一句话总结

本文提出C2G-SSIM，一种基于感知相关性的彩色转灰度转换方法。该方法通过奇异值分解保留色度信息，在Cadik和COLOR250数据集上优于八种基准算法，并在与深度信念网络和密集SIFT特征结合时提升了场景分类准确率。

核心贡献

• 提出一种彩色转灰度转换算法，将奇异值分解与彩色转灰度结构相似性指数相结合，动态加权色度信息而非采用固定转换比例。该框架通过保留关键的亮度与色彩对比细节，提升了转换图像的感知质量。
• 采用深度信念网络分类系统对处理后的灰度图像进行评估，该系统提取密集尺度不变特征变换描述符，以量化色度数据对场景识别的影响。实验结果证实，引入保留的色度分量能够提升整体场景分类准确率。
• 在Cadik和COLOR250数据集上的定量评估表明，所提出的去色技术取得了高于八种现有基准算法的感知质量评分。此外，对由所提方法与传统去色方法生成的图像训练的分类模型进行集成，可显著提升整体场景识别性能。

引言

场景分类系统常将彩色照片转换为灰度图，以简化特征提取流程并降低计算开销。然而，标准转换技术往往丢弃关键的色度模式，或依赖计算密集型优化，最终导致下游分类准确率下降。本文利用奇异值分解结合彩色转灰度结构相似性指标，在去色过程中动态加权色度数据。该方法在保持处理效率的同时，保留了感知相关的色彩对比度。研究结果表明，生成的灰度图像能显著提升场景分类性能，尤其是在与传统去色模型输出进行融合时。

方法

本文采用一种感知增强的图像去色框架，将C2G-SSIM指数与奇异值分解（SVD）相结合，以提升彩色转灰度转换的质量。整体方法以输入彩色图像 $I \in \mathbb{R}^{h \times w \times 3}$I∈Rh×w×3 为起点，首先通过色彩空间变换函数 $T$T 将其转换至 CIELab* 色彩空间，得到变换后的图像 $C$C。选择该色彩空间是因其适用于图像编辑，尤其擅长分离亮度与色度分量。从 $C$C 中提取亮度分量 $C_1$C1​，随后对色度分量 $C_1$C1​ 和 $C_2$C2​ 进行SVD分解，将其分别分解为对应的特征值与特征向量。

如图所示，根据输入色度平面的秩选择特征值与特征向量，对色度分量进行重构，得到重构后的色度平面 $Cr_1$Cr1​ 和 $Cr_2$Cr2​。随后，将亮度分量 $C_1$C1​ 与重构色度平面的加权和相结合生成灰度图像 $G_c$Gc​，具体公式为 $G_c(k) = C_1 + c \times \sum_{i=1}^{2} Cr_i(k)$Gc​(k)=C1​+c×∑i=12​Cri​(k)。其中 $k$k 表示像素位置索引，$c$c 为权重参数。生成的灰度图像随后被转换回 RGB 色彩空间，并计算红、绿、蓝三个通道的平均值，以得到最终的去色图像 $O_c$Oc​。

核心创新在于权重参数 $c$c 的自适应确定，该参数经过优化以最大化原始彩色图像与转换后灰度图像之间的C2G-SSIM指数。C2G-SSIM指数的计算分为三个阶段：色彩空间转换、亮度/对比度/结构相似性测量以及三者融合。在亮度阶段，以每个像素位置 $x_c$xc​ 为中心的高斯滤波窗口为基础，结合参考图像与灰度图像的亮度均值 $u_f(x_c)$uf​(xc​) 和 $u_g(x_c)$ug​(xc​) 计算相似度 $L(x_c)$L(xc​)。对比度度量 $C(x_c)$C(xc​) 评估色度平面中的加权平均色差，而结构度量 $S(x_c)$S(xc​) 则评估亮度与色度分量标准差之间的互相关性。整体C2G-SSIM指数 $q(x_c)$q(xc​) 由这些分量的加权乘积得出，即 $q(x_c) = L(x_c)^\alpha \times C(x_c)^\beta \times S(x_c)^\gamma$q(xc​)=L(xc​)α×C(xc​)β×S(xc​)γ，其中 $\alpha$α、$\beta$β 和 $\gamma$γ 为正指数。参数 $c$c 的选择旨在最大化该指数，从而确保灰度输出在感知质量上的最优保留。

实验

在Cadik和COLOR250数据集上，采用结构相似性评估及与现有基准的视觉对比，对所提出的图像去色技术进行了验证。实验结果表明，该方法能有效保留色彩变化与结构对比度，且持续优于现有转换算法。该技术进一步在AGMM-DBN-SVM场景分类框架下进行评估，将其输出与标准NTSC规则相结合。结果证实，该方法能够捕捉互补的场景信息，大幅提升整体分类准确率，并展现出其在感知增强型灰度转换中的实用价值。

本文利用质量指标对所提出的图像去色方法进行评估，并与多种基准技术进行对比。结果显示，该方法在不同数据集上均取得更高性能，在单张图像评分与整体成功率方面均优于现有方法。该方法同时与场景分类标准规则相结合，通过融合互补信息提升了准确率。在多个数据集上，所提方法持续表现出高于现有基准技术的性能。就整体成功率与平均质量指数而言，所提方法优于所有其他技术。将所提方法与标准规则结合，通过利用互补类别信息进一步提高了分类准确率。

本文在两个数据集上使用C2G-SSIM指标评估所提出的图像去色方法，结果表明该方法相较于现有技术能取得更高的质量结果。在模型层面，所提方法与NTSC规则结合用于场景分类，从而在所有类别及整体性能上提升了分类准确率。在两个基准数据集上，所提去色方法的C2G-SSIM质量指数均优于现有技术。与其他去色方法相比，所提方法结合NTSC规则后实现了更高的整体分类准确率。所提方法与NTSC规则的集成提升了所有独立类别的分类准确率。

本文在两个基准数据集上使用C2G-SSIM指标评估所提出的图像去色方法，并与现有技术进行对比。结果显示，所提方法取得的平均C2G-SSIM值高于所有其他方法，在对比技术中得分最高。该方法在两个数据集上的成功率与平均指数方面均展现出优越性能。相较于所有基准技术，所提方法取得了最高的平均C2G-SSIM指数。在两个数据集上，所提方法在成功率与平均C2G-SSIM指数方面均优于现有技术。在客观评估与场景分类任务中，所提方法的性能均优于现有方法。

本文在两个基准数据集上使用C2G-SSIM指标评估所提出的图像去色方法，结果表明该方法在结构相似性与视觉质量方面均优于现有技术。结果显示，采用可变权重参数而非固定值可获得最优性能，且该方法在两个数据集上均展现出更高的成功率与平均质量指标。此外，将所提去色方法与NTSC规则相结合可提升分类准确率，凸显了其在场景分类中的互补优势。相较于现有技术，所提方法取得了更高的C2G-SSIM评分，尤其在采用可变权重参数时表现更佳。在两个数据集上，所提方法在成功率与平均C2G-SSIM指数方面均优于所有基准技术。将所提方法与NTSC规则相结合显著提升了分类准确率，充分证明了其在场景分类中的互补效益。

本文在两个基准数据集上使用C2G-SSIM指标评估所提出的图像去色方法，结果表明该方法在结构相似性与感知质量方面均优于现有技术。结果显示，相较于基准算法，所提方法取得了更高的C2G-SSIM评分与成功率，且其互补信息在与NTSC规则结合时进一步提升了场景分类准确率。在两个数据集上，所提方法均取得了高于现有基准技术的C2G-SSIM评分。相较于现有算法，所提方法展现出更高的成功率与平均C2G-SSIM值。将所提方法与NTSC规则相结合，提升了所有类别的分类准确率及整体系统性能。

本文在两个基准数据集上对所提出的图像去色方法进行评估，以验证其相较于成熟技术的结构与感知质量。结果表明，该方法持续生成更优的灰度转换结果，尤其在采用动态加权策略而非固定参数进行优化时表现更佳。此外，将该方法与标准场景分类规则相结合，通过有效利用各类别的互补视觉信息，显著提升了整体准确率。