本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種彩色圖像去彩方法及系統(tǒng)。

背景技術(shù)：
雖然現(xiàn)在彩色圖像在很多領(lǐng)域廣泛應(yīng)用，但是仍然有很多地方需要用到灰度圖像，如出版商為了降低印刷成本，通常將彩色圖像轉(zhuǎn)變?yōu)榛疑珗D像。彩色圖像灰度化處理在黑白印刷、單通道處理、電視傳輸過程中有非常廣泛的應(yīng)用。當(dāng)然，彩色圖像灰度化處理過程中，不可避免會造成信息損失。Rasche等人對彩色圖像中每個(gè)像素點(diǎn)定義了一個(gè)目標(biāo)函數(shù)，來表示彩色圖像到灰度圖像的轉(zhuǎn)換誤差，最小化目標(biāo)函數(shù)來獲得變換矩陣；之后又引入了多維縮放，對彩色圖像灰度化進(jìn)行數(shù)學(xué)建模；但是花費(fèi)的時(shí)間太大。Gooch等人將圖像轉(zhuǎn)化到CIELAB空間，通過利用色階、對比度和邊界區(qū)域3個(gè)參數(shù)對轉(zhuǎn)換效果進(jìn)行調(diào)整，利用優(yōu)化算法得到灰度圖像；但對于分辨率較高的圖像，花費(fèi)時(shí)間比較長，不是很方便。章衛(wèi)祥等人提出了一種基于梯度域的彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像的方法，首先將彩色圖像從RGB顏色空間轉(zhuǎn)化到LCrCb空間，然后對各個(gè)分量分別計(jì)算其梯度，并對亮度的梯度進(jìn)行修改，最后通過對修改后的亮度的梯度求解泊松方程，得到灰度圖像。郭彥伶等人提出一種新的基于TV(全變分)復(fù)原模型的新方法，解決了邊緣模糊化問題。Qiu等人提出考慮了圖像的灰度方差和亮度的方法；但由于目標(biāo)函數(shù)非凸，可能存在局部極小值，使得彩色圖像灰度化即去彩的結(jié)果對敏感因子的取值非常敏感。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明目的是提供一種彩色圖像去彩方法及系統(tǒng)，解決現(xiàn)有技術(shù)中存在的上述問題。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種彩色圖像去彩方法，包括如下步驟：步驟1，求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；步驟2，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；步驟3，對敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對比度保留率；步驟4，選取最大的平均色彩對比度保留率對應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像。本發(fā)明的有益效果是：新優(yōu)化模型的Hessian矩陣正定，Hessian矩陣對應(yīng)的目標(biāo)函數(shù)為凸函數(shù)，從而使待去彩圖像去彩的結(jié)果對敏感因子的取值不敏感；對敏感因子賦不同的值，獲取不同的灰度圖像，選取最大的平均色彩對比度保留率對應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像，采用平均色彩對比度保留率評價(jià)灰度圖像，使最終灰度圖像盡可能保留待去彩圖像的色彩對比度，獲取最佳視覺效果；并且本發(fā)明對局部范圍色差較小的彩色圖像還原度也有提高，運(yùn)算時(shí)間快，對電腦性能的要求不高。在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。進(jìn)一步，所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算；所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。進(jìn)一步，所述步驟2包括如下步驟：步驟21，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；所述τ為敏感因子；步驟22，在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對值與預(yù)設(shè)值的和。進(jìn)一步，所述對敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。進(jìn)一步，所述分別求解所述不同的灰度圖像的平均色彩對比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo)；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對比度保留率；所述第四公式如下：其中，所述ACCPR為所述任一灰度圖像的平均色彩對比度保留率。本發(fā)明的另一技術(shù)方案如下：一種彩色圖像去彩系統(tǒng)，包括第一求解模塊、模型構(gòu)建模塊、第二求解模塊和選取模塊；所述第一求解模塊，其用于求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；所述模型構(gòu)建模塊，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述第二求解模塊，其用于對敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對比度保留率；所述選取模塊，其用于選取最大的平均色彩對比度保留率對應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像。在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。進(jìn)一步，所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算：所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。進(jìn)一步，所述模型構(gòu)建模塊構(gòu)建模塊包括優(yōu)化模型構(gòu)建單元和新優(yōu)化模型構(gòu)建單元；所述優(yōu)化模型構(gòu)建單元，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；所述τ為敏感因子；所述新優(yōu)化模型構(gòu)建單元，其用于在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對值與預(yù)設(shè)值的和。進(jìn)一步，所述對敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。進(jìn)一步，所述分別求解所述不同的灰度圖像的平均色彩對比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo)；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對比度保留率；所述第四公式如下：其中，所述ACCPR為所述任一灰度圖像的平均色彩對比度保留率。附圖說明圖1為本發(fā)明一種彩色圖像去彩方法的方法流程圖；圖2為本發(fā)明一種彩色圖像去彩系統(tǒng)的系統(tǒng)原理框圖。具體實(shí)施方式以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。如圖1所示，一種彩色圖像去彩方法，包括如下步驟：步驟1，求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算；所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。步驟2，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述步驟2包括如下步驟：步驟21，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述τ為敏感因子；所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；其中，所述R，G和B分別為所述待去彩圖像的RGB分量；則，所述優(yōu)化模型的Hessian矩陣為：A1＝-2K+τmΤm因?yàn)镵是協(xié)方差矩陣，其特征值為正數(shù)；故-2K為非正定矩陣，其特征值為負(fù)數(shù)；又因?yàn)棣觤Τm為秩1矩陣，所以A1最小的特征值小于等于-2K第二小的特征值，當(dāng)-2K第二小的特征值為負(fù)時(shí)，無論τ選取何值，A1的特征值均為負(fù)數(shù)；則A1即優(yōu)化模型的Hessian矩陣為非正定矩陣，其對應(yīng)的目標(biāo)函數(shù)非凸，所述待去彩圖像去彩的結(jié)果對敏感因子的取值非常敏感。步驟22，在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對值與預(yù)設(shè)值的和；本具體實(shí)施方式中所述預(yù)設(shè)值為0.0001，則μ＝|minλ(A1)|+0.0001；則，所述新優(yōu)化模型的Hessian矩陣為：A2＝A1+μIA2即新優(yōu)化模型的Hessian矩陣為正定矩陣，其對應(yīng)的目標(biāo)函數(shù)為凸函數(shù)，所述待去彩圖像去彩的結(jié)果對敏感因子的取值不敏感。步驟3，對敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對比度保留率；所述對敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。所述分別求解所述不同的灰度圖像的平均色彩對比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo),所述#為表示集合大小的數(shù)學(xué)符號；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對比度保留率；所述第四公式如下：其中，所述ACCPR為所述任一灰度圖像的平均色彩對比度保留率。步驟4，選取最大的平均色彩對比度保留率對應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像。如圖2所示，一種彩色圖像去彩系統(tǒng)，包括第一求解模塊、模型構(gòu)建模塊、第二求解模塊和選取模塊；所述第一求解模塊，其用于求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算：所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。所述模型構(gòu)建模塊，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述模型構(gòu)建模塊構(gòu)建模塊包括優(yōu)化模型構(gòu)建單元和新優(yōu)化模型構(gòu)建單元；所述優(yōu)化模型構(gòu)建單元，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；所述τ為敏感因子；所述新優(yōu)化模型構(gòu)建單元，其用于在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對值與預(yù)設(shè)值的和。所述第二求解模塊，其用于對敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對比度保留率；所述對敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。所述分別求解所述不同的灰度圖像的平均色彩對比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo)；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對比度保留率；所述第四公式如下：其中，所述ACCPR為所述任一灰度圖像的平均色彩對比度保留率。所述選取模塊，其用于選取最大的平均色彩對比度保留率對應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。