一种基于灰像素统计的颜色恒常性方法

摘要

本发明公开了一种基于灰像素统计的颜色恒常性方法。基于对自然场景下多光谱图像中彩色像素与中性灰像素光谱分布的差异规律的研究。本发明的具体步骤如下：首先，取得一张偏色图像作为待修正图像；通过低通滤波将待修正图像分为基础层和细节层；在基础层图像上进行通道相关性检测；根据检测结果对待修正图像进行参数自适应的超像素分割；利用细节层图像，筛选出满足对比度要求的超像素；根据RGB通道间的分布差异规律，计算出筛选的超像素接近中性灰的程度；最终选取一定数量的最接近中性灰的超像素来估计场景光源颜色。本发明具有更高的准确性和鲁棒性，且算法复杂性较低，计算简单，更具有实时性。

说明书

技术领域

本发明涉及一种基于灰像素统计的颜色恒常性方法。属于计算机视觉、图像处理和颜色增强等技术领域。

背景技术

当照明光源发生变化时，人类视觉系统拥有对物体的颜色感知保持相对不变的特性，这种特性被称为颜色恒常性。使数字成像系统具备人类视觉系统的颜色恒常视觉特性，自动且有效的去除图像中光源的影响，还原物体表面本征颜色，将对计算机视觉中的目标识别、颜色特征提取、场景分析有重要作用。在图像中估计出成像时的场景光源颜色是一个病态的问题，为了求解病态问题需要设置合理的限制条件或依据先验知识，因此主要的颜色恒常性算法可以分为两大类:基于统计的颜色恒常性算法和基于学习的颜色恒常性算法。

基于学习的颜色恒常性算法需要利用先验信息，如具有真实光源的数据集，借助于传统机器学习算法或深度学习算法训练模型来估计光源，在没有专用芯片或GPU的情况下，在相机上运行这些算法需要的资源和算力令大部分应用望而却步。基于统计的颜色恒常性算法是无监督的，其假设自然物体的颜色存在某种规律，直接利用图像的统计信息(如颜色分布，空间信息)来估计场景光源颜色，不需要任何的先验知识。相比于基于学习的算法，算法复杂性较低，计算简单，更具有实时性，但光源估计的结果不够精准。

发明内容

本发明为了解决以上光源估计的问题，发明提供了一种基于灰像素统计的颜色恒常性方法。

本发明所采用的技术方案，包括以下步骤：

步骤(1)：取得一张偏色图像作为待修正图像；

步骤(2)：通过低通滤波将待修正图像分为基础层图像和细节层图像；

步骤(3)：在基础层图像上进行通道相关性检测；

步骤(4)：根据检测结果对待修正图像进行参数自适应的超像素分割；

步骤(5)：利用细节层图像，筛选出满足对比度要求的超像素；

步骤(6)：根据RGB通道间的分布差异，计算步骤(5)筛选出的超像素接近中性灰的程度；

步骤(7)：选取指定数量的最接近中性灰的超像素来估计场景光源颜色。

优选的，所述步骤(1)中，从数据集中选择一张待矫正的偏色图像作为待修正图像。

优选的，所述步骤(2)中，对待修正图像进行低通滤波处理获得基础层图像I

其中

优选的，所述步骤(3)中，对细节层图像进行通道相关性检测，通道相关性与色度梯度成反比，色度梯度越大，通道相关性越小。因此将细节层图像转换到YUV域计算色度梯度t:

其中

优选的，所述步骤(4)中，根据通道相关性检测结果，获得超像素分割参数β(t)＝(1-0.6/(1+e

优选的，所述步骤(5)中，在细节层图像上计算每个超像素的方差，根据预设的阈值TH

优选的，所述步骤(6)中，对每个筛选出的符合阈值的超像素，在对数域上计算其标准差

优选的，所述步骤(7)中，选择接近中性灰指标小于阈值TH的超像素或者选择接近中性灰指标最小的N个超像素，计算符合要求的超像素的每个通道的均值，并将该均值作为一个估计光源颜色值，从而获得一个估计光源颜色集合，最后通过计算估计光源颜色集合的均值或中间值得出最终的估计光源结果。

本发明公开了一种基于灰像素统计的颜色恒常性方法。与现有技术相比，本发明的优点在于：提出的颜色恒常性，符合自然场景下多光谱图像中彩色像素与中性灰像素光谱分布的差异规律，能够根据通道相关性将图像自适应分割成形状和颜色较一致的超像素；根据每个超像素的RGB通道间的分布差异，计算出该超像素接近中性灰的程度(GreyIndex)；最终选取一定数量的最接近中性灰的超像素来估计场景光源颜色。本发明具有更高的准确性和鲁棒性，且算法复杂性较低，计算简单，更具有实时性。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例中超像素分割参数曲线。

具体实施方式

为了更好的理解以上所述技术方案，下面结合附图及实施例对本发明流程作进一步阐述。可以理解的是，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

本实施例提供了一种灰像素统计的颜色恒常性方法，如图1所示，包括以下步骤：

步骤(1)：取得一张偏色图像作为待修正图像；

步骤(2)：通过低通滤波将待修正图像分为基础层图像和细节层图像；

步骤(3)：在基础层图像上进行通道相关性检测；

步骤(4)：根据检测结果对待修正图像进行参数自适应的超像素分割；

步骤(5)：利用细节层图像，筛选出满足对比度要求的超像素；

步骤(6)：根据RGB通道间的分布差异，计算步骤(5)筛选出的超像素接近中性灰的程度；

步骤(7)：选取指定数量的最接近中性灰的超像素来估计场景光源颜色。

进一步，所述步骤(2)的具体过程为：对待修正图像进行双边滤波，获得图像基础层，再将待修正的源图像和图像基础层取对数域相减获得图像细节层

进一步，所述步骤(3)的具体过程为：对细节层进行通道相关性检测，通道相关性与色度梯度成反比，色度梯度越大，通道相关性越小。因此将细节层图像转换到YUV域：Y＝0.299*R+0.587*G+0.114*B，U＝R-Y，V＝B-Y，计算色度梯度t：

其中，i，j为空间坐标，M为像素个数。

进一步，所述步骤(4)的具体过程为：根据所述步骤(3)中的通道相关性检测结果，获得超像素分割参数β(t)＝(1-0.6/(1+e

优选的，所述步骤(5)中，在细节层图像计算每个超像素的方差，根据预设的阈值TH

优选的，所述步骤(6)中，对每个筛选出的超像素，在对数域上计算其标准差

优选的，所述步骤(7)中，根据设定的TH，默认为0.01，计算满足In湩＜潇潴的超像素的每个通道的均值，获得一个估计光源颜色集合。或者计算接近中性灰指标最小的N个超像素的每个通道的均值，其中N的取值范围为[1,3]，获得一个估计光源颜色集合。进而通过计算集合的均值或中间值得出最终的估计光源结果。