CN101047867A - 一种多视点视频颜色校正方法 - Google Patents

Abstract

本发明公开了一种多视点视频的颜色校正方法，包括：通过计算目标图像和源图像直方图，利用动态规划算法求取最小成本路径，从而建立源图像和目标图像间的颜色映射关系，并通过在水平和垂直方向增加补偿因子来保证路径的平滑，最后通过视频跟踪技术实现对多视点视频颜色校正，本发明在保证多视点视频颜色校正精确性的前提下，大大提高了颜色映射的精度，降低了多视点视频颜色校正的计算复杂度，避免了在颜色映射过程中区域边界出现色彩不连续的情况，消除了边缘失真，提高了多视点视频颜色校正的速度和精度。

Description

一种多视点视频颜色校正方法

技术领域

本发明涉及一种多视点视频图像的处理方法，尤其是涉及一种多视点视频颜色校正方法。

背景技术

在真实世界中，观察者所看到的视觉内容取决于观察者相对于被观察对象的位置，观察者可以自由地选择各个不同的角度去观察和分析事物。在传统的视频系统中，真实的场景相对于一个视点的画面是由摄像师或导演选择决定的，用户只能被动地观看摄像机在单一视点上所摄制的视频图像序列，而不能自由选择其它视点来观察真实场景。这些单方向上的视频序列只能反映真实世界场景的一个侧面。自由视点视频系统可以使用户自由地选择视点去观看真实世界场景中的一定范围内的任意侧面，被国际标准组织MPEG(Moving Picture Experts Group：运动图像专家组)称为下一代视频系统的发展方向。

多视点视频图像技术是自由视点视频技术中的一个核心环节，它能提供所拍摄场景的不同角度的视频图像信息。图1为多视点平行相机系统成像示意图，其中n个相机(或摄像机)被平行地放置以拍摄多视点视频图像。利用多视点视频信号中多个视点的信息可以合成用户所选择的任意视点的图像信息，达到自由切换任意视点图像的目的。但是由于在采集过程中各视点的场景光照、相机标定、CCD噪声、快门速度和曝光等要素不一致，会导致不同位置采集的图像之间的颜色差别很大，给后续的多视点视频三维显示、视频编码和虚拟视点绘制带来了极大的困难。因此必须对多视点视频进行颜色校正处理，将同一对象的不同视点图像的颜色外表归正到同一颜色，然后进行分析和比较，才能保证分析结果的可靠性。

多视点视频信号中各视点图像内容是对同一对象在不同位置上的描述，即各视点图像间具有很高的内容相似性。全局统计信息、颜色区域、颜色直方图等都可以作为视点间进行颜色传递的载体，通过颜色传递，将一个视点的颜色特征施加于另一个视点上，从而达到校正的目的。图2所示为一个典型的颜色校正系统的示意图，需校正的源图像中的颜色区域通过在参考视点图像上进行搜索，得到最佳匹配的颜色区域，将此区域的颜色特征施加于当前区域，就得到校正后的图像。因此，颜色校正的重点就是颜色搜索的过程，搜索的精度和速度决定了校正操作的效率。

颜色校正是多视点视频信号处理中的关键技术之一，通常作为预处理或后处理的操作。区域匹配是通常采用的校正手段，通过将目标图像和源图像进行聚类分割，在最相似的区域间建立颜色映射关系，并以此映射关系对源图像进行校正。直方图是描述图像颜色特性的一种重要方法，与区域匹配需要繁琐的分割操作相比，直方图操作十分便利。以直方图匹配为例，通过计算目标图像和源图像的累计直方图，只要满足源图像和目标图像具有相同的直方图分布，就可以将目标图像的直方图域映射到源图像。

但对于从灰度级0到灰度级N的映射曲线，简单的直方图匹配，并不能使校正图像与参考图像的全局直方图为差距最小的映射，且其存在映射精度不高，颜色校正速度慢，计算复杂等问题。

发明内容

本发明所要解决的技术问题是提供一种多视点视频颜色校正方法，在保证多视点视频颜色校正精确性的同时，降低了颜色校正的计算复杂度。

本发明解决上述技术问题所采用的技术方案为：一种多视点视频颜色校正方法，它包括以下步骤：

(1)将同一时刻由多视点相机系统拍摄的多视点图像中的一个视点图像定义为目标图像，记为T，而将其它视点图像定义为源图像，记为S，将目标图像和源图像数据从RGB颜色空间转化为HSI颜色空间，3个颜色分量分别为色调H，饱和度S和强度I；

(2)分别计算目标图像的色调直方图^(T)h^H和源图像的色调直方图^(S)h^H，再计算色调直方图的互相关矩阵C^H，

$C^H=h_H^{\left(T\right)}\⊗h_H^{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(3)通过动态规划算法得到步骤(2)中互相关矩阵C^H中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调的映射关系为f(H)＝H′，表示校正时将源图像中色调为H的像素的色调校正为H′色调；

(4)在色调映射关系的基础上，对目标图像和源图像的饱和度分量进行连续采样，为目标图像中色调为H′的像素建立饱和度分量的直方图^(T)h_H′ ^S，为源图像中色调为H的像素建立饱和度分量的直方图^(S)h_H ^S，再计算饱和度直方图的互相关矩阵C^S，

$C^S=h_{H^{\′}}^S_{\left(T\right)}\⊗h_H^S_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(5)通过动态规划算法得到步骤(4)中互相关矩阵C^S中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调，饱和度的映射关系为f(H，S)＝(H′，S′)；

(6)在色调，饱和度映射关系的基础上，对目标图像和源图像的强度分量进行连续采样，建立目标图像的强度分量直方图^(T)h_H′，S′ ^I和源图像的强度分量直方图^(S)h_H，S ^I，再计算强度直方图的互相关矩阵C^I，

$C^I=h_{H^{\′},S^{\′}}^I_{\left(T\right)}\⊗h_{H,S}^I_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(7)通过动态规划算法得到步骤(6)中互相关矩阵C^I中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调，饱和度和强度的映射关系为f(H，S，I)＝(H′，S′，I′)；

(8)以从源图像到目标图像色调，饱和度和强度的映射关系对源图像进行颜色校正，并转化到RGB颜色空间；

(9)对多视点视频进行视频跟踪操作，通过视频前后相邻帧的相似性判断实现视频颜色校正。

在所述的最小成本路径计算过程中，在水平和垂直边缘上增加补偿因子δ，δ＝α·c_max，其中c_max为互相关矩阵中的最大值， $\mathrm{\α}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,i}}{\max \{(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{1,i}+c_{i,M}),(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,1}+c_{M,i})\}},$ 即当前节点v_mn由经v_m-1，n、v_m，n-1或v_m-1，n-1节点到达的3条可能路径的成本分别为Ω(v_m-1，n)+e(v_m，n，v_m-1，n)+δ、Ω(v_m，n-1)+e(v_m，n，v_m，n-1)+δ和Ω(v_m-1，n-1)+e(v_m，n，v_m-1，n-1)，这里e(v_m，n，v_m-1，n)表示节点v_m-1，n与节点v_m，n之间的距离，Ω(v_m，n)为由起点c₁₁到达节点v_mn的最小成本，其值为上述3条路径成本的最小值。

所述的视频前后相邻帧的相似性判断方法为：定义相邻帧的相似性 $\mathrm{Sim}(h_t^H,h_{t+1}^H)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(1-\frac{\left|h_t^H\right[i]-h_{t+1}^H[i\left]\right|}{\max \left(h_t^H\right[i],h_{t+1}^H[i\left]\right)}),$ 其中h_t ^H为时刻t的图像的色调直方图，若时刻t和时刻t+1相邻帧的相似性小于规定的阈值，就采用权利要求1中的步骤(1)～(8)更新当前时刻多视点视频的颜色映射关系，否则沿用前一时刻的颜色映射关系对多视点视频进行颜色校正。

与现有技术相比，本发明所提供的一种多视点视频颜色校正方法的优点在于：

1)通过对三维空间进行连续采样，定义了三维空间的直方图，对直方图进行动态规划算法操作求取最小成本路径，建立源图像和目标图像之间的颜色映射关系，进而对多视点视频进行视频跟踪操作，简单方便地实现多视点视频颜色的校正，校正后的图像其颜色外表与目标图像非常相近；

2)基于互相关矩阵，通过动态规划算法求取直方图的最小成本路径，大大提高了映射的精度；

3)通过动态规划算法得到的色调映射曲线连续且平滑，避免了在颜色映射过程中区域边界出现色彩不连续的情况，有效地消除了边缘失真；

4)通过视频跟踪技术对视频数据进行校正，大大降低了多视点视频颜色校正的计算复杂度；

5)与对每个通道分别求取一维直方图，或根据三维的颜色分布信息求取三维的直方图的传统直方图构造方法相比，本发明定义的彩色图像3通道的直方图，在保持3通道间相关性的同时，维持了一维直方图操作的方便性，提高了多视点视频颜色校正的速度和精度。

附图说明

图1为多视点平行相机系统成像示意图；

图2为本发明颜色校正过程示意图；

图3为最小成本路径定义示意图；

图4为节点间关系示意图；

图5a为“golf2”多视点测试集的目标图像；

图5b为“golf2”多视点测试集的源图像；

图5c为“golf2”多视点测试集的校正图像；

图6a为“objects3”多视点测试集的目标图像；

图6b为“objects3”多视点测试集的源图像；

图6c为“objects3”多视点测试集的校正图像；

图7a为“Jungle”多视点测试集的目标图像；

图7b为“Jungle”多视点测试集的源图像；

图7c为“Jungle”多视点测试集的校正图像；

图8a为“Uli”多视点测试集的目标图像；

图8b为“Uli”多视点测试集的源图像；

图8c为“Uli”多视点测试集的校正图像；

图9为经过本发明的视频跟踪校正后的图像；

图10为“golf2”色调映射曲线图；

图11为“objects3”色调映射曲线图；

图12为“Jungle”色调映射曲线图；

图13为“Uli”色调映射曲线图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

下面首先描述本发明所定义的最小成本路径的概念和基于动态规划技术求取最小成本路径的问题。

最小成本路径的描述如图3所示：假设两幅图像的1D直方图分别为h₁＝{h₁[0]，h₁[1]，...，h₁[M]}和h₂＝{h₂[0]，h₂[1]，...，h₂[N]}，定义互相关矩阵C为：

$C_{M\×N}=h_1\⊗h_2=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right]$

其中M和N为直方图节点的数目，M＝N，c_mn表示对应的直方图节点间的距离，通常以绝对差作为距离的准则，c_mn＝|h₁[m]-h₂[n]|。

从节点c₁₁到c_MN存在多条路径，从节点c₁₁到c_MN对角路径的总成本可表示为 $\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{c}_{\mathrm{mm}}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\left|h_1\right[m]-h_2[m\left]\right|,$ 假定I为路径经过的总节点数， $\sqrt{M^2+N^2}\≤I\≤M+N,$ {(m₀，n₀)，...，(m_i，n_i)，...，(m_I，n_I)}为路径的标号，则最小成本路径的概念就是使成本

最小的路径。

采用Dijkstra动态规划算法求取最小成本路径，假定v为节点，e为节点间的距离，路径p(v₀，v_S)＝{v₀，...，v_S}的成本就是所有连接的节点间距离之和，表示为 $\mathrm{\Ω}\left(p(v_0,v_S)\right)=\underset{s=0}{\overset{S-1}{\mathrm{\Σ}}}e(v_s,v_{s+1}),$ 为避免路径节点的重叠和路径的循环，假定节点v_mn有3个方向性边缘，分别指向v_m+1，n，v_m，n+1和v_m+1，n+1，也就是说，当前节点v_mn存在从v_m-1，n，v_m，n-1和v_m-1，n-1分别指向的3条可能路径，如图4所示。假定已知从v₁₁到v_m-1，n，v_m，n-1和v_m-1，n-1的最小成本路径，那么当前节点v_mn的最小成本可以表示为：

Ω(v_m，n)＝min{Ω(v_i，j)+e(v_m，n，v_i，j)|v_i，j∈{v_m-1，n，v_m，n-1，v_m-1，n-1}}。

记录最小成本Ω(v_M，N)所经过的所有节点，从而确立图像间像素的映射关系f(n_i)＝m_i。

然而，在寻找路径过程中，在水平或垂直方向会发生路径积聚和散射的情况，使路径并不严格按对角线位置进行移动，为了减少这些路径的对校正的影响，在水平和垂直边缘上增加补偿因子δ，δ＝α·c_max，其中c_max为互相关矩阵中的最大值， $\mathrm{\α}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,i}}{\max \{(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{1,i}+c_{i,M}),(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,1}+c_{M,i})\}},$ 即如图4所示，当前节点v_mn由经v_m-1，n、v_m，n-1或v_m-1，n-1节点到达的3条可能路径的成本分别为Ω(v_m-1，n)+e(v_m，n，v_m-1，n)+δ、Ω(v_m，n-1)+e(v_m，n，v_m，n-1)+δ和Ω(v_m-1，n-1)+e(v_m，n，v_m-1，n-1)，而Ω(v_m，n)为三者中的最小值。

在上述最小成本路径和基于动态规划算法求取最小成本路径的基础上，本发明的多视点视频颜色校正方法步骤如下：

首先将同一时刻由多视点相机系统拍摄的多视点图像中的一个视点图像作为目标图像，其它视点图像作为源图像，并将图像数据从RGB颜色空间转化到HSI颜色空间，分别用色调H，饱和度S和强度I分量来表示。RGB到HSI的变换表示为

$H=\arccos \left\{\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\},$ $S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right],$

$I=\frac{1}{3}(R+G+B),$ H的动态范围为[0，359]，S的动态范围为[0，1]，I的动态范围为[0，255]。

计算目标图像的色调直方图^(T)h^H＝{^(T)h^H[0]，^(T)h^H[1]，…，^(T)h^H[M^H]}和源图像的色调直方图^(S)h^H＝{^(S)h^H[0]，^(S)h^H[1]，…，^(S)h^H[N^H]}，其中M^H和N^H分别为目标图像和源图像的色调直方图节点数，取M^H＝N^H＝360，然后通过动态规划算法求取直方图的互相关矩阵C^H中从起点c₁₁到终点c_MN的最小成本路径，建立起从源图像到目标图像的色调映射关系，表示为f(H)＝H′。其中，互相关矩阵 $C^H=h_H^{\left(T\right)}\⊗h_H^{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right],$ c_mn表示对应的直方图节点间的距离，以绝对差作为距离的准则，c_mn＝|^(T)h^H[m]-^(S)h^H[n]|。

在色调映射关系的基础上，对目标图像和源图像的饱和度分量进行连续采样，定义源图像的饱和度分量直方图为 $h_H^S{}_{\left(S\right)}=\left\{h_H^S{}_{\left(S\right)}\right[0],h_H^S{}_{\left(S\right)}[1],\·\·\·,h_H^S{}_{\left(S\right)}[N^S\left]\right\},$ 表示色调为H的饱和度分布概率，定义目标图像的饱和度分量直方图为 $h_{H^{\′}}^S_{\left(T\right)}=\left\{h_{h^{\′}}^S_{\left(T\right)}\right[0],h_{H^{\′}}^S_{\left(T\right)}[1],\·\·\·,h_{H^{\′}}^S_{\left(T\right)}[M^S\left]\right\},$ 表示色调为H′＝f(H)的饱和度分布概率，其中M^S和N^S分别为目标图像和源图像的饱和度直方图节点数，取M^S＝N^S＝101，通过动态规划算法求取直方图的互相关矩阵C^S从起点c₁₁到终点c_MN的最小成本路径，建立起从源图像到目标图像的色调，饱和度映射关系，表示为f(H，S)＝(H′，S′)。其中，互相关矩阵 $C^S=h_{H^{\′}}^S_{\left(T\right)}\⊗h_H^S_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right],$

在色调和饱和度映射关系的基础上，对目标图像和源图像的强度分量进行连续采样，定义源图像的强度直方图为 $h_{H,S}^I{}_{\left(S\right)}=\left\{h_{H,S}^I{}_{\left(S\right)}\right[0],h_{H,S}^I{}_{\left(S\right)}[1],\·\·\·,h_{H,S}^I{}_{\left(S\right)}[N^I\left]\right\},$ 表示色调为H并且饱和度为S的强度分布概率，目标图像的强度直方图为 $h_{H^{\′},S^{\′}}^I_{\left(T\right)}=\left\{h_{H^{\′},S^{\′}}^I_{\left(T\right)}\right[0],h_{H^{\′},S^{\′}}^I_{\left(T\right)}[1],\·\·\·,h_{H^{\′},S^{\′}}^I_{\left(T\right)}[M^I\left]\right\},$ 表示色调为H′＝f(H)并且饱和度为S′＝f(S)的强度分布概率，其中M^I和N^I分别为目标图像和源图像的强度直方图节点数，取M^I＝N^I＝256，通过动态规划算法求取直方图的互相关矩阵C^I中从起点c₁₁到终点c_MN的最小成本路径，建立其从源图像到目标图像的色调，饱和度和强度的映射关系，表示为f(H，S，I)＝(H′，S′，I′)。其中，互相关矩阵 $C^I=h_{H^{\′},S^{\′}}^I_{\left(T\right)}\⊗h_{H,S}^I_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right],$

经过上述步骤确定源图像和目标图像的颜色映射关系，对源图像进行校正。由于视频在时域方向存在着极强的相关性，对多视点视频进行视频跟踪操作，即根据视频前后相邻帧的相似性判断，采用确定的颜色映射关系对后续的帧进行相同的校正。相邻帧的相似性定义为：

$\mathrm{Sim}(h_t^H,h_{t+1}^H)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(1-\frac{\left|h_t^H\right[i]-h_{t+1}^H[i\left]\right|}{\max \left(h_t^H\right[i],h_{t+1}^H[i\left]\right)})$

其中h_t ^H为时刻t的图像的色调直方图，如果时刻t和时刻t+1相邻帧的相似性小于一定的阈值T，就重新计算并更新颜色映射关系。在该实施例中，阈值T是通过对由KDDI公司提供的‘golf2’，‘object3’多视点视频测试集的620帧视频以及HHI研究所提供的‘Jungle’，‘Uli’多视点视频测试集的100帧视频进行统计，结果显示每帧的相似度的值基本在0.6以上，因此选取阈值T＝0.6。

从理论上来说目标图像色调、饱和度、强度直方图节点数M^H、M^S、M^I和源图像色调、饱和度、强度直方图节点数N^H、N^S、N^I越大效果越好，但由于节点数的增加会导致计算复杂度的增加，因此，选取节点数的值时应综合考虑图像校正效果与计算复杂度。

以下就本发明进行多视点视频颜色校正的主观及客观性能进行比较。

对由KDDI公司提供的‘golf2’，‘object3’和HHI研究所提供的‘Jungle’，‘Uli’四组多视点视频测试集采用本发明的多视点视频颜色校正方法进行校正。图5a、图6a为‘golf2’，‘objects3’的目标图像，图5b、图6b为‘golf2’，‘objects3’的源图像，目标图像和源图像尺寸均为320×240；图7a、图8a为‘Jungle’，‘Uli’的目标图像，图7b、图8b为‘Jungle’，‘Uli’的源图像，目标图像和源图像大小均为1024×768。从图中可以看出，目标图像与源图像的颜色外表明显不一致，对其进行颜色校正就显得十分必要。采用本发明进行颜色校正后的图像如图5c、图6c、图7c和图8c所示，从图像的主观视觉效果可以看出，采用本发明校正后的图像其颜色外表与目标图像非常相近。

采用本发明的视频跟踪技术对时域上的后续视频图像进行校正，如图9所示，从图中可以看出，与图5b、图6b、图7b和图8b源图像相比，视频内容已发生了明显的变化，经过跟踪校正后的图像其颜色外表却与目标图像十分相近，说明本发明的视频跟踪技术是有效的。

采用本发明方法校正后的图像与目标图像的绝对均方误差和欧拉距离，与未经过校正的源图像与目标图像的绝对均方误差和欧拉距离进行比较，如表1所示，从表中可以看出，采用本发明的颜色校正方法，绝对均方误差和欧拉距离都有了明显的下降，说明采用本发明校正后图像与目标图像的相似性更强。

采用本发明的视频跟踪技术对视频图像进行校正，与不采用视频跟踪技术即对每帧图像分别进行颜色校正的方法相比，计算复杂度明显降低，其节省的时间如表2所示，说明本发明的视频跟踪技术是有效的。

本发明通过动态规划算法得到的色调映射曲线如图10、图11、图12和图13所示，从图中可以看出映射曲线比较连续和平滑，避免了在颜色映射过程中区域边界出现色彩不连续的情况，消除了边缘失真。

表1校正/未校正源图像与目标图像的绝对均方误差和欧拉距离比较

表2视频跟踪/未视频跟踪技术的计算复杂度比较

Claims (3)

1.一种多视点视频颜色校正方法，其特征在于：它包括以下步骤：

(1)将同一时刻由多视点相机系统拍摄的多视点图像中的一个视点图像定义为目标图像，记为T，而将其它视点图像定义为源图像，记为S，将目标图像和源图像数据从RGB颜色空间转化为HSI颜色空间，3个颜色分量分别为色调H，饱和度S和强度I；

(2)分别计算目标图像的色调直方图^(T)h^H和源图像的色调直方图^(S)h^H，再计算色调直方图的互相关矩阵C^H，

$C^H=h_H^{\left(T\right)}\⊗h_H^{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(3)通过动态规划算法得到步骤(2)中互相关矩阵C^H中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调的映射关系为f(H)＝H′；

(4)在色调映射关系的基础上，对目标图像和源图像的饱和度分量进行连续采样，为目标图像中色调为H′的像素建立饱和度分量的直方图^(T)h_H′ ^S，为源图像中色调为H的像素建立饱和度分量的直方图^(S)h_H ^S，再计算饱和度直方图的互相关矩阵C^S，

$C^S=h_{H^{\′}}^S{}_{\left(T\right)}\⊗h_H^S{}_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(5)通过动态规划算法得到步骤(4)中互相关矩阵C^S中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调，饱和度的映射关系为f(H，S)＝(H′，S′)；

(6)在色调，饱和度映射关系的基础上，对目标图像和源图像的强度分量进行连续采样，建立目标图像的强度分量直方图^(T)h_H′，S′ ^I和源图像的强度分量直方图^(S)h_H，S ^I，再计算强度直方图的互相关矩阵C^I，

$C^I=h_{H^{\′},S^{\′}}^I{}_{\left(T\right)}\⊗h_{H,S}^I{}_{\left(S\right)}=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1N}\\ c_{21}& c_{22}& \·\·\·& c_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M1}& c_{M2}& \·\·\·& c_{\mathrm{MN}}\end{array}\right];$

(7)通过动态规划算法得到步骤(6)中互相关矩阵C^I中从起点c₁₁到终点c_MN的最小成本路径，建立从源图像到目标图像色调，饱和度和强度的映射关系为f(H，S，I)＝(H′，S′，I′)；

(8)以从源图像到目标图像色调，饱和度和强度的映射关系对源图像进行颜色校正，并转化到RGB颜色空间；

(9)对多视点视频进行视频跟踪操作，通过视频前后相邻帧的相似性判断实现视频颜色校正。

2.如权利要求1所述的一种多视点视频颜色校正方法，其特征在于：在所述的最小成本路径计算过程中，在水平和垂直边缘上增加补偿因子δ，δ＝α·c_max，其中c_max为互相关矩阵中的最大值， $\mathrm{\α}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,i}}{\max \{(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{1,i}+c_{i,M}),(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_{i,1}+c_{M,i})\}},$ 即当前节点v_mn由经v_m-1，n、v_m，n-1或v_m-1，n-1节点到达的3条可能路径的成本分别为Ω(v_m-1，n)+e(v_m，n，v_m-1，n)+δ、Ω(v_m，n-1)+e(v_m，n，v_m，n-1)+δ和Ω(v_m-1，n-1)+e(v_m，n，v_m-1，n-1)，这里e(v_m，n，v_m-1，n)表示节点v_m-1，n与节点v_m，n之间的距离，Ω(v_m，n)为由起点c₁₁到达节点v_mn的最小成本，其值为上述3条路径成本的最小值。

3.如权利要求1所述的一种多视点视频颜色校正方法，其特征在于：所述的视频前后相邻帧的相似性判断方法为：定义相邻帧的相似性 $\mathrm{Sim}(h_t^H,h_{t+1}^H)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(1-\frac{\left|h_t^H\right[i]-h_{t+1}^H[i]}{\max \left(h_t^H\right[i],h_{t+1}^H[i\left]\right)}),$ 其中h_t ^H为时刻t的图像的色调直方图，若时刻t和时刻t+1相邻帧的相似性小于规定的阈值，则执行权利要求1中的步骤(1)～(8)更新当前时刻多视点视频的颜色映射关系，否则沿用前一时刻的颜色映射关系对多视点视频进行颜色校正。

Images