单一光照颜色恒常性计算研究进展

单一光照颜色恒常性计算研究是目前计算机视觉、机器学习等领域中最热门的研究课题之一。算法的合理性直接影响到自动白平衡等应用效果。目前颜色恒常性计算的方法多种多样,将其划分为无监督、有监督、算法的融合和颜色不变性描述的颜色恒常性计算方法。着重介绍了4类典型的颜色恒常性计算方法,分析了各自的优缺点。最后就颜色恒常性计算的性能评价方法以及发展趋势做了简单的论述。     

基于光照叠加的颜色恒常计算方法

颜色恒常性是人类视觉系统对外界视觉刺激中色彩感知的一种心理倾向,人类视觉的这种认知功能能够自适应地忽略外界光照变化,具有稳定的颜色感知能力.受到人类视觉系统对颜色感知的启发,针对如何有效消除外界光照对成像质量的影响,还原物理场景真实颜色并提供稳定的颜色特征这一问题,文中提出了一种基于光照叠加的颜色恒常计算方法,旨在有效消除外界光照的光谱成分变化对物体颜色的影响.首先,提出了MAX-MEAN方法对场景中的光照进行估计(简称MM估计),即通过场景中所有物体表面的平均反射和最大反射来估计场景中的光照;然后,基于MM估计提出了光照叠加的颜色恒常计算方法,得到最终的无色偏图像,并在公开的数据集SFU Gray-ball上包含11346幅室内室外场景图像进行仿真验证.实验结果表明,文中提出的光照叠加颜色恒常计算方法能够有效地估计光照信息并实现无色偏图像的计算.     

基于遗传神经网络的颜色恒常感知计算模型

在机器视觉领域,颜色恒常性是实现计算机视觉颜色校正和保持机器对颜色识别稳定性的重要因素.该模型通过心理物理实验获得由人眼感知得到的颜色恒常感知数据,将其放入神经网络中进行样本训练,并用遗传算法优化BP神经网络的连接权值和阈值.将所建立颜色恒常感知计算模型应用到图像颜色校正,通过主观和客观两个方面对校正结果进行对比评价,结果表示所建立的颜色恒常感知计算模型计算精度和效率高、复杂度低,比几种经典算法处理误差要小,针对图像的颜色再现有着更为符合人眼感知的特性.     

泡沫图像统计建模与恒常颜色校正算法研究

由于浮选现场的恶劣环境和复杂光照等问题,将导致采集到的泡沫图像不可避免地发生色偏.为了消除以上不利影响,提高后续颜色特征提取的准确性,本文提出了一种基于图像统计建模的泡沫图像恒常颜色校正算法.首先,通过对泡沫图像统计特性的分析,利用Contourlet变换和广义高斯分布函数对图像进行统计建模.其次,选取颜色恒常性标准图像库(Gray-ball)中已知真实光照的标准图像作为训练样本,建立其统计模型参数集,分别选用常用的5种颜色恒常性算法对其进行颜色校正,并以最小角度误差为每幅标准图像标记最佳颜色恒常性算法.最后,利用K最近邻分类算法将待校正的泡沫图像分至对应的恒常算法中,该算法即为原始泡沫图像的最佳恒常颜色校正算法.实验结果证明,该算法能够获得较好的颜色校正效果.     

Lab颜色空间中基于动态聚类的颜色分级

对现有的动态聚类算法进行改进,提出一种Lab颜色空间中基于兴趣点动态聚类分析的颜色分级方法.在考虑视觉监测实时性和计算准确性的基础上,通过色适应变换和对比敏感度函数滤波,补偿人眼视觉系统的空间混合效果,采用基于兴趣点的动态聚类分析提取颜色特征,根据视觉容差、彩度和色度的依赖关系,确定色差度量方法,采用最小分类器进行颜色分级.实验结果表明,该方法的平均色差仅为2 36,分类计算的时间范围为500 ms～700 ms.     

基于BP神经网络的颜色补偿模型

针对光源渐变等因素在机器视觉中产生的相关问题,提出了一种基于BP神经网络的图像颜色校正方法.该方法通过合适的训练集对BP神经网络进行大量训练,得到光照变化前后图像像素点之间的映射关系,从而建立了在渐变光照环境下的颜色恒常性模型.该方法不需要内建约束的自适应模型,对于输入的数据不需要对表面属性做特定假设,拥有自适应、自学习的特点.实验结果表明,该模型对室内真实环境中渐变日光下颜色的识别表现出较好的颜色恒常性.     

亮度补偿变换矩阵的颜色恒常性算法

颜色恒常性是计算机视觉的重要研究方向,旨在准确识别目标的真实颜色而不受场景光源变化的影响。目前提出的多种颜色恒常性算法,使用传统的Von Kries 对角变换矩阵对图像的估计照明进行校正,对低照度和强光照射条件下采集到的图像处理效果比较差。根据图像形成的数学模型和光学原理提出了亮度补偿对角变换矩阵的颜色恒常计算方法,该方法对图像颜色校正的同时根据图像像素亮度变化对图像的亮度进行补偿。通过采用多种颜色恒常性算法进行实验验证,该方法能够有效地校正低照度和强光照射图像的颜色、对比度和亮度,从而增强了图像的视见度。     

基于改进图像导数框架的颜色恒常性计算方法

在基于图像导数框架的颜色恒常性算法的基础上,进一步考虑边缘类型和颜色通道间的相关性对于光照色度估计的影响,提出一种基于改进图像导数框架的颜色恒常性计算方法。根据导数图像中像素的饱和度提出一种饱和度权值方案;基于光学特性对导数图像中的边缘进行分类,通过引入照度准不变量提出类型相关的边缘权值方案;将两种权值方案与图像导数框架相结合,并据此进行光照色度估计,利用von Kries对角变换对偏色图像进行校正。实验结果表明该算法有效提高了光照色度估计的准确性,改善了颜色恒常性算法的效果。     

基于改进SqueezeNet的颜色恒常性计算

由于成像设备存在的缺陷,容易引起成像色彩的偏移,影响图像算法的下游任务,因此需要采用颜色恒常性算法实现图像色彩的矫正,保证图像颜色与人眼看到的色彩保持一致.传统颜色恒常性算法的效果依赖于特定的光源环境,为了提升算法的适用范围和使用效率,提出了一种基于SqueezeNet框架的颜色恒常性计算模型,通过卷积图像网络感知图像光源,并引入了注意力机制和残差连接,提升网络对图像的理解和计算性能.网络同时预测输入图像各区域的光照颜色,再通过设计3种不同池化方式汇聚,输出图像的全局估计光源,最后利用估计光源矫正图像.实验结果表明,提出的光源估计算法能够有效地估计图像光照颜色,矫正图像色彩.     

光滑物体表面颜色失真校正的新方法

在地面智能交通系统研究领域,车辆颜色的正确识别越来越受到重视.因此获得车辆的不随照射光源变化的恒常性颜色成为关键问题.基于RGB颜色空间的颜色恒常性算法是最常用的算法之一,但随着被处理物体RGB分量之间差异的增大,校正误差迅速增大.文中基于XYZ颜色空间,并结合双色反射模型进行了颜色校正.实验表明,该方法比基于RGB颜色空间的算法更能提高校正精度,并具有较好的稳定性.     

基于YCgCr颜色空间的光照自适应的肤色区域检测*

为了校正由于光源颜色变化而引起的图像色彩的偏差,在RGB颜色空间基于Gray World假设,采用颜色平衡方法对输入的彩色图像进行颜色校正;为了有效地检测彩色图像中的肤色区域,采用了新颜色空间YCgCr,并在该颜色空间建立了联合亮度信息和Cg-Cr色度查找表的肤色模型.大量实验结果表明,该模型具有较强的光照适应性,可应用于复杂环境下的彩色图像中的人体肤色区域检测.     

一种基于视锥适应模型的真实影像再现方法

鉴于常见的色调再现算法或者参数过多,或者空间常数过大,使其工程应用受到限制,为此,提出了一种基于视锥细胞适应模型的影像再现算法。在该模型中,视锥细胞转换函数的半饱和常数随着输入强度的变化而变化,而半饱和常数与其色素半漂白常数的相对比例关系保持不变,以便符合色素漂白与神经反馈对视锥适应的相对作用关系。通过大量实验仿真,并与其他方法处理结果的比较发现,该模型具有以下特点:①能够有效突出图像亮区和暗区的细节,且动态范围压缩性能较好;②能够在很大程度上减弱色调再现领域经常出现的"光晕"效应;③能够避免retinex模型和对抗神经网络等模型带来的"白化"现象;④处理结果的色调偏离真实景物的程度较低,其颜色恒定性能较好;⑤在计算背景光强时由于所用模板尺寸很小,因而速度远远快于常见的算法。该方法有希望应用到实时性要求较高的工程领域。     

分层色彩校正算法研究

提出了一种基于视网膜皮层理论和颜色视觉理论分层色彩校正算法：引入颜色视觉理论中的三色学说进行全局分类,使用广义高斯混合模型计算全局系数;简化分层色彩校正模型减少计算量;引用retinex理论对三通道分别进行处理,进行高光区域提取;使用对立学说进行色差计算,根据色度距离和空间距离设置系数权重,并根据系数校正像素;采用分层色彩校正模型整合图像。所提算法融合了颜色视觉理论和视网膜皮层理论,对现有的分层色彩校正进行了进一步的改进。实验验证该算法在模拟人类视觉系统色彩恒常性方面具有很好的合理性和实用性,实验表明该算法对非均匀多光源色偏图像有很好的校正效果。     

颜色校正方法及其在图像处理中的应用*

如何通过颜色校正获得真实的颜色重现已成为图像处理中普遍存在的技术难点。首先对影响颜色失真的主要因素进行分析;然后讨论了一些有代表性的颜色校正方法及其改进机制,并进一步介绍了颜色校正在图像处理中的不同应用;最后指出了颜色校正未来的发展趋势。