CN102306384A - 一种基于单幅图像的颜色恒常性处理方法 - Google Patents

Abstract

本发明公开了一种基于单幅图像的颜色恒常性处理方法，1.运用中值滤波对图像进行初步处理，消除掉突变像素点，从而减轻MeanShift算法运算时的压力；2.运用MeanShift算法对获得的二维数字图像I进行平滑，处理得到I_M；3.将I_M图像进行分解，获得I图像三个色层的光照估计灰度图I_Rl，I_Gl，I_Bl；4.运用步骤3获得的RGB三色层光照估计图，计算出三色层灰度图的反射分量I_Rr，I_Gr，I_Br；5.将I_Rr，I_Gr，I_Br三色层反射分量进行合并，获得图像I_r；6.对I_r图像进行“去雾”处理，获得图像I_rf；本发明不仅提高了算法的运算速度，而且加强了滤波后图像的分块效果。系统最后运用了灰色世界理论处理方法，使得系统更好地恢复出了图像的本质色彩。

Description

一种基于单幅图像的颜色恒常性处理方法

技术领域

本发明涉及计算机视觉图像处理技术领域，尤其涉及一种基于单幅图像的颜色恒常性处理方法。

背景技术

在计算机视觉领域，常常需要从已得的二维数字图像中获取视觉处理相关信息，从而做出相应的判断处理。其中，基于图像中物体色彩进行处理的计算机视觉的算法在该领域应用得尤为广泛，如手势识别领域的肤色提取算法，就对图像中物体本质色彩的保持有着较高的要求。然而由于所摄物体往往处于较为复杂的光照环境，加上图像传感器本身带来的失真，常常会导致计算机通过传感器获取的二维数字图像的色彩相比物体本质色彩有较大的改变，造成了此类算法通过图像色彩进行行为判定时稳定性的下降。因此，在计算机视觉领域，人们常常需要对获取的二维数字图像进行预处理，恢复图像的本质色彩，提高后端处理算法的稳定性。

颜色恒常性是这一预处理领域运用得较为广泛的理论，其基本定义是，当照射在物体表面的光照强度或光照色彩发生变化时，人们对该物体表面颜色的直觉仍然保持不变，物体本身的颜色不是由入射光决定的，而是由物体本身的反射属性决定的。

自1977年Edwin Land首次提出RetinexTheory以来，颜色恒常性算法已经发展了Retinex算法、灰色世界算法、色谱映射算法、颜色相关性算法、Bayesian决策算法、神经网络颜色恒常性算法、基于参考色颜色恒常性算法等经典算法。Retinex算法的核心思想是基于颜色恒常性理论的定义进行设计的，该理论将一幅图像分为光照分量及反射分量，图像的光照部分往往属于图像的低频部分，而反射分量则包含了图像的本质颜色信息，为获取图像的本质色彩，需对图像的光照分量进行估计，随后计算出图像的反射分量，从而估计出图像的本质色彩。该算法由于其提出的较早且算法较为简单，得到了后人多方面的改进，其中包括SSR，MSR，MSRCR等算法。经过Retinex算法处理的图像，在光照较强的环境下，图像表面会生成一层“白膜”，这是该类算法普遍的缺陷；灰色世界算法是颜色恒常性算法中最为简单的算法，它是通过求取场景的颜色平均值来实现颜色恒常性，这种平均值被称为灰色世界，灰色世界认为某光源的色彩是由一幅图像的所有像素色彩的加权平均决定的。因此，该算法通过将这个平均值和标准光源下的表面颜色的平均值进行比较，就可以得知未知光源下的图像颜色估计。然而这种算法的精确度并不高，同时当图像颜色平均值和灰色世界的假设不相符时算法就失败了；色谱映射算法是一种适用于Mondrian表面的颜色恒常性算法，并且是以后许多算法的理论基础。该算法的核心思想是寻找出能够将未知光源映射到标准光源的对角转换矩阵，其成功之处不在于得到一种场景光源的估计，而是得到了一组与给定图像数据相一致的理想光源集合；颜色相关性算法通过建立各种光源和该光源下图像颜色的相关性矩阵来解决颜色估计问题；Bayesian决策算法的基本原理是，首先通过样本图像得到特定光源下的表面色彩的后验概率分布，其次再根据损耗函数的计算成本来得到最佳的光源估计。虽然说该决策算法能够获得最佳的光源估计，但是它需要事先对先验子和损耗函数做出规定，而这种先验子和损耗函数的计算通常是很复杂的；神经网络颜色恒常性算法是一种通过神经网络训练来估计光源色彩的方法。该算法多采用双层感知机结构，即两个隐含层的感知机。对于该方法，首先需要运用较多的图像数据对神经网络进行训练，而实际训练和测试所碰到的色彩色谱比整个理论上的色彩空间要小很多，因此该算法对于复杂多变的光照环境的适应性及稳定性并不强；而基于参考色的颜色恒常性算法，其图片中往往需要一颗用于做为参考色的白色小球，该图像算法根据图像中特定位置的参考颜色对光照环境进行估计，从而对图像本质色彩进行恢复。由于本算法需要参考色物体的辅助，使得本算法的适用性并不高。

发明内容

为解决现有技术存在的缺点和不足，本发明提供一种基于单幅图像的颜色恒常性处理方法，本发明处理方法在系统后方级联了改进的去雾处理方法及灰色世界处理方法，增强了Retinex处理方法的恢复效果。

本发明技术方案如下：

一种基于单幅图像的颜色恒常性处理方法，其特征在于如下步骤：

(1)运用中值滤波对图像进行初步处理，消除掉突变像素点，从而减轻MeanShift算法运算时的压力，中值滤波窗口可选用5*5方形窗口；

(2)将获取的二维数字图像I使用参数h＝(H_s，h_r，h_l)进行MeanShift算法平滑处理获得图像I_M，具体步骤如下：

对图像未被标记为处理的像素点做如下处理，

假设要处理的像素点为P₀，其坐标为(x₀，y₀)，像素值为I₀，同时I₀＝{I_0R，I_0G，I_0B}，

(2-1)圈定以P₀像素点坐标为中心，h_s为边长的正方形空域范围内即满足以下约束条件的像素点，即：

$S=\left\{\begin{array}{cccc}P=(x,y)|& |x-x_0|<\frac{h_s}{2}& I& |y-y_0|<\frac{h_s}{2}\end{array}\right\};$

(2-2)标记S空域范围内与P₀像素值欧氏距离小于h_l(h_l＜＜h_r)的像素点，即：

V₁＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_l}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2}$

(2-3)筛选出S空域范围内像素点的像素值与P₀像素值欧式距离小于h_r的像素点，即V₂＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_r}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2};$

(2-4)将上步骤中被筛选出来的像素点代入下式计算出迭代向量值m_h

$m_h=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)I_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)},$

其中考虑到计算机在计算自然指数函数时运算量较大，我们将其替换为了 $G\left(x\right)=\frac{0.51}{0.51+0.75*x^2}.$

(2-5)判断是否||m_h-I₀||＜ε，ε为预先设定的误差允许值。如若两者间的距离超过ε，则将m_h值替换P₀像素点的像素值I₀，返回至第(3)步骤继续进行迭代。如若‖m_h-I₀||＜ε，则用m_h替换P₀的像素值及集合V₁中的点的像素值，并将P₀及V₁中的点标记为已处理，寻找下一个尚未处理的点，返回步骤(1)。

(3)将步骤2)中处理得到的I_M图像进行分解，获得I图像R，G，B三个分量的光照估计灰度图I_Rl，I_Gl，I_Bl；

(4)分解图像I为I_R，I_G，I_B。之后运用步骤2)获得的RGB三色层光照估计图I_Rl，I_Gl，I_Bl，计算出三色层灰度图的反射分量I_Rr，I_Gr，I_Br，具体计算公式如下：

$\left\{\begin{array}{c}\log \left(I_{\mathrm{Rr}}\right)=\log \left(I_R\right)-\log \left(I_{\mathrm{Rl}}\right)\\ \log \left(I_{\mathrm{Gr}}\right)=\log \left(I_G\right)-\log \left(I_{\mathrm{Gl}}\right)\\ \log \left(I_{\mathrm{Br}}\right)=\log \left(I_B\right)-\log \left(I_{\mathrm{Bl}}\right)\end{array}\right.$

之后用以下公式将图像灰度级恢复到0-255范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{Rr}}=\frac{I_{\mathrm{Rr}}-I_{\mathrm{Rr}\min }}{I_{\mathrm{Rr}\max }-I_{\mathrm{Rr}\min }}*255\\ I_{\mathrm{Gr}}=\frac{I_{\mathrm{Gr}}-I_{\mathrm{Gr}\min }}{I_{\mathrm{Gr}\max }-I_{\mathrm{Gr}\min }}*255\\ I_{\mathrm{Br}}=\frac{I_{\mathrm{Br}}-I_{\mathrm{Br}\min }}{I_{\mathrm{Br}\max }-I_{\mathrm{Br}\min }}*255\end{array}\right.$

其中

I_Rrmax，I_Grmax，I_Brmax分别为I_Rr，I_Gr，I_Br三灰度图的最大灰度值，

I_Rrmin，I_Grmin，I_Brmin分别为I_Rr，I_Gr，I_Br三灰度图的最小灰度值。

(5)将I_Rr，I_Gr，I_Br三色层反射分量进行合并，获得图像I_r：

(6)接下来对光照估计后的图像I_r做去雾处理获得图像I_rf，采用的是改进的彩色直方图均衡技术，具体实施步骤如下：

(6-1)列出原始图像的灰度级：

f_j，j＝0，1，……，L-1

(6-2)统计各灰度级的像素数目：

n_j，j＝0，1，……，L-1

(6-3)计算原始图像直方图各灰度级的频数：

$P\left(f_j\right)=\frac{n_j}{n},j=\mathrm{0,1},......,L-1$

(6-4)计算累积分布函数：

$C_k\left(f\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}P\left(f_j\right)$

(6-5)由于在有色光源情况下，会有一个或多个R，G，B分量的C(f)在灰度值较低的区域增强后灰度依旧很低，为了改善此效果，首先我们计算出灰度f′，使得其满足下述表达式：

C_i(f′)＝k    此处k取5％-10％

(6-6)然后对于灰度级为f′到f_L-1的点，得到改进的累积分布函数C′_i(f)：

$C_i^{\&prime;}\left(f\right)=255*\frac{C_i\left(f\right)-f^{\&prime;}}{255-f^{\&prime;}}$

(6-7)计算映射灰度级：

g_i＝INT[(g_max-g_min)·C′_i(f)+g_min+0.5]，i＝1，2，……，P-1

其中P为输出图像灰度级的个数，INT为取整符号。

(7)为了进一步去处有色光源的影响，系统后边再次级联一个灰色世界系统，具体步骤如下：

(7-1)计算图像的R，G，B分量各自的均值及总的均值，

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{I_R}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfR}}(i,j)\\ \stackrel{\&OverBar;}{I_G}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfG}}(i,j)\\ \stackrel{\&OverBar;}{I_B}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfB}}(i,j)\end{array}\right.$

$\stackrel{\&OverBar;}{I}=\frac{\stackrel{\&OverBar;}{I_R}+\stackrel{\&OverBar;}{I_G}+\stackrel{\&OverBar;}{I_B}}{3}$

(7-2)计算R，G，B各分量的调整系数A_R，A_G，A_B，其中

$\left\{\begin{array}{c}{A}_R=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_R}}\\ A_G=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_G}}\\ A_B=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_B}}\end{array}\right.$

(7-3)利用调整系数调整图像的R，G，B分量值，公式如下：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}(i,j)=I_{\mathrm{rfR}}(i,j)*A_R\\ I_{\mathrm{fG}}(i,j)=I_{\mathrm{rfG}}(i,j)*A_G\\ I_{\mathrm{fB}}(i,j)=I_{\mathrm{rfB}}(i,j)*A_B\end{array}\right.(i=\mathrm{1,2},......N,j=\mathrm{1,2},......M)$

(7-4)将调整后的3分量值调整至0-255灰度范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}=\frac{I_{\mathrm{fR}}}{I_{\mathrm{fR}\max }}*255\\ I_{\mathrm{fG}}=\frac{I_{\mathrm{fG}}}{I_{\mathrm{fG}\max }}*255\\ I_{\mathrm{fB}}=\frac{I_{\mathrm{fB}}}{I_{\mathrm{fB}\max }}*255\end{array}\right.$

其中

I_fRmax，I_fGmax，I_fBmax分别为I_fR，I_fG，I_fB三灰度图的最大灰度值。

合并I_fR，I_fG，I_fB，即获得处理后的图像I_f。

本发明优点在于：

本发明通过使用MeanShift方法进行光照估计，提高了Retinex方法的处理效果；

本发明不仅提高了算法的运算速度，而且加强了滤波后图像的分块效果。

本发明较好的解决了Retinex方法带来的“白膜”影响；

系统最后运用了灰色世界理论处理方法，使得系统更好地恢复出了图像的本质色彩。

附图说明

图1为本发明的流程示意图。

具体实施方式

如图1所示，先对本发明一种基于单幅图像的颜色恒常性处理方法的步骤进行简要概括，假设图像尺寸为N*M：

(1)运用中值滤波对图像进行初步处理，消除掉突变像素点，从而减轻MeanShift算法运算时的压力；

(2)运用MeanShift算法对获得的二维数字图像I进行平滑，处理得到I_M；

(3)将IM图像进行分解，获得I图像三个色层的光照估计灰度图I_Rl，I_Gl，I_Bl；

(4)运用步骤3)获得的RGB三色层光照估计图，计算出三色层灰度图的反射分量I_Rr，I_Gr，I_Br；

(5)将I_Rr，I_Gr，I_Br三色层反射分量进行合并，获得图像I_r；

(6)对I_r图像进行“去雾”处理，获得图像I_rf；

(7)对I_rf进行灰色理论算法的处理，获得最终图像I_f；

详细步骤如下：

(1)运用中值滤波对图像进行初步处理，消除掉突变像素点，从而减轻MeanShift算法运算时的压力，中值滤波窗口可选用5*5方形窗口；

(2)将获取的二维数字图像I使用参数h＝(h_s，h_r，h_l)进行MeanShift算法平滑处理获得图像I_M，具体步骤如下：

对图像未被标记为处理的像素点做如下处理，假设要处理的像素点为P₀，其坐标为(x₀，y₀)，像素值为I₀，同时I₀＝{I_0R，I_0G，I_0B}，

2-1圈定以P₀像素点坐标为中心，h_s为边长的正方形空域范围内即满足以下约束条件的像素点，即：

$S=\left\{\begin{array}{cccc}P=(x,y)|& |x-x_0|<\frac{h_s}{2}& I& |y-y_0|<\frac{h_s}{2}\end{array}\right\};$

2-2标记S空域范围内与P₀像素值欧氏距离小于h_l(h_l＜＜h_r)的像素点，即：

V₁＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_l}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2}$

2-3筛选出S空域范围内像素点的像素值与P₀像素值欧式距离小于h_r的像素点，即V₂＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_r}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2};$

2-4将上步骤中被筛选出来的像素点代入下式计算出迭代向量值m_h

$m_h=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)I_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)},$

其中

考虑到计算机在计算自然指数函数时运算量较大，我们将其替换为了 $G\left(x\right)=\frac{0.51}{0.51+0.75*x^2}.$

2-5判断是否||m_h-I₀||＜ε，ε为预先设定的误差允许值。如若两者间的距离超过ε，则将m_h值替换P₀像素点的像素值I₀，返回至第(3)步骤继续进行迭代。如若||m_h-I₀||＜ε，则用m_h替换P₀的像素值及集合V₁中的点的像素值，并将P₀及V₁中的点标记为已处理，寻找下一个尚未处理的点，返回步骤(1)。

(3)将步骤2)中处理得到的I_M图像进行分解，获得I图像R，G，B三个分量的光照估计灰度图I_Rl，I_Gl，I_Bl；

(4)分解图像I为I_R，I_G，I_B。之后运用步骤2)获得的RGB三色层光照估计图I_Rl，I_Gl，I_Bl，计算出三色层灰度图的反射分量I_Rr，I_Gr，I_Br，具体计算公式如下：

$\left\{\begin{array}{c}\log \left(I_{\mathrm{Rr}}\right)=\log \left(I_R\right)-\log \left(I_{\mathrm{Rl}}\right)\\ \log \left(I_{\mathrm{Gr}}\right)=\log \left(I_G\right)-\log \left(I_{\mathrm{Gl}}\right)\\ \log \left(I_{\mathrm{Br}}\right)=\log \left(I_B\right)-\log \left(I_{\mathrm{Bl}}\right)\end{array}\right.$

之后用以下公式将图像灰度级恢复到0-255范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{Rr}}=\frac{I_{\mathrm{Rr}}-I_{\mathrm{Rr}\min }}{I_{\mathrm{Rr}\max }-I_{\mathrm{Rr}\min }}*255\\ I_{\mathrm{Gr}}=\frac{I_{\mathrm{Gr}}-I_{\mathrm{Gr}\min }}{I_{\mathrm{Gr}\max }-I_{\mathrm{Gr}\min }}*255\\ I_{\mathrm{Br}}=\frac{I_{\mathrm{Br}}-I_{\mathrm{Br}\min }}{I_{\mathrm{Br}\max }-I_{\mathrm{Br}\min }}*255\end{array}\right.$

其中

I_Rrmax，I_Grmax，I_Brmax分别为I_Rr，I_Gr，I_Br三灰度图的最大灰度值，

I_Rrmin，I_Grmin，I_Brmin分别为I_Rr，I_Gr，I_Br三灰度图的最小灰度值。

(5)将I_Rr，I_Gr，I_Br三色层反射分量进行合并，获得图像I_r：

(6)接下来对光照估计后的图像I_r做去雾处理获得图像I_rf，采用的是改进的彩色直方图均衡技术，具体实施步骤如下：

(6-1)列出原始图像的灰度级：

f_j，j＝0，1，……，L-1

(6-2)统计各灰度级的像素数目：

n_j，j＝0，1，……，L-1

(6-3)计算原始图像直方图各灰度级的频数：

$P\left(f_j\right)=\frac{n_j}{n},j=\mathrm{0,1},......,L-1$

(6-4)计算累积分布函数：

$C_k\left(f\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}P\left(f_j\right)$

(6-5)由于在有色光源情况下，会有一个或多个R，G，B分量的C(f)在灰度值较低的区域增强后灰度依旧很低，为了改善此效果，首先我们计算出灰度f′，使得其满足下述表达式：

C_i(f′)＝k    此处k可以取5％-10％

(6-6)然后对于灰度级为f′到f_L-1的点，得到改进的累积分布函数C′_i(f)：

$C_i^{\&prime;}\left(f\right)=255*\frac{C_i\left(f\right)-f^{\&prime;}}{255-f^{\&prime;}}$

(6-7)计算映射灰度级：

g_i＝INT[(g_max-g_min)·C′_i(f)+g_min+0.5]，i＝1，2，……，P-1

其中P为输出图像灰度级的个数，INT为取整符号。

(7)为了进一步去处有色光源的影响，系统后边再次级联一个灰色世界系统，具体步骤如下：

(7-1)计算图像的R，G，B分量各自的均值及总的均值，

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{I_R}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfR}}(i,j)\\ \stackrel{\&OverBar;}{I_G}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfG}}(i,j)\\ \stackrel{\&OverBar;}{I_B}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfB}}(i,j)\end{array}\right.$

$\stackrel{\&OverBar;}{I}=\frac{\stackrel{\&OverBar;}{I_R}+\stackrel{\&OverBar;}{I_G}+\stackrel{\&OverBar;}{I_B}}{3}$

(7-2)计算R，G，B各分量的调整系数A_R，A_G，A_B，其中

$\left\{\begin{array}{c}{A}_R=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_R}}\\ A_G=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_G}}\\ A_B=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_B}}\end{array}\right.$

(7-3)利用调整系数调整图像的R，G，B分量值，公式如下：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}(i,j)=I_{\mathrm{rfR}}(i,j)*A_R\\ I_{\mathrm{fG}}(i,j)=I_{\mathrm{rfG}}(i,j)*A_G\\ I_{\mathrm{fB}}(i,j)=I_{\mathrm{rfB}}(i,j)*A_B\end{array}\right.(i=\mathrm{1,2},......N,j=\mathrm{1,2},......M)$

(7-4)将调整后的3分量值调整至0-255灰度范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}=\frac{I_{\mathrm{fR}}}{I_{\mathrm{fR}\max }}*255\\ I_{\mathrm{fG}}=\frac{I_{\mathrm{fG}}}{I_{\mathrm{fG}\max }}*255\\ I_{\mathrm{fB}}=\frac{I_{\mathrm{fB}}}{I_{\mathrm{fB}\max }}*255\end{array}\right.$

其中

I_fRmax，I_fGmax，I_fBmax分别为I_fR，I_fG，I_fB三灰度图的最大灰度值。合并I_fR，I_fG，I_fB，即获得处理后的图像I_f。

如上所述便可较好的实现本发明。

Claims (1)

1.一种基于单幅图像的颜色恒常性处理方法，其特征在于如下步骤：

(1)运用中值滤波对图像进行初步处理，消除掉突变像素点，从而减轻MeanShift算法运算时的压力，中值滤波窗口可选用5*5方形窗口；

(2)将获取的二维数字图像I使用参数h＝(h_s，h_r，h_l)进行MeanShift算法平滑处理获得图像I_M，具体步骤如下：

对图像未被标记为处理的像素点做如下处理，

假设要处理的像素点为P₀，其坐标为(x₀，y₀)，像素值为I₀，同时I₀＝{I_0R，I_0G，I_0B}；

(2-1)圈定以P₀像素点坐标为中心，h_s为边长的正方形空域范围内即满足以下约束条件的像素点，即：

$S=\left\{\begin{array}{cccc}P=(x,y)|& |x-x_0|<\frac{h_s}{2}& I& |y-y_0|<\frac{h_s}{2}\end{array}\right\};$

(2-2)标记S空域范围内与P₀像素值欧氏距离小于h_l(h_l＜＜h_r)的像素点，即：

V₁＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_l}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2}$

(2-3)筛选出S空域范围内像素点的像素值与P₀像素值欧式距离小于h_r的像素点，即V₂＝{P＝(x，y)|P∈S，‖P-P₀‖＜h_r}，其中

$\left|\right|P-P_0\left|\right|=\sqrt{{(I_R-I_{0R})}^2+{(I_G-I_{0G})}^2+{(I_B-I_{0B})}^2};$

(2-4)将上步骤中被筛选出来的像素点代入下式计算出迭代向量值m_h

$m_h=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)I_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left({\left|\right|\frac{I_i-I_0}{h_r}\left|\right|}^2\right)},$

其中

计算机在计算自然指数函数时运算量较大，将其替换为

$G\left(x\right)=\frac{0.51}{0.51+0.75*x^2};$

(2-5)判断是否||m_h-I₀||＜ε，ε为预先设定的误差允许值。如若两者间的距离超过ε，则将m_h值替换P₀像素点的像素值I₀，返回至第(3)步骤继续进行迭代。如若||m_h-I₀||＜ε，则用m_h替换P₀的像素值及集合V₁中的点的像素值，并将P₀及V₁中的点标记为已处理，寻找下一个尚未处理的点，返回步骤(1)；

(3)将步骤2)中处理得到的I_M图像进行分解，获得I图像R，G，B三个分量的光照估计灰度图I_Rl，I_Gl，I_Bl；

(4)分解图像I为I_R，I_G，I_B。之后运用步骤(2)获得的RGB三色层光照估计图I_Rl，I_Gl，I_Bl，计算出三色层灰度图的反射分量I_Rr，I_Gr，I_Br，具体计算公式如下：

$\left\{\begin{array}{c}\log \left(I_{\mathrm{Rr}}\right)=\log \left(I_R\right)-\log \left(I_{\mathrm{Rl}}\right)\\ \log \left(I_{\mathrm{Gr}}\right)=\log \left(I_G\right)-\log \left(I_{\mathrm{Gl}}\right)\\ \log \left(I_{\mathrm{Br}}\right)=\log \left(I_B\right)-\log \left(I_{\mathrm{Bl}}\right)\end{array}\right.$

之后用以下公式将图像灰度级恢复到0～255范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{Rr}}=\frac{I_{\mathrm{Rr}}-I_{\mathrm{Rr}\min }}{I_{\mathrm{Rr}\max }-I_{\mathrm{Rr}\min }}*255\\ I_{\mathrm{Gr}}=\frac{I_{\mathrm{Gr}}-I_{\mathrm{Gr}\min }}{I_{\mathrm{Gr}\max }-I_{\mathrm{Gr}\min }}*255\\ I_{\mathrm{Br}}=\frac{I_{\mathrm{Br}}-I_{\mathrm{Br}\min }}{I_{\mathrm{Br}\max }-I_{\mathrm{Br}\min }}*255\end{array}\right.$

其中

I_Rrmax，I_Grmax，I_Brmax分别为I_Rr，I_Gr，I_Br三灰度图的最大灰度值，

I_Rrmin，I_Grmin，I_Brmin分别为I_Rr，I_Gr，I_Br三灰度图的最小灰度值。

(5)将I_Rr，I_Gr，I_Br三色层反射分量进行合并，获得图像I_r：

(6)接下来对光照估计后的图像I_r做去雾处理获得图像I_rf，采用的是改进的彩色直方图均衡技术，具体实施步骤如下：

(6-1)列出原始图像的灰度级：

f_j，j＝0，1，……，L-1

(6-2)统计各灰度级的像素数目：

n_j，j＝0，1，……，L-1

(6-3)计算原始图像直方图各灰度级的频数：

$P\left(f_j\right)=\frac{n_j}{n},j=\mathrm{0,1},......,L-1$

(6-4)计算累积分布函数：

$C_k\left(f\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}P\left(f_j\right)$

(6-5)由于在有色光源情况下，会有一个或多个R，G，B分量的C(f)在灰度值较低的区域增强后灰度依旧很低，为了改善此效果，计算出灰度f′，使得其满足下述表达式：

C_i(f′)＝k    这里k取5％～10％

(6-6)然后对于灰度级为f′到f_L-1的点，得到改进的累积分布函数C′_i(f)：

$C_i^{\&prime;}\left(f\right)=255*\frac{C_i\left(f\right)-f^{\&prime;}}{255-f^{\&prime;}}$

(6-7)计算映射灰度级：

g_i＝INT[(g_max-g_min)·C′_i(f)+g_min+0.5]，i＝1，2，……，P-1

其中P为输出图像灰度级的个数，INT为取整符号；

(7)为了进一步去处有色光源的影响，系统后边再次级联一个灰色世界系统，具体步骤如下：

(7-1)计算图像的R，G，B分量各自的均值及总的均值，

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{I_R}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfR}}(i,j)\\ \stackrel{\&OverBar;}{I_G}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfG}}(i,j)\\ \stackrel{\&OverBar;}{I_B}=\frac{1}{N*M}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{I}_{\mathrm{rfB}}(i,j)\end{array}\right.$

$\stackrel{\&OverBar;}{I}=\frac{\stackrel{\&OverBar;}{I_R}+\stackrel{\&OverBar;}{I_G}+\stackrel{\&OverBar;}{I_B}}{3}$

(7-2)计算R，G，B各分量的调整系数A_R，A_G，A_B，其中

$\left\{\begin{array}{c}{A}_R=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_R}}\\ A_G=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_G}}\\ A_B=\frac{\stackrel{\&OverBar;}{I}}{\stackrel{\&OverBar;}{I_B}}\end{array}\right.$

(7-3)利用调整系数调整图像的R，G，B分量值，公式如下：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}(i,j)=I_{\mathrm{rfR}}(i,j)*A_R\\ I_{\mathrm{fG}}(i,j)=I_{\mathrm{rfG}}(i,j)*A_G\\ I_{\mathrm{fB}}(i,j)=I_{\mathrm{rfB}}(i,j)*A_B\end{array}\right.(i=\mathrm{1,2},......N,j=\mathrm{1,2},......M)$

(7-4)将调整后的3分量值调整至0～255灰度范围内：

$\left\{\begin{array}{c}{I}_{\mathrm{fR}}=\frac{I_{\mathrm{fR}}}{I_{\mathrm{fR}\max }}*255\\ I_{\mathrm{fG}}=\frac{I_{\mathrm{fG}}}{I_{\mathrm{fG}\max }}*255\\ I_{\mathrm{fB}}=\frac{I_{\mathrm{fB}}}{I_{\mathrm{fB}\max }}*255\end{array}\right.$

其中

I_fRmax，I_fGmax，I_fBmax分别为I_fR，I_fG，I_fB三灰度图的最大灰度值；合并I_fR，I_fG，I_fB，即获得处理后的图像I_f。

Images