CN112308791B - 一种基于灰像素统计的颜色恒常性方法 - Google Patents

一种基于灰像素统计的颜色恒常性方法 Download PDF

Info

Publication number
CN112308791B
CN112308791B CN202011084723.6A CN202011084723A CN112308791B CN 112308791 B CN112308791 B CN 112308791B CN 202011084723 A CN202011084723 A CN 202011084723A CN 112308791 B CN112308791 B CN 112308791B
Authority
CN
China
Prior art keywords
image
super
pixel
corrected
layer image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011084723.6A
Other languages
English (en)
Other versions
CN112308791A (zh
Inventor
王颖
王勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011084723.6A priority Critical patent/CN112308791B/zh
Publication of CN112308791A publication Critical patent/CN112308791A/zh
Application granted granted Critical
Publication of CN112308791B publication Critical patent/CN112308791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)

Abstract

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。

Description

一种基于灰像素统计的颜色恒常性方法
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***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***具备人类视觉***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Ib，再将待修正图像和基础层图像I取自然对数相减获得细节层图像:
其中为对数域细节层图像；ξ＝1，为偏置值。
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:
其中表示目标位置与相邻位置的值的差分。
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+e500-150t))α，其中α为尺度标量。对待修正图像进行参数自适应的超像素分割。
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THL和THH，选择方差满足大于THL且小于THH的超像素。
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记为该超像素RGB三通道的离散程度，其中Is为超像素中的像素。通过计算RGB三通道的离散程度的一致程度，作为超像素是否为中性灰的指标InG，离散程度越一致，表示越接近中性灰。
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其中/>为对数域图像细节层；ξ＝1，为偏置值。
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+e500-150t))α，其中α＝15，参数曲线如图2所示。根据超像素分割参数β，对待修正图像进行参数自适应超像素分割。
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THL和THH，选择方差满足大于THL且小于THH的超像素,这里THL默认为0.001，THH默认为0.01。
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记为该超像素R、G、B每个通道的离散程度，其中Is为超像素中的像素。通过标准差函数计算RGB三通道的离散程度的一致程度，即接近中性灰的指标
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。

Claims (5)

1.一种基于灰像素统计的颜色恒常性方法，其特征在于包括以下步骤：
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；
所述步骤(2)中，对待修正图像I进行低通滤波处理获得基础层图像Ib，再将待修正图像I和基础层图像Ib取自然对数相减获得细节层图像:
其中为对数域细节层图像；ξ＝1，为偏置值；
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:
其中表示目标位置与相邻位置的值的差分；
计算色度梯度t具体还包括：
其中，i,j为空间坐标，M为像素个数。
2.根据权利要求1所述的一种基于灰像素统计的颜色恒常性方法，其特征在于所述步骤(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+e500-150t))α，其中α为尺度标量；对待修正图像进行参数自适应的超像素分割。
3.根据权利要求2所述的一种基于灰像素统计的颜色恒常性方法，其特征在于所述步骤(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THL和THH，选择方差满足大于THL且小于THH的超像素。
4.根据权利要求3所述的一种基于灰像素统计的颜色恒常性方法，其特征在于所述步骤(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记为该超像素RGB三通道的离散程度，其中Is为超像素中的像素；通过标准差函数计算RGB三通道的离散程度的一致程度，即接近中性灰的指标
5.根据权利要求4所述的一种基于灰像素统计的颜色恒常性方法，其特征在于所述步骤(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。
CN202011084723.6A 2020-10-12 2020-10-12 一种基于灰像素统计的颜色恒常性方法 Active CN112308791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084723.6A CN112308791B (zh) 2020-10-12 2020-10-12 一种基于灰像素统计的颜色恒常性方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084723.6A CN112308791B (zh) 2020-10-12 2020-10-12 一种基于灰像素统计的颜色恒常性方法

Publications (2)

Publication Number Publication Date
CN112308791A CN112308791A (zh) 2021-02-02
CN112308791B true CN112308791B (zh) 2024-02-27

Family

ID=74489805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084723.6A Active CN112308791B (zh) 2020-10-12 2020-10-12 一种基于灰像素统计的颜色恒常性方法

Country Status (1)

Country Link
CN (1) CN112308791B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537852A (zh) * 2018-04-17 2018-09-14 四川大学 一种基于图像局部对比度的自适应颜色恒常性方法
CN108564528A (zh) * 2018-04-17 2018-09-21 福州大学 一种基于显著性检测的肖像照片自动背景虚化方法
CN110517270A (zh) * 2019-07-16 2019-11-29 北京工业大学 一种基于超像素深度网络的室内场景语义分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510536B (zh) * 2017-02-28 2021-09-21 富士通株式会社 多视点图像的深度估计方法和深度估计设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537852A (zh) * 2018-04-17 2018-09-14 四川大学 一种基于图像局部对比度的自适应颜色恒常性方法
CN108564528A (zh) * 2018-04-17 2018-09-21 福州大学 一种基于显著性检测的肖像照片自动背景虚化方法
CN110517270A (zh) * 2019-07-16 2019-11-29 北京工业大学 一种基于超像素深度网络的室内场景语义分割方法

Also Published As

Publication number Publication date
CN112308791A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN110689587B (zh) 一种基于颜色校正和细节增强的水下图像增强方法
CN108596849B (zh) 一种基于天空区域分割的单幅图像去雾方法
Emberton et al. Underwater image and video dehazing with pure haze region segmentation
CN106845455B (zh) 基于肤色检测的图像处理方法、***及服务器
CN110782407B (zh) 一种基于天空区域概率分割的单幅图像去雾方法
CN108961299B (zh) 一种前景图像获得方法及装置
CN110298796B (zh) 基于改进Retinex与对数图像处理的低照度图像增强方法
CN108133462B (zh) 一种基于梯度场区域分割的单幅图像的复原方法
CN109272475B (zh) 一种快速有效修复与强化水下图像颜色的方法
CN115578297A (zh) 一种自适应色彩补偿与细节优化的广义衰减图像增强方法
CN111598886B (zh) 一种基于单幅图像的像素级透过率估计方法
CN116681606A (zh) 一种水下不均匀光照图像增强方法、***、设备及介质
CN116188339A (zh) 一种基于Retinex及图像融合的暗视觉图像增强方法
CN115100240A (zh) 视频中的物体追踪方法及装置、电子设备、存储介质
CN109345479B (zh) 一种视频监控数据的实时预处理方法及存储介质
GB2522663A (en) A method of selecting a region of interest
CN107644403B (zh) 恶劣环境条件下图像的非一致颜色校正方法
Lal et al. Automatic method for contrast enhancement of natural color images
CN112308791B (zh) 一种基于灰像素统计的颜色恒常性方法
CN110136085B (zh) 一种图像的降噪方法及装置
CN116758447A (zh) 一种基于数字孪生的变电站设备故障分析***
CN113284058B (zh) 一种基于迁移理论的水下图像增强方法
CN115619662A (zh) 一种基于暗通道先验的图像去雾方法
CN116263942A (zh) 一种调整图像对比度的方法、存储介质及计算机程序产品
CN115034985A (zh) 一种水下图像增强方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant