CN103957395B - 具有自适应能力的颜色恒常方法 - Google Patents

Abstract

本发明公开了一种具有自适应能力的颜色恒常方法，具体通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用自动适应不同场景图像，将非标准光照下拍摄的有色偏彩色图像恢复成标准光照下拍摄的无色偏彩色图像，实现色偏图像颜色的自动校正，即颜色恒常。在多个国际通用颜色恒常数据库上近千幅不同场景、光照的图像上测试证明，该发明的方法比经典的颜色恒常算法具有更好的效果。

Description

具有自适应能力的颜色恒常方法

技术领域

本发明属于图像处理技术领域，涉及彩色图像颜色恒常技术，是一种基于视网膜非经典感受野视觉机制的颜色恒常方法。

背景技术

与摄像机等传感器不同，尽管不同光照下物体同一表面反射入人眼的色光不同，人类视觉机制能从不同的入射光谱中获取到相同的物体表面反射性质，因此当外界光照变化在一定范围之内时，人类对物体颜色的感知相对不变，这种一定范围内对颜色感知的恒定性，被称为颜色恒常(ColorConstancy)。摄像机等传感器采集到的物体颜色由光源、物体表面反射性质以及传感器自身的传输性质决定，光源的改变将极大地改变其采集到的物体颜色。例如，当红光照在白纸上，与人能感知到纸面仍为白色不同，机器视觉中由于传感器采集到的是从纸面反射的红光，感知到的将是红色纸面。因此，图像处理中需要利用颜色恒常方法，将非标准光照下拍摄的图像恢复成标准光照下拍摄的图像。目前，根据基本思想不同，实现颜色恒常的方法可分为基于光源估计的方法和基于颜色不变性的方法两大类。基于光源估计的方法是通过估计出均匀或假设均匀照射在物体上的光源，进而对色偏图像进行处理恢复出无色偏图像，其代表性方法有基于贝叶斯理论的方法、基于色域映射的方法、基于图像简单统计特征的方法等，这也是目前机器视觉中颜色恒常的主流方法。这些方法虽然能在不同程度实现颜色恒常，但都存在一定缺陷。基于贝叶斯理论的方法是根据贝叶斯准则从许多候选光源中选出具有最大概率的光源作为估计到的色偏光源，要求先验信息；基于色域映射的方法无法避免空解；基于图像简单统计特征的方法需要基于一定先验假设，当色偏图像不满足该时将会失效。基于颜色不变性的方法是根据某些颜色不变性理论直接对原始色偏图像的局部特征进行处理从而直接得到无色偏图像，大多和生理机制紧密相关。

中国发明专利200910167730.X虽然同样利用了非经典感受野模型，但其未考虑中心区、外周区、亚区在不同场景下的不同敏感系数，不能自动适应不同特征的不同图像。

发明内容

本发明的目的是为了解决现有技术存在的上述问题，提出了一种具有自适应能力的颜色恒常方法。

本发明的技术方案为：一种具有自适应能力的颜色恒常方法，如图2所示，包括以下步骤：

步骤1：设定感受野大小及确定相应的模型参数：

设定感受野中心区半径、外周抑制区半径、亚区半径；

中心、外周、亚区高斯核函数为：

$g(x,y;{\mathrm{\σ}}_c)=\frac{1}{2{\mathrm{\π\σ}}_c^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_c^2\left)\right)$

$g(x,y;{\mathrm{\σ}}_s)=\frac{1}{2{\mathrm{\π\σ}}_s^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_s^2\left)\right)$

$g(x,y;{\mathrm{\σ}}_u)=\frac{1}{2{\mathrm{\π\σ}}_u^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_u^2\left)\right)$

其中，中心高斯分布参数σ_c，外周高斯分布参数σ_s，亚区高斯分布参数σ_u，分别为其对应区域半径的三分之一；

步骤2：对色偏图像每一个像素点分别提取红色分量I_R、绿色分量I_G、蓝色分量I_B和黄色分量I_Y，用每个像素点的各分量输入高斯函数平滑后，输出的P阶指数平均后开P次方，得到相应的P范数，记为R、G、B和Y，具体如下：

R＝(mean((Gauss(I_R))^p))^1/p

G＝(mean((Gauss(I_G))^p))^1/p

B＝(mean((Gauss(I_B))^p))^1/p

Y＝(mean((Gauss(I_Y))^p))^1/p，

其中，mean()表示求平均运算；

步骤3：利用公式：

$A_{R1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/R$

$A_{G1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/G$

$A_{B1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/B$

计算出红绿拮抗通道非经典感受野中心区敏感系数A_R1，绿红拮抗通道非经典感受野中心区敏感系数A_G1，蓝黄拮抗通道非经典感受野中心区敏感系数A_B1；

步骤4：根据设定兴奋抑制比K，计算出红绿拮抗通道非经典感受野外周敏感系数A_R2，亚区敏感系数A_R3，绿红拮抗通道非经典感受野外周敏感系数A_G2，亚区敏感系数A_G3，蓝黄拮抗通道非经典感受野外周敏感系数A_B2，亚区敏感系数A_B3：

A_R2＝K×A_R1/5,A_R3＝A_R2/3

A_G2＝K×A_G1/5,A_G3＝A_G2/3

A_B2＝K×A_B1/5,A_B3＝A_B2/3

依据步骤1所确定的中心、外周、亚区高斯核函数，按照从左至右、从上到下的顺序将色偏图像的每一个像素点(x,y)作为一个感受野的中心依次进行下述步骤5至步骤7的操作：

步骤5：根据公式：

$R_{R3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_G(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{R3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_G(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

$R_{G3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_R(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{G3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_R(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

$R_{B3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_Y(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{B3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_Y(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

计算出红绿通道亚区去抑制后响应R_R3(x,y；σ_u)，绿红通道亚区去抑制后响应R_G3(x,y；σ_u)，蓝黄通道亚区去抑制后响应R_B3(x,y；σ_u)，其中，(p,q)为落在亚区Unit内除中心外的点，MAX表示取两者中较大值；

步骤6：根据公式：

$R_{R2}(x,y;{\mathrm{\σ}}_s)=A_{R2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{R3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

$R_{G2}(x,y;{\mathrm{\σ}}_s)=A_{G2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{G3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

$R_{B2}(x,y;{\mathrm{\σ}}_s)=A_{B2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{B3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

计算出红绿通道外周抑制R_R2(x,y；σ_s)，绿红通道外周抑制R_G2(x,y；σ_s)，蓝黄通道外周抑制R_B2(x,y；σ_s)，其中，(p,q)为落在外周Surround内的点；

步骤7：根据公式：

$R_{R1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{R1}\underset{(p,q)\∈Center}{\Σ}{I}_R(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{R2}(x,y;{\mathrm{\σ}}_s)\]$

$R_{G1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{G1}\underset{(p,q)\∈Center}{\Σ}{I}_G(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{G2}(x,y;{\mathrm{\σ}}_s)\]$

$R_{B1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{B1}\underset{(p,q)\∈Center}{\Σ}{I}_B(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{B2}(x,y;{\mathrm{\σ}}_s)\]$

计算出红绿通道中心区抑制后响应R_R1(x,y；σ_c)，绿红通道中心区抑制后响应R_G1(x,y；σ_c)，蓝黄通道中心区抑制后响应R_B1(x,y；σ_c)，其中，(p,q)为落在中心区Center内的点；取R_R1(x,y；σ_c)、R_G1(x,y；σ_c)、R_B1(x,y；σ_c)作为中心像素点(x,y)新的红、绿、蓝分量；

步骤8：移动中心像素点(x,y)遍历全图后，对图像所有像素点的新的红色分量I_R、绿色分量I_G、蓝色分量I_B、黄色分量I_Y分别求和，兴奋抑制比K加1，在红绿、绿红、蓝黄拮抗通道上分别迭代，重复步骤4至8；

上述迭代中止的条件为：每轮迭代后，分通道检查该通道对应颜色分量和，若其一阶导数和二阶导数均小于预先设定的值时所有通道停止迭代后，以红绿通道输出为红色分量I_R，绿红通道输出为绿色分量I_G，蓝黄通道输出为蓝色分量I_B合成无色偏彩色图像。

在步骤8中，其一阶导数和二阶导数均小于预先设定的值，具体为当一阶导数和二阶导数均趋近于零，说明该通道颜色适应曲线已平稳，该通道停止迭代。

本发明的有益效果：本发明的方法通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用自动适应不同场景图像，将非标准光照下拍摄的有色偏彩色图像恢复成标准光照下拍摄的无色偏彩色图像，实现色偏图像颜色的自动校正，即颜色恒常。在多个国际通用颜色恒常数据库上近千幅不同场景、光照的图像上测试证明，该发明的方法比经典的颜色恒常算法具有更好的效果。

附图说明

图1是带去抑制亚区的视网膜非经典感受野模型。

图2是本发明方法的流程示意图。

具体实施方式

本实施例的视觉***中，单个视觉神经元对视野中某个特定区域内的刺激起反应，该区域被称为神经元的感受野。在此区域之外，存在一个更大范围的影响神经元响应的非经典感受野。视网膜的感受野呈中心外周的结构，在其外周存在一个大范围的，由多个亚区构成的去抑制区，抑制外周对中心的抑制作用，即非经典感受野(如图1所示)。对颜色的感知从对应于红、绿、蓝三基色的L、M、S三类视锥细胞开始，由水平细胞负反馈灰化后经双极细胞传递至神经节细胞，通过红绿、蓝黄拮抗通道分别处理，由非经典感受野的去抑制作用一定程度上去除弥漫光照的影响，从而实现颜色恒常。

具体实施方式一：在Gehler库上测试

在包含568张图片的国际通用颜色恒常性图像数据库Gehler库(http://www.cs.sfu.ca/～colour/data/shi_gehler/)上对本方法进行测试评估。感受野中心区半径设为1、外周抑制区半径设为3、亚区半径设为1，P范数取10，测试结果如表1所示，比经典的颜色恒常算法具有更好的效果(角度误差表示处理后的无色偏图像和真实无色偏图像的差距，越小说明颜色恢复的越好)。

表1.Gehler库图像不同算法角度误差中位数

具体实施方式二：在SFU库上测试

在包含31个场景321张图片的国际通用颜色恒常性图像数据库SFU库(http://www.cs.sfu.ca/～colour/data/colour_constancy_test_images/index.html/)上对本方法进行测试评估。感受野中心区半径设为1、外周抑制区半径设为3、亚区半径设为1，范数取15，测试结果如下表2所示，比经典的颜色恒常算法具有更好的效果(角度误差表示处理后的无色偏图像和真实无色偏图像的差距，越小说明颜色恢复的越好)。

表2.SFU库图像不同算法角度误差中位数

Claims (1)

1.一种具有自适应能力的颜色恒常方法，包括以下步骤：

步骤1：设定感受野大小及确定相应的模型参数：

设定感受野中心区半径、外周抑制区半径、亚区半径；

中心、外周、亚区高斯核函数为：

$g(x,y;{\mathrm{\σ}}_c)=\frac{1}{2{\mathrm{\π\σ}}_c^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_c^2\left)\right)$

$g(x,y;{\mathrm{\σ}}_s)=\frac{1}{2{\mathrm{\π\σ}}_s^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_s^2\left)\right)$

$g(x,y;{\mathrm{\σ}}_u)=\frac{1}{2{\mathrm{\π\σ}}_u^2}\exp (-(x^2+y^2)/(2{\mathrm{\σ}}_u^2\left)\right)$

其中，中心高斯分布参数σ_c，外周高斯分布参数σ_s，亚区高斯分布参数σ_u，分别为其对应区域半径的三分之一；

步骤2：对色偏图像每一个像素点分别提取红色分量I_R、绿色分量I_G、蓝色分量I_B和黄色分量I_Y，用每个像素点的各分量输入高斯函数平滑后，输出的P阶指数平均后开P次方，得到相应的P范数，记为R、G、B和Y，

R＝(mean((Gauss(I_R))^p))^1/p

G＝(mean((Gauss(I_G))^p))^1/p

B＝(mean((Gauss(I_B))^p))^1/p

Y＝(mean((Gauss(I_Y))^p))^1/p，

其中，mean()表示求平均运算；

步骤3：利用公式：

$A_{R1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/R$

$A_{G1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/G$

$A_{B1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/B$

计算出红绿拮抗通道非经典感受野中心区敏感系数A_R1，绿红拮抗通道非经典感受野中心区敏感系数A_G1，蓝黄拮抗通道非经典感受野中心区敏感系数A_B1；

步骤4：根据设定的兴奋抑制比K，计算出红绿拮抗通道非经典感受野外周敏感系数A_R2，亚区敏感系数A_R3，绿红拮抗通道非经典感受野外周敏感系数A_G2，亚区敏感系数A_G3，蓝黄拮抗通道非经典感受野外周敏感系数A_B2，亚区敏感系数A_B3：

A_R2＝K×A_R1/5,A_R3＝A_R2/3

A_G2＝K×A_G1/5,A_G3＝A_G2/3

A_B2＝K×A_B1/5,A_B3＝A_B2/3

依据步骤1所确定的中心、外周、亚区高斯核函数，按照从左至右、从上到下的顺序将色偏图像的每一个像素点(x,y)作为一个感受野的中心依次进行下述步骤5至步骤7的操作：

步骤5：根据公式

$R_{R3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_G(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{R3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_G(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

$R_{G3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_R(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{G3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_R(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

$R_{B3}(x,y;{\mathrm{\σ}}_u)=MAX\[0,I_Y(x,y)\×g(0,0;{\mathrm{\σ}}_u)-A_{B3}\underset{(p,q)\∈Unit\backslash (x,y)}{\Σ}{I}_Y(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_u)\]$

计算出红绿通道亚区去抑制后响应R_R3(x,y;σ_u)，绿红通道亚区去抑制后响应R_G3(x,y;σ_u)，蓝黄通道亚区去抑制后响应R_B3(x,y;σ_u)，其中，(p,q)为落在亚区Unit内除中心外的点，MAX表示取两者中较大值；

步骤6：根据公式

$R_{R2}(x,y;{\mathrm{\σ}}_s)=A_{R2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{R3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

$R_{G2}(x,y;{\mathrm{\σ}}_s)=A_{G2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{G3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

$R_{B2}(x,y;{\mathrm{\σ}}_s)=A_{B2}\×\underset{(p,q)\∈Surround}{\Σ}{R}_{B3}(p,q;{\mathrm{\σ}}_u)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_s)$

计算出红绿通道外周抑制R_R2(x,y;σ_s)，绿红通道外周抑制R_G2(x,y;σ_s)，蓝黄通道外周抑制R_B2(x,y;σ_s)，其中，(p,q)为落在外周Surround内的点；

步骤7：根据公式

$R_{R1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{R1}\underset{(p,q)\∈Center}{\Σ}{I}_R(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{R2}(x,y;{\mathrm{\σ}}_s)\]$

$R_{G1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{G1}\underset{(p,q)\∈Center}{\Σ}{I}_G(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{G2}(x,y;{\mathrm{\σ}}_s)\]$

$R_{B1}(x,y;{\mathrm{\σ}}_c)=MAX\[0,A_{B1}\underset{(p,q)\∈Center}{\Σ}{I}_B(p,q)\×g\left(\right|p-x|,|q-y|;{\mathrm{\σ}}_c)-R_{B2}(x,y;{\mathrm{\σ}}_s)\]$

计算出红绿通道中心区抑制后响应R_R1(x,y;σ_c)，绿红通道中心区抑制后响应R_G1(x,y;σ_c)，蓝黄通道中心区抑制后响应R_B1(x,y;σ_c)，其中，(p,q)为落在中心区Center内的点；取R_R1(x,y;σ_c)、R_G1(x,y;σ_c)、R_B1(x,y;σ_c)作为中心像素点(x,y)新的红、绿、蓝分量；

步骤8：移动中心像素点(x,y)遍历全图后，对图像所有像素点的新的红色分量I_R、绿色分量I_G、蓝色分量I_B、黄色分量I_Y分别求和，兴奋抑制比K加1，在红绿、绿红、蓝黄拮抗通道上分别迭代，重复步骤4至8；

上述迭代中止的条件为：每轮迭代后，分通道检查该通道对应颜色分量和，若其一阶导数和二阶导数均小于预先设定的值时所有通道停止迭代后，以红绿通道输出为红色分量I_R，绿红通道输出为绿色分量I_G，蓝黄通道输出为蓝色分量I_B合成无色偏彩色图像。