[发明专利]基于神经网络与图像隐写的可逆灰度方法、系统及装置

说明书

本发明公开了一种基于神经网络与图像隐写的可逆灰度方法、系统及装置，包括，将原始彩色图像进行可逆转换得到灰度分量Y和颜色分量U和V；对颜色分量进行神经网络编码和算术编码得到特征码流和超先验码流；根据图像隐写将特征码流和超先验码流隐写入到灰度分量Y中，生成可逆灰度图像G；读取可逆灰度图像G中的特征码流和超先验码流，将读取后的灰度图像G作为待重建色彩图像的灰度分量Y_R；将特征码流和超先验码流进行神经网络解码和算术解码转换为待重建彩色图像的颜色分量U_R和V_R；将待重建色彩图像的灰度分量和待重建色彩图像的颜色分量合并进行可逆转换后，得到重建的彩色图像I_R。本发明可以实现于神经网络与图像隐写的可逆灰度。

技术领域

本发明涉及可逆灰度领域，尤其是涉及一种基于神经网络与图像隐写的可逆灰度方法、系统及装置。

背景技术

彩色图像生成灰度图像方法，在许多领域有着重要的应用，如印刷，雕刻，单色显示，图像处理等场景。其中常规类型的灰度图像生成方法注重的是感知因素，如对比度，纹理特征等方面。另外有一类称为可逆灰度的灰度生成方法，其主要目的在于生成灰度图像的同时，将彩色图像的颜色信息隐匿地编码在所生成的灰度，并在需要的时候可以尽量完美地还原出原本的彩色图像。

2018年，Xia等人在ACM Transactions on Graphics上提出了一种可逆灰度方法，通过编码-解码网络，将图像脱色和着色过程建模为一个闭环。这种方法可以将颜色信息嵌入到生成的灰度图像中，从而使解码后的图像能够较准确地重构出与原始一致的颜色。

2020年，Ye等人在IEEE Access上提出了一种双特征集合网络，使用了密集残差表示，集成局部残差学习和局部特征融合的能力，通过注意力机制抑制了由双路径模块产生的冗余特性，从而得到一致性更好的灰度图像及重建彩色图像。

2021年，Liu等人在IEEE Transactions on Visualization and ComputerGraphics上提出了一种JPEG鲁棒可逆灰度系统，该方法在编解码网络的基础上引入了对抗性训练和JPEG模拟器，使生成的灰度图像具备JPEG鲁棒性并且减少所生成图像的编码纹理。Zhao等人在IEEE Transactions on Image Processing上提出一种新的可逆灰度方法，该方法通过可逆神经网络将彩色图像正向映射成灰度图像与潜在变量，之后通过反向映射可将灰度图像和一组符合高斯分布的随机变量转换为与原来接近的彩色图像。

对于可逆灰度方法，最为关键的性能是生成的灰度图像、重建的彩色图像分别与目标灰度图像、原始彩色图像的相似程度。而现有的技术采用的是端到端的结构框架，在上述性能方面善不完美，存在明显的提升空间，而这主要归结于这些技术中主要的两方面不足：①未能真正高效地消除颜色信息的冗余，导致需编码内容的信息量较大。②颜色信息的编码过程中，灰度图像的信息损失较多。

发明内容

本发明的目的在于提供一种基于神经网络与图像隐写的可逆灰度方法、系统及装置，旨在解决图像可逆灰度。

本发明提供一种基于神经网络与图像隐写的可逆灰度方法，包括：

S1、将原始彩色图像进行可逆RGB2YUV转换得到灰度分量Y和颜色分量U和V；

S2、对颜色分量U和V进行神经网络编码和算术编码得到特征码流和超先验码流；

S3、根据图像隐写将特征码流和超先验码流隐写入到灰度分量Y中，生成可逆灰度图像G；

S4、读取可逆灰度图像G中的特征码流和超先验码流，将读取后的灰度图像G作为待重建色彩图像的灰度分量Y_R；

S5、将特征码流和超先验码流进行神经网络解码和算术解码转换为待重建彩色图像的颜色分量U_R和V_R；