CN102073995B - 基于纹理金字塔与正则化局部回归的色彩恒常方法 - Google Patents

Abstract

一种图像处理技术领域的基于纹理金字塔与正则化局部回归的色彩恒常方法，通过基于通用色彩恒常的Minkowski范式，根据不同的参数选择为融合算法构建一个算法候选集合；然后将图像以不同的分辨率分割成重叠的块，然后采用威布尔分布参数来描述每一个块的纹理特征；再对于给定的待测试图像，根据定义的图像相似性准则，从训练数据库中选出K幅与待测图像纹理特征最相似的图像；在融合阶段，根据这K幅参考图像，采用正则化局部回归估计待测图像的光照；最后根据光照估计值，利用Von Kries模型将待测试图像映射到标准白光下，得到校正后的图像。本发明有效地提高了光照估计的准确性，可广泛应用于目标追踪、物体识别及图像检索等。

Description

基于纹理金字塔与正则化局部回归的色彩恒常方法

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种基于纹理金字塔与正则化局部回归的色彩恒常方法。

背景技术

颜色作为视觉信息中最为基础也最为直接的特征之一，被广泛应用于计算机视觉领域中的图像检索、物体识别、人脸识别等。然而同一物体在不同光照下可能会显示出完全不同的颜色，因此颜色也是一种极不稳定的视觉特征。幸运的是，人类视觉系统具有色彩恒常特性，即在外界照射条件变化的时候，仍能得到物体表面的真正的颜色特征(一般指白光下物体表面的颜色)。色彩恒常的目的就是消除光照对图像颜色的影响，得到物体表面与光照无关的颜色特征，为计算机视觉系统提供类似于人类视觉系统的色彩恒常性感知功能。

色彩恒常方法通常可分为两类，一种是颜色不变性描述，另一种是基于图像的光照估计。颜色不变性描述不需要估计出图像的光照，而是直接从图像提取与光照无关的颜色描述子。图像的光照估计一般有两个步骤：首先估计出图像成像时的光照颜色，然后利用Von Kries模型将图像映射到标准白光下。基于图像的光照估计色彩恒常方法不但可以重建图像，还潜在地提取了对光照不变的颜色特征，因而有着广泛的应用。由于图像的光照估计本身是一个病态问题，现有的色彩恒常方法都基于特定的成像假设条件。根据采用的假设条件和前提的异同，现有方法大致分为两类：基于物理特征的算法和基于统计的算法。与基于统计的算法相比，基于物理特征的算法计算量小、实现速度快，它根据图像底层特征进行光照估计，如White-patch算法，灰度世界(Gray-world)算法和一般灰度世界(General gray-world)算法等。但是，目前还没有任何一种色彩恒常算法能够在所有的图像上都获取很好的性能，且不同算法在同一图像上得到的光照估计结果差异很大。

经过对现有技术文献的检索发现，Gijsenij和Gevers于2007年在“IEEE InternationalConference on Computer Vision and Pattern Recognition(IEEE计算机视觉与模式识别国际会议)”上发表的“Color constancy using natural image statistics(基于自然图像统计的色彩恒常)”中提出了一种基于自然图像统计的色彩恒常融合方法。NIS(Natural Image Statistics，自然图像统计)方法基于Gray edge算法框架，选择五种最具代表性的算法作为融合算法的候选集合，然后引入威布尔分布的参数来描述图像的纹理分布特征。利用K均值聚类将威布尔参数刻画的纹理空间划分为五个子空间，再根据待测试图像的纹理特征所处的子空间为其选择或者合并合适的色彩恒常算法进行光照估计。然而，NIS方法直接利用K均值算法对纹理空间进行划分是不合理的。通过实验发现，对不同纹理特征的图像使用单个算法后并没有形成明显的聚类效果。此外，该技术中采用的全局纹理特征不能全面地描述图像的纹理特性，仅使用全局纹理特征作为图像色彩恒常算法的选择依据影响了光照估计的精度。

又经检索发现，李兵等人于2009年在《Color Technology(色彩技术)》上发表的“Colorconstancy based on texture similarity(CCBTS)for natural images(基于纹理相似性的自然图像的色彩恒常)”中采用了全局纹理特征和局部纹理特征相结合的方式来描述图像的纹理特性，同时在融合阶段不再直接对纹理空间采用硬划分，而是根据欧式距离寻找与给定图像纹理最相似的几幅图像作为参考，再为其选择最合适的色彩恒常算法和融合算法。CCBTS方法的光照估计结果尽管优于单个算法，但与流行的融合方法相比仍存在较大的中值角度误差。

发明内容

本发明针对现有技术存在的上述不足，提供一种基于纹理金字塔与正则化局部回归的色彩恒常方法，利用基于威布尔分布的纹理金字塔来提取图像的纹理特征，然后依据一种改进的图像相似性准则为待测试图像在训练库中找到与其纹理最相似的参考图像集。在融合阶段，根据参考图像的信息，采用数据驱动和先验知识相结合的方法来合并现有的单个色彩恒常方法，从而有效地提高了光照估计的准确性，可广泛应用于目标追踪、物体识别及图像检索等。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，基于通用色彩恒常的算法框架，即Minkowski范式，根据不同的参数选择为融合算法构建一个算法候选集合。

所述的Minkowski范式为：

${(\∫{\left|{\▿}^n{\mathrm{\ρ}}_{\mathrm{\σ}}\left(x\right)\right|}^p\mathrm{dx})}^{1/p}={\mathrm{ke}}^{n,p,\mathrm{\σ}}$

其中：

是图像ρ(x)与尺度参数为σ的高斯滤波器的卷积，e为光照的颜色，

为n阶导，p是Minkowski范式参数，k是归一化参数。改变Minkowski范式的n，p，σ这三个参数，就可以产生不同的色彩恒常算法。

第二步，将图像以不同的分辨率分割成重叠的块，然后采用威布尔分布参数来描述每一个块的纹理特征。

所述的威布尔分布是：

其中：x′是高斯导数滤波器的角频率，Γ(·)表示伽玛函数，

μ表示分布的位置，γ是分布的峰值，描述图像的颗粒度，γ越大表示图像纹理的颗粒度越小，θ是分布的宽度，描述图像的局部对比度，θ越大说明纹理的对比度越高。由于μ很容易受到光照分布不均或彩色光源的影响，因此在色彩恒常计算中常被忽略，通常后两个参数γ和θ用来描述图像的纹理特性。

第三步，对于给定的待测试图像，根据定义的图像相似性准则，从训练数据库中选出K幅与待测图像纹理特征最相似的图像。

所述的图像相似性准则：

$S_{\mathrm{image}}(X,Y)=\underset{l\∈[0,L]}{\mathrm{\Σ}}{w}_{\mathrm{patch}}^l\·S_l(X,Y)$

$=\frac{1}{2^L}{S}_0(X,Y)+\underset{l\∈[1,L]}{\mathrm{\Σ}}\frac{1}{2^{L-l+1}}\·S_l(X,Y)$

其中：S_image(X，Y)表示两幅图像X，Y的相似性，

是第l层的权重，分辨率越高的层匹配越精确且权重越大，S_l(X，Y)是这两幅图像第l层的相似性，

其中；

和

分别表示图像X，Y的第l层分辨率上的第i块图像，

和

分别对应着和

的威布尔分布的参数。

第四步，在融合阶段，根据这K幅参考图像，采用正则化局部回归估计待测图像的光照。

所述的融合阶段，包括以下步骤：

1)将图像从RGB色彩空间映射到lαβ正交色彩空间以减小色彩通道间相关性。

所述的lαβ正交色彩空间，l表示亮度通道，α表示会黄-蓝对立色通道，β表示红-绿对立色通道，三个通道相互垂直，几乎没有相关性。因此，可在不同颜色通道间进行不同运算，而不会出现通道交叉的问题。

所述的RGB-lαβ空间变换如下：

a)将RGB空间转换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right],$ $\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{c}\log L\\ \log M\\ \log S\end{array}\right]$

b)将LMS空间转换到lαβ空间：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}1/\sqrt{3}& 0& 0\\ 0& 1/\sqrt{6}& 0\\ 0& 0& 1/2\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right]$

2)结合数据驱动方法和基于先验知识的方法，在lαβ空间采用正则化局部回归来合并候选算法计算光照。

所述的数据驱动方法采用权重矩阵对待测试图像做光照估计：

$\left[\begin{array}{ccc}{\hat{R}}_t& {\hat{C}}_t& {\hat{B}}_t\end{array}\right]=\left[\begin{array}{ccccccc}{\hat{R}}_{t1}& {\hat{C}}_{t1}& {\hat{B}}_{t1}& ...& {\hat{R}}_{t5}& {\hat{C}}_{t5}& {\hat{B}}_{t5}\end{array}\right]\hat{w}$

其中：

是最终的光照估计值，

是候选算法集中第i种单个算法在待测试图像上的光照估计值，

是权重矩阵，通常由光照已知的训练数据库确定，如最小二乘法(LMS，Least Mean Square)。

所述的基于先验知识的方法：

其中：权重

是由先验决定的，且 ${\mathrm{\Σ}}_{i=1}^5{\hat{w}}_i=1.$

所述的正则化的局部回归为：

其闭式解为：

其中：

是用五种单个算法对参考图像集的光照估计矩阵，

是已知的真实光照值矩阵，·j表示矩阵的第j列，λ是正则化参数，

是先验权重，用邻域内最好单个算法比率来计算。

其中：K_i为参考图像集内第i个单个算法表现最好的次数。

3)通过RGB-lαβ空间逆变换，将上一步获得的光照估计结果映射到RGB空间。

第五步，根据光照估计值，利用Von Kries模型将待测试图像映射到标准白光下，得到校正后的图像。

所述的Von Kries模型：

其中：[R_u G_u B_u]^T是校正前图像的RGB值，[R_c G_c B_c]^T在标准白光下校正后图像的RGB值，对角阵

是校正增益。本发明中，

与现有技术相比，本发明的有益效果是以更有效的方式来融合现有的单个色彩恒常方法，有效地提高了光照估计的精度。其中第二步到第四步为本发明的主要创新点，即纹理金字塔匹配与正则化局部回归(TPM-RLR)融合方案。本发明的TPM-RLR通过基于威布尔分布参数的纹理金字塔来提取图像的纹理特征，能够准确地描述自然图像的全局、局部及其细节纹理统计特性，比现有技术CCBTS中采用的特征提取方法有明显进步。与CCBTS中采用的欧式距离法不同，TPM-RLR在寻找与待测试图像纹理最相似的参考图像集时，采用一种改进的图像相似性准则，这种匹配方法能单独估计威布尔分布参数γ、β的重要性，因而能找到更有效的参考图像。在最后的融合阶段，TPM-RLR结合数据驱动的方法和基于先验知识的方法，采用正则化局部回归来为候选算法得到的光照估计结果确定权值。实验结果从客观和主观都证明了TPM-RLR方法是有效的，能够极大提高对自然图像光照估计的准确性。

附图说明

图1为基于纹理金字塔与正则化局部回归的色彩恒常框图。

图2为三层纹理金字塔结构示意图。

图3为SFU数据库上各种色彩恒常方法光照估计结果比较。

图4为MS数据库上各种色彩恒常方法光照估计结果比较。

图5为不同合并案的光照估计结果随参考图像集大小的变化(a)SFU数据库(b)MS数据库。

图6为图像光照校正的实例比较(a)原始图像(b)LMS方法校正结果(c)TPM-RLR方法校正结果。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本方法包括基于威布尔分布的纹理金字塔提取图像的纹理特征，利用图像相似性准则以确定待测试图像的参考图像集，再根据邻域信息，结合数据驱动方法和先验知识的方法，在lαβ色彩空间采用正则化局部回归来合并单个色彩恒常算法，最后通过Von Kries模型得到校正后的图像。

以对待测试图像X估计光照为例。输入为待测试图像X及训练数据库，输出为图像X的光照估计结果。

第一步，基于Minkowski范式，为TPM-RLR融合方案选择现有的色彩恒常方法作为其候选算法集合。Minkowski范式不仅统一了常见的Gray-world算法、White-patch算法和Generalgray-world算法，还包含了更高阶的图像导数结构算法，这为融合方案提供了广泛的算法候选集合。不同的色彩恒常方法适用于具有不同纹理特征的图像，因而从中选择五种最具有代表性的算法：Gray-world算法、White-patch算法、General gray-world算法、一阶灰度边缘(1^st-ordergray edge)算法和二阶灰度边缘(2^nd-order gray edge)算法，即{e^0，1，0，e^0，∞，0，e^0，p，σ，e^1，p，σ，e^2，p，σ}。上述五种算法包含零阶、一阶和二阶的算法，本方法中，色彩恒常融合方案的候选集合为{e^0，1，0，e^0，∞，0，e^0，13，2，e^1，1，6，e^2，1，5}。

第二步，构建基于威布尔分布的纹理金字塔，即将输入的图像以不同的分辨率分割成重叠的块，用威布尔分布参数来描述每一个块的纹理特征。构建纹理金字塔的具体实现如下：

1.纹理金字塔

将输入的图像以不同的分辨率分割成一系列重叠的块，可以同时描述图像的全局、局部及其细节纹理特征。假设有0，1，…，L级分辨率，那么第l级分辨率的图像一共有(2^l+1-1)²个重叠的块，如图2所示。本方法中，L＝2。

2.构建基于威布尔分布的纹理特征向量

威布尔分布能够很好地描述图像的边缘响应，它的两个参数γ，θ则分别刻画了纹理的颗粒度和对比度，因此威布尔分布已被广泛用于描述图像的纹理统计特征。在计算边缘响应时若对图像分别采用x-和y-方向的导数结构时，容易受到图像旋转地影响，因此本方法中，计算威布尔分布的参数时采用具有旋转不变性的梯度幅度值结构。

用威布尔分布的参数来描述纹理金字塔上所有的块，可构建输入图像的纹理特征向量。图像X的纹理特征向量为

其中

表示图像X第l层分辨率上的第i块图像的纹理特征。

第三步，根据图像相似性准则确定待测试图像X的参考图像集合，即从训练数据库中找出K个与图像X最具纹理相似性的图像。

在确定图像X的参考图像集合时，考虑到若以欧式距离来计算特征向量间的距离，无法单独估计金字塔上同一层和不同层上γ，θ参数的权重。因此，在本方法中，采用了一种与Wiccest特征相似准则近似的方法。给定图像X，Y，这两幅图像第l层的相似性为：

$S_l(X,Y)=\frac{1}{{(2^{l+1}-1)}^2}\underset{i=1}{\overset{{(2^{l+1}-1)}^2}{\mathrm{\Σ}}}\sqrt{\frac{\min ({\mathrm{\γ}}_{X_i^l},{\mathrm{\γ}}_{Y_i^l})}{\max ({\mathrm{\γ}}_{X_i^l},{\mathrm{\γ}}_{Y_i^l})}\·\frac{\min ({\mathrm{\θ}}_{X_i^l},{\mathrm{\θ}}_{Y_i^l})}{\max ({\mathrm{\θ}}_{X_i^l},{\mathrm{\θ}}_{Y_i^l})}}$

其中：和

分别表示图像X，Y的第l层分辨率上的第i块图像，

和

对应着

和

的威布尔分布的参数。当两幅图像完全一样时，S_l(X，Y)取最大值1。

所述的图像相似性准则：

$S_{\mathrm{image}}(X,Y)=\underset{l\∈[0,L]}{\mathrm{\Σ}}{w}_{\mathrm{patch}}^l\·S_l(X,Y)$

$=\frac{1}{2^L}{S}_0(X,Y)+\underset{l\∈[1,L]}{\mathrm{\Σ}}\frac{1}{2^{L-l+1}}\·S_l(X,Y)$

其中：S_image(X，Y)表示两幅图像X，Y的相似性，

是第l层的权重，分辨率越高的层匹配越精确，分配的权重越大。本方法中，L＝2。第0层、第1层和第2层对应的权重系数分别为1/4、1/4和1/2。

第四步，根据与图像X相似的K幅参考图像，结合数据驱动方法和先验知识的方法，在lαβ色彩空间采用正则化的局部回归来合并五个候选算法，估计出图像X的光照。具体过程如下：

1.将输入图像通过RGB-lαβ空间变换映射到lαβ正交色彩空间

将图像映射到lαβ正交色彩空间可以最小化自然图像通道间的相关性，因为在lαβ色彩空间中，三个通道相互垂直，几乎没有相关性。因此，可在不同颜色通道间进行不同运算，而不会出现通道交叉问题。本方法中，在lαβ色彩空间中处理数据，易于将数据驱动方法和基于先验知识的方法结合起来。

所述的RGB-lαβ空间变换如下：

a)将RGB空间转换到LMS空间：

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right],$ $\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{c}\log L\\ \log M\\ \log S\end{array}\right]$

b)将LMS空间转换到lαβ空间：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}1/\sqrt{3}& 0& 0\\ 0& 1/\sqrt{6}& 0\\ 0& 0& 1/2\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right]$

2.在lαβ空间采用正则化局部回归合并五个候选算法

一般来说，常见的融合方法可分为两类：数据驱动方法和基于先验知识的方法。这两种方法的本质区别在于对候选算法得到的光照估计结果如何加权。在数据驱动方法中，权值通常由光照已知的训练数据库来确定。在训练数据库上计算出权重矩阵

后，数据驱动方法通过

对图像X做光照估计：

$\left[\begin{array}{ccc}{\hat{R}}_t& {\hat{C}}_t& {\hat{B}}_t\end{array}\right]=\left[\begin{array}{ccccccc}{\hat{R}}_{t1}& {\hat{C}}_{t1}& {\hat{B}}_{t1}& ...& {\hat{R}}_{t5}& {\hat{C}}_{t5}& {\hat{B}}_{t5}\end{array}\right]\hat{w}$

其中：

是对图像X的光照估计值，

是第i种单个算法在图像X的光照估计结果。

基于先验知识的方法中，权值往往是固定的，可以是简单的加权平均或者是由先验知识所决定的。

$\left[\begin{array}{c}{\hat{R}}_t\\ {\hat{G}}_t\\ {\hat{B}}_t\end{array}\right]=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{\hat{w}}_i\left[\begin{array}{c}{\hat{R}}_{\mathrm{ti}}\\ {\hat{G}}_{\mathrm{ti}}\\ {\hat{B}}_{\mathrm{ti}}\end{array}\right]$

其中：

是对第i种单个算法分配的权值，通常是由先验决定的，且

本方法中，采用数据驱动方法与基于先验知识方法相结合的融合方案，以获得最优的加权融合的权值。为了在lαβ空间获得权重矩阵

，本方法采用正则化的局部回归：

上式的闭式解为：

其中：

是用五种候选算法对图像X的K个参考图像的光照估计结果矩阵，

是这K个图像的已知光照矩阵，·j表示矩阵的第j列，λ是正则化参数，

是先验权重矩阵，用K个图像中最好单个算法出现的比率来计算。

其中：K_i为K个图像中第i个单个算法表现最好的次数。

3.通过RGB-lαβ空间逆变换，将上一步获得的光照估计映射到RGB空间，得到图像X的光照估计结果。

第五步，根据图像X的光照估计结果，通过Von Kries模型得到光照校正后的图像。

与现有技术相比，本方法的有益效果是以更有效的方式来融合现有的单个色彩恒常方法，极大地提高了光照估计的精度。其中第二步到第四步为本方法的主要创新点，即纹理金字塔匹配与正则化局部回归(TPM-RLR)融合方案。本方法的TPM-RLR通过基于威布尔分布参数的纹理金字塔来提取图像的纹理特征，能够准确地描述自然图像的全局、局部及其细节纹理统计特性，比现有技术CCBTS中采用的特征提取方法有明显进步。与CCBTS中采用的欧式距离法不同，TPM-RLR在寻找与待测试图像纹理最相似的参考图像集时，采用一种改进的图像相似性准则，这种匹配方法能单独估计威布尔分布参数γ、β的重要性，因而能找到更有效的参考图像。在最后的融合阶段，TPM-RLR结合数据驱动的方法和基于先验知识的方法，采用正则化局部回归来为候选算法得到的光照估计结果确定权值。实验结果从客观和主观都证明了TPM-RLR方法是有效的，能够极大提高对自然图像光照估计的准确性。

利用Simom Fraser大学视觉实验室提供的SFU数据库和微软剑桥研究院提供的MS数据库做实验，两个实验中均选用数据库的三分之一作训练库，其余的三分之二作测试库。通过交叉验证的方法确定TPM-RLR中的参考图像集大小K及参数λ，对光照估计的结果采用中值角度误差来衡量，进而比较本方法的TPM-RLR算法和其他色彩恒常方法在两个数据库下光照估计结果的差异。本发明中，五折交叉验证的结果如下：在SFU数据库中，K＝10，λ＝0.1；在MS数据库中K＝19，λ＝0.1。从实验结果图3和图4可以看出，TPM-RLR算法不仅优于五个单个色彩恒常方法，而且也要优于目前比较流行的一些融合方法。在SFU数据库中，TPM-RLR的中值误差只有3.30，比最好的单个色彩恒常方法降低了32％；在MS数据库中，TPM-RLR的中值误差是4.52，比最好的单个色彩恒常方法降低了31％。图5给出了TPM-RLR方法和CCBTS的性能比较，在两个数据库上的实验中采用不同的合并方案，可看出TPM-RLR算法的纹理金字塔匹配与正则化局部回归方案均优于CCBTS中的匹配方法和融合方法。图6给出了MS数据库中部分图像的光照校正结果。TPM-RLR算法在三幅实验图像上都表现出了不错的校正效果，光照估计的准确性比较稳定。

Claims (9)

1.一种基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征在于，包括以下步骤：

第一步，基于通用色彩恒常的算法框架，即Minkowski范式，根据不同的参数选择为融合算法构建一个算法候选集合；

第二步，将图像以不同的分辨率分割成重叠的块，然后采用威布尔分布参数来描述每一个块的纹理特征；

第三步，对于给定的待测试图像，根据定义的图像相似性准则，从训练数据库中选出K幅与待测图像纹理特征最相似的图像；

第四步，在融合阶段，根据这K幅参考图像，采用正则化局部回归估计待测图像的光照；

第五步，根据光照估计值，利用Von Kries模型将待测试图像映射到标准白光下，得到校正后的图像;

所述的定义的图像相似性准则是指：

$S_{\mathrm{image}}(X,Y)=\underset{l\∈[0,L]}{\mathrm{\Σ}}{w}_{\mathrm{patch}}^l\·S_l(X,Y)=\frac{1}{2^L}{S}_0(X,Y)+\underset{l\∈[1,L]}{\mathrm{\Σ}}\frac{1}{2^{L-l+1}}\·S_l(X,Y),$

其中：S_image(X,Y)表示两幅图像X,Y的相似性，

是第l层的权重，分辨率越高的层匹配越精确且权重越大，S_l(X,Y)是这两幅图像第l层的相似性，

$S_l(X,Y)=\frac{1}{{(2^{l+1}-1)}^2}\underset{i=1}{\overset{{(2^{l+1}-1)}^2}{\mathrm{\Σ}}}\sqrt{\frac{\min ({\mathrm{\γ}}_{X_i^l},{\mathrm{\γ}}_{Y_i^l})}{\max ({\mathrm{\γ}}_{X_i^l},{\mathrm{\γ}}_{Y_i^l})}.\frac{\min ({\mathrm{\θ}}_{X_i^l},{\mathrm{\θ}}_{Y_i^l})}{\max ({\mathrm{\θ}}_{X_i^l},{\mathrm{\θ}}_{Y_i^l})}},$ 其中：和

分别表示图像X,Y的第l层分辨率上的第i块图像，

和

分别对应着和的威布尔分布的参数。

2.根据权利要求1所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的Minkowski范式为：

其中：

是图像ρ(x)与尺度参数为σ的高斯滤波器的卷积，e为光照的颜色，

为n阶导，p是Minkowski范式参数，k是归一化参数。

3.根据权利要求1所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的威布尔分布参数为： $f\left(x^{\′}\right)=\frac{\mathrm{\γ}}{{2\mathrm{\γ}}^{1/\mathrm{\γ}}\mathrm{\θ\Γ}(1/\mathrm{\γ})}\exp \{-\frac{1}{\mathrm{\γ}}{\left(\frac{x^{\′}-\mathrm{\μ}}{\mathrm{\θ}}\right)}^{\mathrm{\γ}}\},$ 其中：x′是高斯导数滤波器的角频率，Γ(·)表示伽玛函数，

μ表示分布的位置，γ是分布的峰值，描述图像的颗粒度，γ越大表示图像纹理的颗粒度越小，θ是分布的宽度，描述图像的局部对比度，θ越大说明纹理的对比度越高。

4.根据权利要求1所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的融合阶段，包括以下步骤：

1）将图像从RGB色彩空间映射到lαβ正交色彩空间以减小色彩通道间相关性；

2）结合数据驱动方法和基于先验知识的方法，在lαβ空间采用正则化局部回归来合并候选算法计算光照；

3）通过RGB-lαβ空间逆变换，将上一步获得的光照估计结果映射到RGB空间。

5.根据权利要求4所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的RGB-lαβ空间变换如下：

a)将RGB空间转换到LMS空间： $\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{ccc}0.3811& 0.5783& 0.0402\\ 0.1967& 0.7244& 0.0782\\ 0.0241& 0.1288& 0.8444\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right],$

$\left[\begin{array}{c}L\\ M\\ S\end{array}\right]=\left[\begin{array}{c}\log L\\ \log M\\ \log S\end{array}\right];$

b)将LMS空间转换到lαβ空间：

$\left[\begin{array}{c}l\\ \mathrm{\α}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{ccc}1/\sqrt{3}& 0& 0\\ 0& 1/\sqrt{6}& 0\\ 0& 0& 1/2\end{array}\right]\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& -2\\ 1& -1& 0\end{array}\right]\left[\begin{array}{c}L\\ M\\ S\end{array}\right].$

6.根据权利要求4所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的数据驱动方法是指：采用权重矩阵

对待测试图像做光照估计，其中： $\left[\begin{array}{ccc}{\hat{R}}_t& {\hat{G}}_t& {\hat{B}}_t\end{array}\right]=\left[\begin{array}{ccccccc}{\hat{R}}_{t1}& {\hat{G}}_{t1}& {\hat{B}}_{t1}& ...& {\hat{R}}_{t5}& {\hat{G}}_{t5}& {\hat{B}}_{t5}\end{array}\right]\hat{w},$ ${\left[\begin{array}{ccc}{\hat{R}}_t& {\hat{G}}_t& {\hat{B}}_t\end{array}\right]}^T$ 是最终的光照估计值， ${\left[\begin{array}{ccc}{\hat{R}}_{\mathrm{ti}}& {\hat{G}}_{\mathrm{ti}}& {\hat{B}}_{\mathrm{ti}}\end{array}\right]}^T$ 是候选算法集中第i种单个算法在待测试图像上的光照估计值，

是权重矩阵，由光照已知的训练数据库确定。

7.根据权利要求4所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的基于先验知识是指： $\left[\begin{array}{c}{\hat{R}}_t\\ {\hat{G}}_t\\ {\hat{B}}_t\end{array}\right]=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{\hat{w}}_i\left[\begin{array}{c}{\hat{R}}_{\mathrm{ti}}\\ {\hat{G}}_{\mathrm{ti}}\\ {\hat{B}}_{\mathrm{ti}}\end{array}\right],$ 其中：权重

是由先验决定的，且 ${\mathrm{\Σ}}_{i=1}^5{\hat{w}}_i=1.$

8.根据权利要求1所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的正则化局部回归估计是指：

其闭式解为：其中：·j表示矩阵的第j列，

是用五种单个算法对参考图像集的光照估计矩阵， $t=\left[\begin{array}{ccc}{l}_{i_1}& {\mathrm{\α}}_{i_1}& {\mathrm{\β}}_{i_1}\\ .& .& .\\ .& .& .\\ .& .& .\\ l_{i_K}& {\mathrm{\α}}_{i_K}& {\mathrm{\β}}_{i_K}\end{array}\right]$ 是已知的真实光照值矩阵，λ是正则化参数，

是先验权重矩阵，其元素

根据每个单个算法表现最好的次数与参考图像集大小之比来确定，

其中：K_i为参考图像集内第i个单个算法表现最好的次数。

9.根据权利要求1所述的基于纹理金字塔与正则化局部回归的色彩恒常方法，其特征是，所述的Von Kries模型： $\left[\begin{array}{c}{R}_c\\ G_c\\ B_c\end{array}\right]=\left[\begin{array}{ccc}{d}_1& 0& 0\\ 0& d_2& 0\\ 0& 0& d_3\end{array}\right]\left[\begin{array}{c}{R}_u\\ G_u\\ B_u\end{array}\right],$ 其中：[R_u G_u B_u]^T是校正前图像的RGB值，[R_c G_c B_c]^T在标准白光 ${\left[\begin{array}{ccc}1/\sqrt{3}& 1/\sqrt{3}& 1/\sqrt{3}\end{array}\right]}^T$ 下校正后图像的RGB值，对角阵 $\left[\begin{array}{ccc}{d}_1& 0& 0\\ 0& d_2& 0\\ 0& 0& d_3\end{array}\right]$ 是校正增益， $\left\{\begin{array}{c}{d}_1=1/\sqrt{3}{\hat{R}}_t\\ d_2=1/\sqrt{3}{\hat{G}}_t\\ d_3=1/\sqrt{3}{\hat{B}}_t\end{array}\right..$

Images