于4000超像素，無(wú)約束線性解決方案只需花費(fèi)幾秒，故利用迭代負(fù)抑制的4個(gè)迭代來(lái)綁定層貢獻(xiàn)的大小。

10.基于權(quán)利要求書1所述的交互式顏色重建(四)，其特征在于，輸入圖像或視頻，通過(guò)上述層分解算法，利用新的調(diào)色板來(lái)顏色重建一個(gè)圖像或視頻幀，并對(duì)調(diào)色板變化進(jìn)行實(shí)時(shí)反饋，幫助用戶在編輯圖像和視頻時(shí)產(chǎn)生更直觀的視覺(jué)效果，從而實(shí)現(xiàn)交互式顏色重建。