Pewarnaan imej skala kelabu adalah merujuk kepada suatu fungsi memberikan warna kepada imej skala kelabu. Dalam bidang pemprosesan imej digital, pewarnaan memainkan peranan penting untuk meningkatkan penampilan imej-imej seperti gambar lama dan gambar purba. Dalam projek ini, kaedah diperkenalkan untuk menambah warna kepada imej skala kelabu secara automatik sepenuhnya. Kaedah yang dicadangkan adalah melalui pemberian warna kepada imej ujian daripada imej latihan dengan pembinaan rangkaian neural tiruan (ANN). ANN melibatkan dua peringkat pemprosesan iaitu latihan dan pengelasan. Modul latihan bertanggungjawab untuk mengambil masukan yang diperlukan untuk melatih dan membentuk model ANN, manakala modul klasifikasi bertanggungjawab untuk meramalkan warna RGB piksel yang sesuai untuk imej ujian berdasarkan masukan yang diberikan kepada ANN terlatih. Selain keamatan piksel kelabu, min 8-piksel sekitar dan sisihan piawai 8-piksel sekitar, ciri-ciri pengesanan telah ditambah untuk meningkatkan hasil pewarnaan muka hadapan. Hasil lepas peningkatan akan ditunjukkan dalam proses perwarnaan peringkat kedua sementara perwarnaan peringkat pertama disajikan sebagai persediaan untuk pewarnaan peringkat kedua dan imej ujian yang bebas dari muka. Secara keseluruhan, percubaan keluaran imej yang telah diwarnakan adalah memuaskan dan boleh diterima.
_______________________________________________________________________________________________________
Grayscale image colourization refers to the task of assigning colours to the grayscale images. In the field of digital image processing, colourization has played an important role in increasing the visual appeal of images such as old and ancient photos. In this project, a methodology is introduced for adding colour to grayscale image in such a way that it is fully automatic. The proposed methodology applies colour to the testing image from training image by constructing an artificial neural network (ANN). The ANN involves two main processing stages which are training and classification. Training module is responsible in taking in required inputs to train and create the ANN model. Whereas, classification module in charges in predicting the appropriate RGB colour pixel to the testing image based on inputs assigned to the trained ANN. Besides gray intensity pixel, mean of 8-surrounding pixels, and standard deviation of 8-surrounding pixels, feature detection is added to enhance the frontal face colourization. The enhanced result is shown in second stage of colourization, while first stage of colourization is served as back up of second stage of colourization and for non-face detected testing images. Overall, the output coloured of testing images is satisfying and acceptable.
Implementation of grayscale image colourization using multi-layer perceptron / Ooi Shen Ling