代码和实验报告下载：http://download.csdn.net/detail/jsgaobiao/9523313

Ø  【作业要求】

设计自己的算法完成一个附图所示的图像风格迁移算法（基于matlab的快速实现）（很可能用到，并且鼓励使用）基于频率域的图像处理.

      除提交必要的作业文档外，每人必须提交1组附件图像做出的效果最佳的结果测试图，匿名投票评佳。

Ø  【文件说明】

main.m:

读取参考图片和目标图片，并进行图像风格迁移。

FFT.m:

对图像进行快速傅里叶变换，提取幅值和相位。

iFFT.m:

根据幅值和相位，对图像进行傅里叶反变换。

Reinhard.m:

使用Reinhard算法进行图像的色彩转移。

ChangeBrightness.m:

改变图像的亮度值。

 

Ø  【作业思路】

思路一：

根据老师课上提到的图像的幅值和相位的分解，我们可以认为图像频域的幅值记录了原图的颜色、各个频率分量的多少，图像频域的相位则保留了图像的细节信息。

在此基础上，观察作业的示例图片，我们可以发现风格迁移后的图像，保留了原图像的整体内容，但是丢弃了原图的色彩特征，转而采用参考图像的色彩特征（蓝、黑、黄）以及部分参考图像的细节信息（天空中的太阳）。

所以我的思路是：

对于原图：保留原图的相位（细节内容）丢弃原图的幅值（颜色信息），也就是将原图转化为灰度图像后，再做频域分解。

对于参考图：做频域分解，再与原图分解后的幅度、相位叠加，获得新图片。

 

但是经过尝试，效果并不好（从左到右：原图、参考图、合成图）：

 

可以看出，合成图的颜色基本接近参考图，可以大概看出天空中太阳的轮廓，但是图中的噪声很多，图片很模糊。

也许直接将相位叠加的做法导致了这一结果，显然这个思路还需要改进。

 

思路二：

         在图像的分解和重建领域中，经常使用到小波变换的分解方法。小波变换的优点是有完善的重建能力，它能保证信号在分解过程中没有任何信息损失，即小波变换作为一组表示信号分解的基函数是唯一的。它可以将图像分解为模糊图像和细节图像之和。

         所以我尝试使用小波变换的方法合并图像。

这是直接用小波变换合并两张图像的结果，可以看出效果比之前好不少。但是依然存在两个问题：

1、 两张图片的颜色混合后，产生了一些色调偏差；

2、 参考图象（星空）过于明显，对原图产生了干扰，看起来比较混乱。

 

针对这两个问题我分别做了如下的尝试：

1、 色调的偏差是由于两张图片颜色的混合导致的，根据思路一中的分析，我们应该丢弃原图中的色彩信息，只保留参考图像（星空）的色彩信息。

但是，如果按照思路一中先将原图转换成灰度图像再融合图像的方式，合成后的图像会被”灰化”。经过查阅资料，我最后使用了Reinhard色彩转移算法——先将参考图像的色彩转移到原图，再进行图像的融合。

2、 因为两张图片的直接融合，几乎按照相同的比例保留了两张图片的细节部分，所以看起来非常的混乱。所以我们要区分出主次关系（原图的细节为主，参考图片的细节为次），所以我对参考图片进行了高斯模糊，并且降低了亮度后，再与原图融合，得到了不错的效果。

 

以下是一些效果图（从左起：原图、参考图、合成图，它们可能采用了不同的高斯模糊和小波变换的参数），

 

Ø  【小结和思考】

按照上述方式进行的风格化迁移，在部分图片的组合下取得了不错的效果。但是，有些图片的组合效果却不够理想，例如：

因为参考图中的白塔与背景对比非常强，所以高斯模糊、降低亮度等方式并不能缓解两张图片融合后的“冲突感”。而且，白塔图片本身的风格也不是特别明显，所以这样的两张图片的合并效果就十分有限了。

所以，与机器学习训练出来的结果相比，使用小波变换加Reinhard的算法具有快速、简单的优点，但是效果还是存在一定的差距的。