CN103854261A - 色偏图像的校正方法 - Google Patents

Abstract

本发明提供了一种色偏图像的校正方法，其特征在于包括以下步骤：1、对色偏图像进行软分类，计算每一类图像的比例系数ρ_k；2、根据ρ_k对每一类图像进行高光提取，得到每一类图像的多个高光区域；3、分别对每一类图像的高光区域进行色度聚类和空间聚类，得到每一类图像的多个参考光源；4、根据每一类图像中的所有参考光源计算得到校正系数，并依据校正系数对该类图像进行校正，得到该类图像的校正图像；5、将三类校正图像进行加权整合，得到色偏图像的校正图像。根据本发明所提供的色偏图像的校正方法，不仅简化了局部色彩校正算法模型，减少了计算量，并且本方法对非均匀多光源色偏图像校正效果显著，校正后的色度和亮度与原图相比基本相同。

Description

色偏图像的校正方法

技术领域

本发明属于图像处理领域，具体设计一种采用色彩校正算法对非均匀多光源的色偏图像进行校正的方法。

背景技术

色彩校正是指改变数字图像的颜色值以实现人类视觉系统的色彩恒常性。而计算机恒常性的基本原理是:当给予计算机充分的图像数据、合适的算法及参数、适当的程序和模型的情况下，计算机能模拟人类视觉系统的色彩恒常性。现实中计算机色彩恒常性的实现存在很多难题，其中比较典型就是色差问题。因此要实现计算机的色彩恒常性，就必须对采集到的数字图像进行色彩校正。

目前，很多研究人员对颜色恒常性研究都是针对单一光源下。这种研究的关键是在获取图像时，不管现实场景中是否为单一光源，都假设场景中光源是单一的。由光源色温变化引起的色偏现象是单一环境光源下比较典型的色偏类型，目前对这种类型的色偏研究也有很多，如白平衡算法和基于von Kries色系数定律的颜色恒常性模型等。1980年G.Buchsbaum提出了灰度世界（Grey-World）算法，该算法将未知光源照射下图像的R、G、B三通道的均值，通过对比校正到标准光源下（其中标准光源下图像三通道的均值相等）。完美反射（White-Patch，max-RGB）算法假设图像中的镜面部分能对光源全反射，亮度最大，所以将图像R、G、B三通道的最大值作为环境光源信息，通过对比校正到标准光源下。

虽然灰度世界算法及完美反射算法比较简单，容易实现，但是对于比较复杂的色偏情况，特别是对非均匀多光源色偏情况，其相对简单的算法并不能很好的校正图像，效果并不是很理想。

对现实场景中有多光源或者物体发生反射等情况下得到的色偏图像进行色彩校正要比单一光源下色偏图像校正复杂的多。目前，针对多光源图像色偏校正算法比较常用的是E.Land等提出的视网膜皮层理论（Retinex理论），这种算法直接利用图像像素信息恢复物体真实颜色，同时这种理论具有锐化、动态范围压缩和颜色恒常性等功能。Retinex算法很多是利用Hurlbert提出的高斯中心环绕函数来对图像实现操作。目前，又发展了SSR（单尺度Retinex）和MSR（多尺度Retinex），但其算法中采用的是卷积运算，导致计算时间很长，后来又发展了一种快速MSR算法，为了改善SSR及MSR算法本身在色彩校正方面的局限性，引入了色彩恢复因子形成了MSRCR算法，后续又发展了一系列改进算法，比如“An Automatic Color Correction Method Inspired By The RetinexAnd Opponent Colors Theories“文中提到的基于retinex和对立学说理论色彩校正方法，但其在高光提取方面各个类别采用单一阈值，导致其对阈值的依赖性太大，提取的高光区域类型比较单一，从而导致校正不彻底，色度和亮度与原图相比失真，目前已有人提出更为系统的分层色彩校正方法，如”Hierarchical Color Correction for Camera Cell Phone Images“文中分层分类对图像进行处理，但由于其局部分类采用分辨率合成算法导致其计算过于繁杂，计算量较大，导致缺乏应用前景。

发明内容

本发明的目的是提供一种色偏图像的校正方法，以解决上述问题。

为了实现上述目的，本发明所采用的技术方案是：

色偏图像的校正方法，其特征在于，包括以下步骤：

步骤一：根据三色模型对色偏图像进行软分类，获得偏红、偏绿和偏蓝三类图像，分别计算得到每一类图像的比例系数ρ_k，k∈{1,2,3}；

步骤二：根据每一类图像的ρ_k和图像影响因子β，分别对每一类图像进行高光提取，得到每一类图像的多个高光区域；

步骤三：分别对每一类图像的多个高光区域依次进行色度聚类和空间聚类，得到每一类图像的多个参考光源；

步骤四：根据每一类图像中的所有参考光源与该类图像的所有像素之间的色度距离和空间距离，计算得到该类图像的校正系数，并依据该类的校正系数，对该类图像中的每一个像素进行校正，得到该类图像的校正图像；

步骤五：将按照步骤四所得到的三类校正图像进行加权整合，得到色偏图像的校正图像。

另外，本发明所涉及的色偏图像的校正方法还可以具有这样的特征：其中，步骤一中采用广义高斯混合模型计算比例系数ρ_k。

另外，本发明所涉及的色偏图像的校正方法还可以具有这样的特征：其中，偏红、偏绿和偏蓝三类图像分别对应R、G、B三个通道，

步骤二中的图像影响因子β为4%～16%之间的任意数值，

高光提取的方法为：

1）根据公式：

分别计算得到三类图像的高光提取阈值d_k，式中，max(ρ)为最大的比例系数ρ_k；

2）根据高光提取阈值d_k以及通道的通道值，分别提取三类图像的多个高光像素；

3）根据每一类图像的全部高光像素，分别创建该类的新建图像；

4）分别对每一类新建图像进行二值化，分别得到相对应的该类图像的二值化图像；

5）清除每一类图像的二值化图像中的孤立像素和只有一个方向连通的像素，分别得到每一类图像的多个高光区域。

另外，本发明所涉及的色偏图像的校正方法还可以具有这样的特征：其中，图像影响因子β为8%。

另外，本发明所涉及的色偏图像的校正方法还可以具有这样的特征：其中，将步骤二中得到的每一类图像的多个高光区域的信息r分别存入该类图像相对应的矩阵Regions={r₁，r₂，r₃……r_R}中，计算得到每一类图像高光区域r之间的平均色度差ΔE₀₀(r_m,r_n)，分别对三类图像高光区域之间平均色度差ΔE₀₀(r_m,r_n)进行以下处理，得到步骤三中每一类图像的多个参考光源：

a、取任一类图像高光区域间的ΔE₀₀(r_m,r_n)，建立R×R的矩阵D，根据 $D_{\mathrm{mn}}=\left\{\begin{array}{c}1,{\mathrm{\ΔE}}_{00}(r_m,r_n)\≤0.5\\ 0,{\mathrm{\ΔE}}_{00}(r_m,r_n)>0.5\end{array}\right.,$ 对矩阵D进行赋值，将矩阵D中值大于0.5的元素赋值为0，其它元素赋值为1；

b、逐行或逐列地计算矩阵D的和，取值最大的行或列作为一个聚类中心，然后取该行或该列对应的高光区域和与该高光区域的相关值为1的其它高光区域组成一个新的聚类r_Δ；

c、从矩阵D去除该聚类r_Δ中的高光区域，对矩阵D中剩下的高光区域再次进行聚类，直至矩阵D中所有的高光区域都被聚类，完成色度聚类，将得到的所有色度聚类信息存储在 $\mathrm{Cregions}=\{r_{\mathrm{\Δ}1},r_{\mathrm{\Δ}2},r_{\mathrm{\Δ}3}......r_{{\mathrm{\ΔR}}_{\mathrm{\Δ}}}\}$ 中；以及

d、用峰值统计法计算每个色度聚类的空间距离分布，用K-means法迭代处理各个色度聚类，完成空间聚类，得到的空间聚类分布为该类图像的多个参考光源。

另外，本发明所涉及的色偏图像的校正方法还可以具有这样的特征：其中，根据步骤三中得到的每一类图像的参考光源，分别进行以下计算，得到每一类图像的校正系数：

a、根据公式

式中，Δ_euclid(p_i,h_j)为该类图像的每一个参考光源与该类图像的所有像素之间的欧式距离，do_j为该参考光源与该类图像的像素之间最大的欧式距离，计算得到第一个校正因子pe(i,j)，计算该参考光源的平均色度与像素之间的色度距离Δ_hue(p_i,h_j)，根据公式

计算得到该参考光源的第二个校正因子qc(i,j)；

b、将pe(i,j)和qc(i,j)代入公式 $\mathrm{cf}(i,j)=\sqrt{1-\mathrm{pe}(i,j)}\×{(1-\mathrm{qc}(i,j))}^2,$ 计算得到预校正系数cf(i,j)；以及

c、将cf(i,j)代入公式

对预校正系数cf(i,j)进行归一化，得到最终用于计算的校正系数

分别依据每一类图像的

对该类图像进行校正，分别得到三类图像的校正图像g₁(R,G,B)、g₂(R,G,B)和g₃(R,G,B)，

依据公式 $F(R,G,B)=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ρ}}_k\×g_k(R,G,B),$ 对g₁(R,G,B)、g₂(R,G,B)和g₃(R,G,B)进行加权整合，得到步骤四中的色偏图像的校正图像。

发明的作用与效果

根据本发明所提供的色偏图像的校正方法，由于基于视网膜皮层与颜色视觉理论，引入颜色视觉理论中的三色学说进行对图像进行全局分类，使用广义高斯混合模型计算全局系数；其次，简化分层色彩校正模型减少计算量；引用retinex理论对三通道分别进行处理，进行高光区域提取；使用对立学说进行色差计算，根据色度距离和空间距离设置系数权重，并根据系数校正像素；最后，采用分层色彩校正模型整合图像。不仅简化了局部色彩校正算法模型，减少了计算量，并且，使用像素校正系数对每一个像素进行校正，使本方法对非均匀多光源色偏图像校正效果显著，校正后的色度和亮度与原图相比基本相同，具有较强的可行性。

附图说明

图1是实施例中的色偏图像A；

图2是本发明所涉及的色偏图像的校正方法在实施例中的校正过程说明图；

图3是实施例中偏红图像A1提取的高光区域说明图；

图4是实施例中偏绿图像A2提取的高光区域说明图；

图5是实施例中偏蓝图像A3提取的高光区域说明图；

图6是实施例中对偏红图像A1校正后得到的校正图像；

图7实施例中对偏绿图像A2校正后得到的校正图像；

图8实施例中对偏蓝图像A3校正后得到的校正图像；

图9实施例中对色偏图像A校正后的校正图像；以及

图10是实施例中原始未发生色偏的图像的说明图。

具体实施方式

以下结合附图，对本发明所涉及的采用色彩校正算法对色偏图像进行校正的方法进行进一步说明。

<实施例>

图1是实施例中的色偏图像A。

如图1所示，本实施例中，需要进行校正的色偏图像A的尺寸为3071×2185，共有6710135个像素点。

图2是本发明所涉及的色偏图像的校正方法在实施例中的校正过程说明图。

如图2所示，本实施例对色偏图像A的校正方法包括以下步骤：

步骤一：将色偏图像A进行软分类，获得偏红图像A1、偏绿图像A2、和偏蓝图像A3三类，依次对应的通道分别为R、G、B。

采用广义高斯混合模型算法运行程序，分别计算出每类图像的比例系数ρ_k，k∈{1,2,3}，其中，偏红图像A1的比例系数ρ₁为0.694357，偏绿图像A2的比例系数ρ₂为0.154782，偏蓝图像A3的比例系数ρ₃为0.150861。

步骤二：将步骤一中得到的比例系数ρ_k代入公式式中，d_k为高光提取阈值，max(ρ)为最大的比例系数ρ₁，8%为图像影响因子β的经验值，计算得到的偏红图像A1的高光提取阈值d₁为0.08，偏绿图像A2的高光提取阈值d₂为0.017899132，偏蓝图像A3的高光提取阈值d₃为0.017381376。

根据高光提取阈值d_k，分别提取三类图像的高光像素T_k，即把每类图像中符合该类高光提取阈值d_k的像素提取出来，作为该类的高光像素T_k，把该类像素中未提取像素的像素值都赋值为（0 0 0），该类像素在图像中显示为黑色像素。

偏红图像A1的高光像素T₁的计算公式为：

偏绿图像A2的高光像素T₂的计算公式为：偏蓝图像A3的高光像素T₃的计算公式为：

根据三类图像的高光像素T_k，分别求得相应的高光区域。

图3是实施例中偏红图像A1提取的高光区域说明图；

对于偏红图像A1，根据高光像素T₁创建该类的新的RGB图像Q，其中， $Q\left(i\right)=\left\{\begin{array}{c}f\left(i\right),i\&Element;T\\ b,i\&NotElement;T\end{array}\right.,$ 式中，f（i）表示色偏图像A，i为像素的线性索引号，b为黑色像素。对图像Q进行二值化处理，将图像Q中高光像素的像素值赋值为1，非高光像素的像素值赋值为0，得到的二值化处理图像M，其中， $M\left(i\right)=\left\{\begin{array}{c}1,{\mathrm{\&Sigma;}}_{\mathrm{ch}}Q\left(i\right)\&NotEqual;0\\ 0,{\mathrm{\&Sigma;}}_{\mathrm{ch}}Q\left(i\right)=0\end{array}\right..$ 清除图像M中的孤立像素和只有一个方向连通的像素，得到的连通区域即为如图3所示的偏红图像A1的高光区域。

图4是实施例中偏绿图像A2提取的高光区域说明图。

图5是实施例中偏蓝图像A3提取的高光区域说明图。

参照上述方法，分别根据高光像素T₂和根据高光像素T₃，分别得到如图4所示的偏绿图像A2的高光区域和如图5所示的偏蓝图像A3的高光区域。

在本实施例中，偏红图像A1共提取得到529个高光区域，偏绿图像A2共提取得到342个高光区域，偏蓝图像A3共提取得到284个高光区域。

步骤三：对步骤二中得到的三类图像的高光区域分别进行色度聚类和空间聚类。

对于对偏红图像A1进行色度聚类为：

用向量r存储步骤二中得到的偏红图像A1的每个高光区域的信息，将所有的高光区域信息存储在矩阵regions中，即，regions={r₁，r₂，r₃……r₅₂₉}。计算regions中各个高光区域信息之间的平均色度差ΔE₀₀(r_m,r_n)，并对平均色度差进行二值化，得到一个529×529的矩阵D，根据公式 $D_{\mathrm{mn}}=\left\{\begin{array}{c}1,{\mathrm{\&Delta;E}}_{00}(r_m,r_n)\&le;0.5\\ 0,{\mathrm{\&Delta;E}}_{00}(r_m,r_n)>0.5\end{array}\right.,$ 对矩阵D进行赋值，将矩阵D中值大于0.5的元素赋值为0，其它元素赋值为1。

逐行计算矩阵D中ΔE₀₀(r_m,r_n)的和，所得数值最大的行是第230行，取该行中赋值为1的元素所对应的列，依次为第1，3，7，14，…230…526列，把这些列对应的高光区域索引号（即该元素所对应的列在regions中的位置）依次存储在向量r_Δ1中，然后去除矩阵D中的第1，3，7，14，…230…526列和第1，3，7，14，…230…526行，得到新的矩阵，对新的矩阵重复上诉操作，直至所有的高光区域都被聚类。

在本实施例中，偏红图像A1共得到68个色度聚类，将所得到的68个色度聚类存储在Cregions={r_Δ1，r_Δ2，r_Δ3......r_Δ68}内。

对偏红图像A1进行空间聚类：将上述得到的68个色度聚类分别用K-means算法进行空间聚类，得到每一个色度聚类内的若干个参考光源，将所得到的若干个参考光源依次存储在向量h中，向量h中共含有184个元素，即偏红图像A1中共提取到184个参考光源。

参照上述方法，分别求得偏绿图像A2中提取到131个参考光源，偏蓝图像A3中共提取到94个参考光源。

步骤四：根据每一类的参考光源计算该类图像的校正系数。

偏红图像A1的校正系数的计算：

计算偏红图像A1的第一个参考光源h₁与偏红图像A1上的四个角上的像素之间的欧式距离do，并取其中的最大值记为max(do₁)，依次计算偏红图像A1上的其它所有像素p_i与参考光源h₁的欧式距离Δ_euclid(p_i,h₁)，根据公式 $\mathrm{pe}(i,1)=\frac{{\mathrm{\&Delta;}}_{\mathrm{euclid}}(p_i,h_1)}{\max \left({\mathrm{do}}_1\right)},$ 计算得到第一个校正因子pe(i,1)。

计算该参考光源h₁的平均色度，并依次计算像素p_i与参考光源h₁平均色度之间的色度差Δ_hue(p_i,h_j)，根据公式

计算得到第二个校正因子qc(i,1)，然后，根据公式 $\mathrm{cf}(i,1)=\sqrt{1-\mathrm{pe}(i,1)}\&times;{(1-\mathrm{qc}(i,1))}^2,$ 计算得到预校正系数cf(i,1)，即为第一个参考光源h₁对偏红图像A1上所有像素的预校正系数。

重复上述计算，依次计算得到偏红图像A1的其它参考光源对该图像中每一个像素的预校正系数，将得到的所有预校正系数cf(i,j)存入矩阵cf中，得到一个6710135×184的矩阵。

根据公式

对矩阵cf重新赋值，将步骤三中提取到的偏红图像A1的184个参考光源进行归一化处理。归一化处理后得到该类图像的校正系数 $c\tilde{f}(i,j)$ 为： $c\tilde{f}(i,j)=\frac{\mathrm{cf}(i,j)}{\underset{j=1}{\overset{h_{\mathrm{gm}}}{\mathrm{\&Sigma;}}}\mathrm{cf}(i,j)}.$

图6是实施例中对偏红图像A1校正后得到的校正图像。

提取每一类图像的参考光源的R、G、B通道的最大通道值作为该类图像的参考校正光源的值，即w_j＝[max(R_j),max(G_j),max(B_j)]，对偏红图像A1的每一个像素进行校正前，先检测该像素是否处于参考光源区域内，若是，则把该参考校正光源值直接赋值给该像素，否则，根据公式

分通道进行校正，经校正后得到如图6所示的偏红图像A1经过校正后图像g₁(R,G,B)。

图7实施例中对偏绿图像A2校正后得到的校正图像。

图8实施例中对偏蓝图像A3校正后得到的校正图像。

参照上述方法，分别得到如图7所示的偏绿图像A2经过校正后图像g₂(R,G,B)和如图8所示的偏蓝图像A3经过校正后图像g₃(R,G,B)。

图9实施例中对色偏图像A校正后的校正图像。

图10是实施例中原始未发生色偏的图像的说明图。

步骤五：根据公式 $F(R,G,B)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_k\&times;g_k(R,G,B),$ 对得到的三类校正后的图像g₁(R,G,B)、g₂(R,G,B)、g₃(R,G,B)进行加权整合，得到如图9所示的最终校正后校正图像F(R,G,B)，完成对色偏图像A的校正。

校正图像F(R,G,B)与如图10所示的原始未发生色偏图像（简称原图）相比，色度和亮度基本一致。

实施例的作用与效果

根据本发明所提供的色偏图像的校正方法，由于基于视网膜皮层与颜色视觉理论，引入颜色视觉理论中的三色学说进行对图像进行全局分类，分为偏红、偏绿、偏蓝三类，使用广义高斯混合模型计算全局系数；其次，简化分层色彩校正模型减少计算量；引用retinex理论对三通道分别进行处理，进行高光区域提取；使用对立学说进行色差计算，根据色度距离和空间距离设置系数权重，并根据系数校正像素；最后，采用分层色彩校正模型整合图像。不仅简化了局部色彩校正算法模型，减少了计算量，并且，使用像素校正系数对每一个像素进行校正，使本方法对非均匀多光源色偏图像校正效果显著，校正后的色度和亮度与原图相比基本相同，具有较强的可行性。

另外，本实施例中根据公式

计算每一类的高光提取阈值，8%为图像影响因子β的经验值，使校正后的结果更符合原图图像。

当然，本发明所涉及的色偏图像的校正方法并不仅仅限定于上述实施例中的内容。以上内容仅为本发明构思下的基本说明，而依据本发明的技术方案所作的任何等效变换，均属于本发明的保护范围。

另外，上述实施例中图像影响因子β为8%，本发明所涉及的色偏图像的校正方法可以选自4%～16%之间的任意数值。

Claims (6)

1.色偏图像的校正方法，其特征在于，包括以下步骤：

步骤一：根据三色模型对所述色偏图像进行软分类，获得偏红、偏绿和偏蓝三类图像，分别计算得到每一类图像的比例系数ρ_k，k∈{1,2,3}；

步骤二：根据每一类图像的ρ_k和图像影响因子β，分别对每一类图像进行高光提取，得到每一类图像的多个高光区域；

步骤三：分别对每一类图像的多个高光区域依次进行色度聚类和空间聚类，得到每一类图像的多个参考光源；

步骤四：根据每一类图像中的所有所述参考光源与该类图像的所有像素之间的色度距离和空间距离，计算得到该类图像的校正系数，并依据该类的所述校正系数，对该类图像中的每一个像素进行校正，得到该类图像的校正图像；

步骤五：将步骤四所得到的三类校正图像进行加权整合，得到所述色偏图像的校正图像。

2.根据权利要求1所述的色偏图像的校正方法，其特征在于：

其中，所述步骤一中采用广义高斯混合模型计算所述比例系数ρ_k。

3.根据权利要求1所述的色偏图像的校正方法，其特征在于：

其中，所述偏红、偏绿和偏蓝三类图像分别对应R、G、B三个通道，

所述步骤二中的图像影响因子β为4%～16%之间的任意数值，

所述高光提取的方法为：

1）根据公式：

分别计算得到三类图像的高光提取阈值d_k，式中，max(ρ)为最大的比例系数ρ_k；

2）根据所述高光提取阈值d_k以及所述通道的通道值，分别提取三类图像的多个高光像素；

3）根据每一类图像的全部所述高光像素，分别创建该类的新建图像；

4）分别对每一类新建图像进行二值化，分别得到相对应的该类图像的二值化图像；

5）清除每一类图像的所述二值化图像中的孤立像素和只有一个方向连通的像素，分别得到每一类图像的多个所述高光区域。

4.根据权利要求3所述的色偏图像的校正方法，其特征在于：

其中，所述图像影响因子β为8%。

5.根据权利要求1所述的色偏图像的校正方法，其特征在于：

其中，将所述步骤二中得到的每一类图像的多个高光区域的信息r分别存入该类图像相对应的矩阵Regions={r₁，r₂，r₃……r_R}中，计算得到每一类图像的所述信息r的平均色度差ΔE₀₀(r_m,r_n)，分别对三类图像的平均色度差ΔE₀₀(r_m,r_n)进行以下处理，得到步骤三中每一类图像的多个参考光源：

a、取任一类图像高光区域间的ΔE₀₀(r_m,r_n)，建立R×R的矩阵D，根据 $D_{\mathrm{mn}}=\left\{\begin{array}{c}1,{\mathrm{\&Delta;E}}_{00}(r_m,r_n)\&le;0.5\\ 0,{\mathrm{\&Delta;E}}_{00}(r_m,r_n)>0.5\end{array}\right.,$ 对矩阵D进行赋值，将矩阵D中值大于0.5的元素赋值为0，其它元素赋值为1；

b、逐行或逐列地计算矩阵D的和，取值最大的行或列作为一个聚类中心，然后取该行或该列对应的高光区域和与该高光区域的相关值为1的其它高光区域组成一个新的聚类r_Δ；

c、从矩阵D去除该聚类r_Δ中的高光区域，对矩阵D中剩下的高光区域再次进行聚类，直至矩阵D中所有的高光区域都被聚类，完成所述色度聚类，将得到的所有色度聚类信息存储在 $\mathrm{Cregions}=\{r_{\mathrm{\&Delta;}1},r_{\mathrm{\&Delta;}2},r_{\mathrm{\&Delta;}3}......r_{{\mathrm{\&Delta;R}}_{\mathrm{\&Delta;}}}\}$ 中；以及

d、用峰值统计法计算每个色度聚类的空间距离分布，用K-means法迭代处理各个色度聚类，完成所述空间聚类，得到的空间聚类分布为该类图像的多个参考光源。

6.根据权利要求1所述的色偏图像的校正方法，其特征在于：

其中，根据步骤三中得到的每一类图像的参考光源，分别进行以下计算，得到每一类图像的所述校正系数：

a、根据公式

式中，Δ_euclid(p_i,h_j)为该类图像的每一个参考光源与该类图像的所有像素之间的欧式距离，do_j为该参考光源与该类图像的像素之间最大的欧式距离，计算得到第一个校正因子pe(i,j)，计算该参考光源的平均色度与像素之间的色度距离Δ_hue(p_i,h_j)，根据公式

计算得到该参考光源的第二个校正因子qc(i,j)；

b、将所述pe(i,j)和所述qc(i,j)代入公式 $\mathrm{cf}(i,j)=\sqrt{1-\mathrm{pe}(i,j)}\&times;{(1-\mathrm{qc}(i,j))}^2,$ 计算得到预校正系数cf(i,j)；以及

c、将所述cf(i,j)代入公式

对预校正系数cf(i,j)进行归一化，得到最终用于计算的所述校正系数

分别依据每一类图像的所述

对该类图像进行校正，分别得到三类图像的校正图像g₁(R,G,B)、g₂(R,G,B)和g₃(R,G,B)，

依据公式 $F(R,G,B)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_k\&times;g_k(R,G,B),$ 对所述g₁(R,G,B)、所述g₂(R,G,B)和所述g₃(R,G,B)进行加权整合，得到所述步骤四中的所述色偏图像的校正图像。

Images