CN101146233A - 一种光源颜色计算和图像校正方法 - Google Patents

Abstract

光源颜色计算和图像校正方法涉及彩色图像的识别和分析中的光源的计算和校正方法，该方法包括以下步骤：对彩色图像中每个像素的色度进行归一化；利用纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，即像素的相似度大的性质，通过投票方法快速提取出高光区域；从简化的双向反射函数光照模型出发，推导出逆强度和色度的线性关系以及光源颜色的表示和校正方法，将高光区域中的像素的三个通道的色度值分别投射到由逆强度和色度张成的空间中，将三维空间转化为二维空间；采用参数逼近法对逆强度空间中的点进行直线拟合，求得色度轴截距，即是光源颜色值；根据光源颜色值，在归一化的图像上进行颜色校正，然后恢复成标准白光下的图像。

Description

一种光源颜色计算和图像校正方法

技术领域

本发明涉及一种光源颜色的计算和图像校正方法，尤其涉及彩色图像的识别和分析中的光源的计算和校正方法，以保持图像的颜色恒定性。属于图像信息处理领域。

背景技术

物体在成像***上的表现由三个方面决定：光照、物体的表面属性和成像***的传感器性能。由于光源的颜色，特别是在自然场景下，一般并非纯白，因此在立体匹配、物体识别时必须考虑光源的颜色。另外，拍摄环境的光照变化会导致图像内目标颜色的变化，为了保证分析结果的可靠性，对图像进行光源颜色的计算和校正是必要的一个环节，对于视觉识别、工业检测有很重要的意义。

针对光源颜色计算方法可分为基于统计和基于物理的两大类。

基于统计的光源颜色计算方法利用光源和表面反射率的概率统计知识与颜色的关系来实现颜色的计算。具有代表性的Retinex算法(Land E H，McCann J J.Lightness and retinex theory.Journal of Optics Society of America，1971，61(1)：1-11)假设物体表面颜色的不连续性要大于光照颜色的不连续性。运用对数差分运算提取出表面颜色不连续性，并且去处光源的不连续性。然后，运用积分指数运算重构表面颜色。Retinex算法以及在此基础上的改进算法(Weiss Y.Derivingintrinsic images from image sequences.IEEE Internat ional Conference onComputer Vision，2003，2：68-75)的主要问题是：要正确地找到物体表面颜色的不连续性，而到目前为止这仍是一个难题。基于统计的光源颜色计算方法的缺点是要求物体表面有多种颜色。另外，大多数方法假设物体表面只有漫反射，而且基于统计的算法容易受噪音的影响。

随着计算机图形学的发展，研究人员开始在一定的光照和反射模型上进行研究。基于物理的方法能很好地处理多色彩和复杂纹理表面的情况，因此成为研究的主流方向。物体颜色由两部分组成：物体表面的反射分量和物体的体反射分量。表面反射分量主要由光源的反射属性决定，反映了光源的颜色信息。体反射反映的是物体本身的颜色信息。T型光源颜色计算方法(Klinker G J，Shafer S A，Kanade T.Themeasurement of highlights in color images.International Journal of ComputerVision，1990，2：7-32)通过一个单一颜色表面在RGB三维空间计算出光源颜色。在三维RGB空间，2个反射分量的像素族形成一个T型，通过对T型的提取和分解可以得到光源颜色。但是实际场景中获取的图像，由于噪音的影响，T型的提取很困难。而且三维空间的计算量很大。为了避免三维空间的复杂运算，文献(Lee H C.Method for computing the scene-illuminant from specular highlights.Journalof Optics Society of America A，1986，3(10)：1694-1699)提出了一种利用多颜色高光区域进行光源颜色的计算方法。但是这种算法要求利用图像分割方法对高光部分进行分割，不适用于纹理复杂表面，而且两个相似颜色的直线交点相对于噪音敏感，对于只有一种颜色的物体也不适用。在此基础上，文献(Lehmann T M，PalmC.Color line search for illuminant estimation in real-world scene.Journalof Optics Society of America A，2001，18(11)：2679-2691)提出了一种更加稳定的算法。但是图像需要有多种颜色的高光存在，并且要求在每个高光区域的表面颜色是一样的，无法处理复杂纹理表面情况。逆强度空间计算光源颜色的方法(TanR T，Nishino K，Ikeuchi K.Illumination Chrmaticity estimation usinginverse-intensity chromaticity space.IEEE Computer Society Conference onComputer Vision and Pattern Recognition，2003，673-680.)无需进行图像分割，而且对高光区域个数和颜色没有限制。但是此方法在高光区域检测以及哈夫空间计算直线交点上太复杂，导致处理时间加长。总的来说，当前基于物理的光源计算方法的缺陷是大多数算法还需要进行图像分割，导致速度慢，光源计算精度依赖于分割的精度；对图像纹理有限制，对于欠纹理和复杂纹理物体精度很低；三维颜色空间计算复杂，耗时长。

发明内容

技术问题：本发明的目的在于针对现有技术的不足：速度慢、对纹理的限制、计算复杂等问题，提供一种无需图像分割、对物体的表面纹理没有限制以及在二维空间进行光源颜色计算的一种光源颜色计算和图像校正方法，并将图像校正到标准白光下的颜色。

技术方案：从简化的BRDF(Bi-directional Reflectance DistributionFunction，双向反射函数)光照模型出发，采用投票机制快速提取出图像中高光区域，然后将图像归一化后投影到逆强度空间，利用像素色度与逆强度在逆强度空间的线性关系，通过参数逼近方法进行直线拟合，计算出光源的颜色值。最后根据计算出的光源颜色对图像进行颜色校正。

利用本发明进行光源颜色计算和图像校正方法包括以下步骤：

步骤A.对彩色图像中每个像素的色度进行归一化：将光源颜色Г与物体表面颜色Λ的关系表示为I(x)＝m_d(x)Λ(x)+m_s(x)Г，其中I(x)表示图像I中的每个像素点x的颜色值，m_d(x)表示像素点x所在物体的表面漫反射系数，A(x)表示像素点x所在物体的表面颜色，m_s(x)表示像素点x所在物体的表面镜面反射系数，Г表示光源颜色，对图像I中每个像素x的颜色进行归一化：σ(x)＝I(x)/∑I_c(x)，其中σ(x)为归一化后像素点x的色度。∑I_c(x)表示像素x三个通道颜色值之和；I_c表示像素点x在c颜色通道的颜色值；

步骤B.利用纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，即像素的相似度大的性质，通过投票方法快速提取出高光区域：对于同样颜色的表面区域，纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，像素的相似度很大，对所有像素点进行高光检测，同一颜色区域中相邻三个像素点(x-1，x，x+1)像素颜色差异值为：

$\mathrm{\Λ}(x-1,x)=\frac{I(x-1)I\left(x\right)}{\mathrm{\Σ}{I}_c(x-1)-\mathrm{\Σ}{I}_c\left(x\right)}$

其中Λ(x-1，x)为两个相邻像素x-1和x的颜色差异值，记ε＝|Λ(x，x+1)-Λ(x-1，x)|，通过投票机制来确定一个像素点是否是漫反射点，那么认为当ε<α时，为像素点x-1，x和x+1为分别投一票，这里α是事先设置的阈值；检验完所有像素点后，票数大于预设值λ的点就是漫反射点，票数小于预设值的点就是镜面反射点；此算法中每个像素点要检查6次，另外相邻像素点的颜色和光强相差很大时被认为是边缘点，也被排除在高光区域外；

步骤C.从简化的BRDF光照模型出发，推导出逆强度和色度的线性关系以及光源颜色的表示和校正方法，将高光区域中的像素的三个通道的色度值分别投射到由逆强度和色度张成的空间中，将三维空间转化为二维空间：根据漫反射与镜面反射的关系可以推导出像素的色度与逆强度的线性关系：

$\mathrm{\&sigma;}=p\frac{1}{\mathrm{\&Sigma;}{I}_c}+\mathrm{\&Gamma;}$

其中p＝m_d(Λ-Г)，σ为像素点的色度，那么在1/∑I_c和σ张成逆强度空间中，所有像素点构成一条直线，截距就是光源的颜色Г；

步骤D.采用参数逼近法对逆强度空间中的点进行直线拟合，求得色度轴截距，即是光源颜色值；在逆强度空间中，y＝kx+b，x为1/∑I_c，y为σ，k为斜率，截距b即是光源颜色Г_c，MN是包围盒的中垂线，MN与最佳拟合直线的交点是E，对于直线MN上的任意一点P，经过P点斜率为k直线l，所有数据点到直线l的距离和为d，那么必存在k＝a，a∈(-∞，+∞)，使d值最小，光源颜色肯定为正，也就是说截距肯定大于0，那么斜率取值范围可以缩小为(0，y_max/x_min)，对于任一固定斜率k，经过MN上点的直线l^*，所有数据点到直线l^*的距离和为d^*，那么必存在y＝b，b∈(y_min，y_max)，使d^*值最小，那么，直线拟合问题就转换为对参数k，y的逼近问题，其中y_min，y_max所有像素点色度的最小值和最大值，x_max为所有像素点逆强度的最小值；

步骤E.根据光源颜色值，在归一化的图像上进行颜色校正，然后恢复图像：根据计算出的光源颜色，进行颜色校正，就得到了光源校正后的图像，即在标准白光下的图像。

有益效果：与现有技术相比较，本发明利用投票机制快速提取出高光区域，一方面避免了图像分割所带来的误差和耗时的缺点，另一方面能够同时提取出多个物体上的高光区域，适用用于复杂场景包括复杂纹理和欠纹理物体的高光区域提取。

此外，本发明将归一化的高光像素点投影到逆强度空间，将三维计算转化为二维，利用采用参数逼近进行直线拟合，快速准确的求得光源颜色，大大降低了计算复杂度。

与现有技术相比，本发明提出了一种不需要图像分割，对物体表面纹理没有限制，快速精确的光源颜色计算方法。对于提高图像分析和识别的准确性有很大的帮助，对于机器视觉、工业检测有很重要的意义。

附图说明

图1是本发明的光源计算和图像校正方法的整体框图；

图2是本发明的参数逼近直线拟合示意图。

具体实施方式

如图1所示，本发明的光源计算和图像校正方法的输入图像通过图像归一化模块后，归一化后的像素点进入投票法高光检测模块，检测出的高光区域像素背投影到逆强度空间，然后对逆强度空间中的点利用参数逼近直线拟合计算出光源颜色，然后根据计算出的光源颜色对图像进行颜色校正，输出标准白光下图像。

为便于深刻理解本发明的技术内容，下面结合附图对本发明进行详细说明。

1.对输入彩色图像进行归一化。将光源颜色Г与物体表面颜色Λ的关系表示为I(x)＝m_d(x)Λ(x)+m_s(x)Г，其中I(x)表示图像I中的每个像素点的颜色值，m_d(x)表示像素点x所在物体的表面漫反射系数，Λ(x)表示像素点x所在物体的表面颜色，m_s(x)表示像素点x所在物体的表面镜面反射系数，Г表示光源颜色，对图像I中每个像素x的颜色进行归一化：σ(x)＝I(x)/∑I_c(x)，其中σ(x)为归一化后像素点x的色度。∑I_c(x)表示像素x三个通道颜色值之和。

2.对于同样颜色的表面区域，纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，像素的相似度很大，利用这个性质，我们对所有像素点进行高光检测。假设(x-1，x，x+1)是三个相邻的像素点，并且他们处在相同颜色的漫反射区域中，可以推导出同一颜色区域中相邻像素颜色差异值为：

$\mathrm{\&Lambda;}(x-1,x)=\frac{I(x-1)-I\left(x\right)}{\mathrm{\&Sigma;}{I}_c(x-1)-\mathrm{\&Sigma;}{I}_c\left(x\right)}.$

其中Λ(x-1，x)为两个相邻像素x-1和x的颜色差异值。记ε＝|Λ(x，x+1)-Λ(x-1，x)|，通过投票机制来确定一个像素点是否是漫反射点。那么我们认为当ε<α时，为像素点x-1、x和x+1为分别投一票。这里α是事先设置的阈值。检验完所有像素点后，票数大于预设值λ的点就是漫反射点。票数小于预设值的点就是镜面反射点。此算法中每个像素点要检查6次。另外相邻像素点的颜色和光强相差很大时被认为是边缘点，也被排除在高光区域外。

3.在归一化图像的基础上，将高光区域像素点投射到逆强度空间。

根据漫反射与镜面反射的关系可以推导出像素的色度与逆强度的线性关系：

$\mathrm{\&sigma;}=p\frac{1}{\mathrm{\&Sigma;}{I}_c}+\mathrm{\&Gamma;}$

其中p＝m_d(Λ-Г)，σ为像素点的色度。那么在1/∑I_c和σ张成逆强度空间中，所有像素点构成一条直线，截距就是光源的颜色Г。

4.对于逆强度空间中所有点，采用参数逼近法进行直线拟合，求得光源颜色。在逆强度空间中，为了描述方我们3中公式改写为y＝kx+b，x为1/∑I_c，y为σ，k为斜率，截距b即是光源颜色Г_c。如图2所示ABCD为所有数据点的包围盒，MN是包围盒的中垂线，MN与最佳拟合直线的交点是E。对于直线MN上的任意一点P，经过P点斜率为k直线l，所有数据点到直线l的距离和为d，那么必存在k＝a，a∈(-∞，+∞)，使d值最小。光源颜色肯定为正，也就是说截距肯定大于0，那么斜率取值范围可以缩小为(0，y_max/x_min)。对于任一固定斜率k，经过MN上点的直线l^*，所有数据点到直线l^*的距离和为d^*，那么必存在y＝b，b∈(y_min，y_max)，使d^*值最小。那么，直线拟合问题就转换为对参数k，y的逼近问题。其中y_min，y_max所有像素点色度的最小值和最大值，x_max为所有像素点逆强度的最小值。

5.根据计算出的光源颜色，进行颜色校正，就得到了光源校正后的图像，即在标准白光下的图像。

Claims (1)

1.一种光源颜色计算和图像校正方法，其特征在于该方法包括以下步骤：

步骤A.对彩色图像中每个像素的色度进行归一化：将光源颜色Γ与物体表面颜色Λ的关系表示为I(x)＝m_d(x)Λ(x)+m_s(x)Γ，其中I(x)表示图像I中的每个像素点x的颜色值，m_d(x)表示像素点x所在物体的表面漫反射系数，Λ(x)表示像素点x所在物体的表面颜色，m_s(x)表示像素点x所在物体的表面镜面反射系数，Γ表示光源颜色，对图像I中每个像素x的颜色进行归一化：σ(x)＝I(x)/∑I_c(x)，其中σ(x)为归一化后像素点x的色度；∑I_c(x)表示像素x三个通道颜色值之和，I_c表示像素点x在c颜色通道的颜色值；

步骤B.利用纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，即像素的相似度大的性质，通过投票方法快速提取出高光区域：对于同样颜色的表面区域，纯漫反射或少量镜面反射的像素点与周围像素点的变化平缓，像素的相似度很大，对所有像素点进行高光检测，同一颜色区域中相邻三个像素点(x-1，x，x+1)像素颜色差异值为：

$\mathrm{\&Lambda;}(x-1,x)=\frac{I(x-1)-I\left(x\right)}{\mathrm{\&Sigma;}{I}_c(x-1)-\mathrm{\&Sigma;}{I}_c\left(x\right)}$

其中Λ(x-1，x)为两个相邻像素x-1和x的颜色差异值，记ε＝|Λ(x，x+1)-Λ(x-1，x)|，通过投票机制来确定一个像素点是否是漫反射点，那么认为当ε＜α时，为像素点x-1、x和x+1为分别投一票，这里α是事先设置的阈值；检验完所有像素点后，票数大于预设值λ的点就是漫反射点，票数小于预设值的点就是镜面反射点；此算法中每个像素点要检查6次，另外相邻像素点的颜色和光强相差很大时被认为是边缘点，也被排除在高光区域外；

步骤C.从简化的双向反射函数光照模型出发，推导出逆强度和色度的线性关系以及光源颜色的表示和校正方法，将高光区域中的像素的三个通道的色度值分别投射到由逆强度和色度张成的空间中，将三维空间转化为二维空间：根据漫反射与镜面反射的关系可以推导出像素的色度与逆强度的线性关系：

$\mathrm{\&sigma;}=p\frac{1}{\mathrm{\&Sigma;}{I}_c}+\mathrm{\&Gamma;}$

其中p＝m_d(Λ-Γ)，σ为像素点的色度，那么在1/∑I_c和σ张成逆强度空间中，所有像素点构成一条直线，截距就是光源的颜色Γ；

步骤D.采用参数逼近法对逆强度空间中的点进行直线拟合，求得色度轴截距，即是光源颜色值；在逆强度空间中，y＝kx+b，x为1/∑I_c，y为σ，k为斜率，截距b即是光源颜色Γ_c，MN是包围盒的中垂线，MN与最佳拟合直线的交点是E，对于直线MN上的任意一点P，经过P点斜率为k直线l，所有数据点到直线l的距离和为d，那么必存在k＝a，a∈(-∞，+∞)，使d值最小，光源颜色肯定为正，也就是说截距肯定大于0，那么斜率取值范围可以缩小为(0，y_max/x_min)，对于任一固定斜率k，经过MN上点的直线l^*，所有数据点到直线l^*的距离和为d^*，那么必存在y＝b，b∈(y_min，y_max)，使d^*值最小，那么，直线拟合问题就转换为对参数k，y的逼近问题，其中y_min，y_max所有像素点色度的最小值和最大值，x_max为所有像素点逆强度的最小值；

步骤E.根据光源颜色值，在归一化的图像上进行颜色校正，然后恢复图像：根据计算出的光源颜色，进行颜色校正，就得到了光源校正后的图像，即在标准白光下的图像。

Images