CN109146983A - 一种多光源图像颜色恒常性计算方法 - Google Patents

Abstract

本发明提供了一种解决多光源图像颜色恒常性计算问题的方法。该方法的特征在于，通过对一幅在多光源条件下捕获的彩色图像采取网格划分的方法把该图像划分成若干个子区域，然后采用特定的颜色恒常性算法对每个子区域进行光源估算，再把所有子区域的光照估算值进行聚类分析，利用矫正模型把采集的多光源图像矫正到标准光源下，解决颜色恒常性的计算问题。该方法能够将多光源条件下图像颜色的恒常性计算问题转化为较为简易的单光源图像的颜色恒常性计算问题，可用于颜色科学、机器视觉、图像处理和图像理解等领域。

Description

一种多光源图像颜色恒常性计算方法

技术领域

本发明涉及一种多光源图像颜色恒常性计算方法，隶属于颜色科学领域范畴，可应用于颜色科学、机器视觉、图像处理和图像理解等领域。

背景技术

当照射物体表面的颜色光发生改变时，人们对该物体表面的颜色知觉仍然保持不变的知觉特性称之为颜色恒常性，属于知觉恒常性的一种类型。在计算机视觉领域有比较广泛的应用，比如基于颜色特征的物体识别、图像检索、图像分类以及人工智能等领域，尤其是随着现在科学技术的发展，在人工智能应用方面也越来越多。颜色恒常性主要分为单光源颜色恒常性和多光源颜色恒常性。目前，针对单光源的颜色恒常性算法较多，主要有灰度世界算法、白片假设算法、灰色阴影算法、灰度边缘算法以及二阶灰度边缘算法。对于一幅未知光源的图像，场景光源和物体的反射率均是未知的，因此目前所有的颜色恒常性算法都是基于一定的假设条件提出的。颜色恒常性计算的核心问题就是如何能够精确无误的估计一幅未知的图像的光源颜色值，然后再利用矫正模型矫正到标准光源下，实现颜色恒常性。

相比单光源颜色恒常性计算，多光源颜色恒常性计算更为复杂，影响因素更多，所以研究相对较少。目前，多光源颜色恒常性算法主要有Kawakami等人提出的室外场景下纹理目标物体的颜色恒常性计算算法，Ebner提出的基于局部空间平均颜色的多光源颜色恒常性计算算法；这些算法对场景光源和相机的假设在现实条件下是很难满足的，这大大限制了算法的适用性。基于矩形网格划分的多光源颜色恒常性计算方法，通过对一幅多光源图像采取矩形网格划分成若干个色块，划分后的每个色块近似于光源光谱分布均匀，可以将复杂的多光源颜色恒常性计算转化为简易的单光源颜色恒常性计算。该方法无需对场景光源做出假设限制，无需先验知识，也不需要庞大的数据集作为训练。

发明内容

本发明的目的是在于解决多光源照明条件下所捕获图像的颜色恒常性计算恢复问题，提供了一个解决多光源图像颜色恒常性计算的方法。

为了实现上述目的，本发明采用如下技术方案：

一种多光源图像颜色恒常性计算方法，该方法的特征在于：采取网格划分的方法，将一幅多光源图像划分为若干个子区域，每个子区域的照明光源具有均匀的光谱分布特性，再对每个子区域采用特定的颜色恒常性算法进行处理，从而将复杂的多光源图像的颜色恒常性计算问题转化为了单光源图像的颜色恒常性计算问题；所述的网格划分为正方形的网格划分；所述的特定的颜色恒常性算法为灰度世界算法(Grey-world)、白片假设算法(White-Patch)、灰色阴影算法(Shades of Grey)、灰度边缘算法(Grey-Edge)和二阶灰度边缘算法(2nd Grey-Edge)。

所述的灰度世界算法、白片假设算法、灰色阴影算法、灰度边缘算法和二阶灰度边缘算法所使用的网格划分尺寸依次是22像素×22像素、11像素×11像素、16像素×16像素、17像素×17像素和4像素×4像素。

所述的技术方案的实现步骤为：本发明的目的是通过如下措施来达到的：首先输入一幅多光源图像，然后设置矩形网格的大小，对图像进行区域划分，再对获得的每个子区域进行图像的颜色恒常性计算。可采用的网格划分核心代码为：

以上所述的基于网格划分的多光源颜色恒常性计算方法，其特征在于：通过对一幅多光源图像采取网格划分的方法，对于划分后的每一个色块可以近似于假设光源的光谱分布均匀，即单光源照射，则可以将复杂的多光源颜色恒常性计算转化为简易的单光源颜色恒常性计算。

以上所述的基于矩形网格划分的多光源颜色恒常性计算方法，其特征在于：融合了灰度世界算法、白片假设算法、灰色阴影算法、灰度边缘算法以及二阶灰度边缘算法，它们的网格的尺寸依次为22像素×22像素、11像素×11像素、16像素×16像素、17像素×17像素和4像素×4像素。

本发明的优点是相比现有的多光源颜色恒常性算法，无需人为干预，无需对场景光源和图像采集设备过多的假设，也不需要庞大的数据集作为训练。

附图说明

图1是网格划分示意图。

图2是灰度世界算法相对应的网格尺寸与角度误差关系示意图。

图3是白片假设算法相对应的网格尺寸与角度误差关系示意图。

图4是灰色阴影算法相对应的网格尺寸与角度误差关系示意图。

图5是灰度边缘算法相对应的网格尺寸与角度误差关系示意图。

图6是二阶灰度边缘算法相对应的网格尺寸与角度误差关系示意图。

图7是数码设备捕获的多光源室外图像。

图8是采用本发明所述的网格划分并融合了Grey-World算法处理后的图像。

图9是采用本发明所述的网格划分并融合了White-Patch算法处理后的图像。

图10是采用本发明所述的网格划分并融合了Shades of Grey算法处理后的图像。

图11是采用本发明所述的网格划分并融合了Grey-Edge算法处理后的图像。

图12是采用本发明所述的网格划分并融合了2nd Grey-Edge算法处理后的图像。

具体实施方式

下面结合附图、实施方式及实施例对本发明作进一步描述。

图1是本发明所涉及的网格划分示意图。对于多光源场景图像网格的划分，首先输入一幅多光源场景图像，采取网格划分方法把图像划分成若干个色块，每一个小区域仅受一种光源的影响，利用这种方式去减弱多光源对整个图像的多重影响。假设每个色块的光源光谱分布均匀，这些光源产生的共同效果可以利用线性或非线性方法拟合，因此，相对复杂的多光源图像光照估计问题便转化为对单光源均匀图像的光照估计问题。基于网格的划分方法可以确保分割后所有的色块能覆盖整个图像，不会造成图像信息的丢失，确保估计的准确性和鲁棒性。网格尺寸的差异会带来不同的估计结果，进而会对最后的图像矫正造成影响。因此，对于每一个单光源颜色恒常性算法来说，确定一个最优的网格划分尺寸是非常有必要的。图1给出了网格尺寸划分的示意图。

对于多光源图像的场景光源估算，一般情况下，朗伯特世界物体的表色I＝(I_R，I_G，I_B)^T可以由式(1)表示。

I_c(x)＝∫_ωE(λ，x)S(λ，x)ρ_c(λ)dλ (1)

式中：C∈{R，G，B}，E(λ，x)，S(λ，x)和ρ(λ)分别表示光源的光谱能量分布、物体表面反射特性和相机的光敏度，ω代表可见光谱范围(380～780nm)，给定一个图像二维空间像素点x，我们可以通过下式计算光源的颜色：

由式(2)可以看出，因为E(λ，x)和ρ(λ)是未知的，所以，图像的光照估计本身就是一个病态的问题，必须引入一些假设条件。现有的颜色恒常性算法都是基于一定假设条件提出的，实际证明，这些假设也是可行的。比如白片假设算法，该算法假设场景中永远存在一个白色表面并且RGB三通道的最大响应值是由该白色表面引起；灰度世界算法假设场景中的平均颜色是消色的；灰度边缘算法假设场景中平均边缘的差异是消色的，该假设是灰度世界算法的补充，上述算法均属于底层特征驱动，简单快速，效果很好，并且此类算法均可用一个统一的框架结构表示，公式为：

上式中，其中e^n，p，σ，改变n，p，σ的参数可以获得不同的单光源颜色恒常性算法。

经网格划分方法划分后的色块可以近似假设光源的光谱分布相对均匀，因此可以利用表1所述的单光源颜色恒常性算法对每一个色块进行光源估计，由于每个小色块包含的图像信息相对有限，区域光源估计结果不能作为整个图像的光源估计，结果有误差，为了解决这个问题，可以利用聚类算法对每个区域的光照估计聚类，需要指出的是，本方法假设聚类中心为2，即假设图像同时受两种光源照射。显然，用任何一种聚类算法进行聚类都会得到两个聚类中心，然后，对每个色块的估计结果，利用反向投影算法找到与原图像中相对应的区域，通过此方法便会获得一个鲁棒性很好的光源估计结果。

对于图像颜色的恒常性恢复，颜色恒常性计算的核心问题就是如何能够精确的把未知场景图像的光源估计出来，然后根据场景光源估计结果，利用对角模型便可将未知光源场景下的图像矫正到标准光源下，实现图像的颜色恒常性计算。计算公式如下：

I^c＝Λ^uI^u (4)

式中：I^u为未知光源下采集的图像；I^u为经对角模型转换后的标准光源图像；Λ^u，c为对角矩阵，见式(5)。

式中：L^c为标准光源；L^u为未知光源。需要提出的是，由于这一步只是简单的矫正，所以大多数颜色恒常性算法都只关注图像的光照估计问题，光照估计得越准确，矫正图像越准确。

颜色恒常性计算的优劣可以采用角度误差和视觉评价进行衡量。假设图像的真实光照是L_t(x)，颜色恒常性算法估计光照是L_e(x)，估计光照L_e(x)越接近真实光照L_t(x)，则该颜色恒常性算法的性能越好。角度误差的计算公式为：

为了检验所提出方法的优劣，通过对Foster数据集中的多光源高光谱图像进行实验，所获得的实验结果，如表1所示：

表1 不同融合算法的角度误差

可见，通过利用本发明提出的方法进行计算，每个单光源颜色恒常性算法所得出的角度误差的中值均有所提高，这说明基于网格划分的多光源颜色恒常性计算对多光源图像的颜色矫正具有很好的效果。

基于网格划分方法的多光源颜色恒常性计算，对算法性能影响的一个主要因素就是色块的大小，因此，通过选取不同的网格尺寸进行相关的研究，以求能够找到适合每个单光源颜色恒常性算法的最优网格尺寸。图2-6给出了本发明融合多种算法时图像划分区域尺寸对角度误差的影响结果，所述的多种算法分别是Grey-World算法、White-Patch算法、Shades of Grey算法、Grey-Edge算法和2^nd Grey-Edge算法。可见，随着色块尺寸的增加，角度误差并不是随之增大的。通常会认为色块越大，包含的颜色信息就越多，但是场景图像因受多光源影响，当色块增大的时候，色块所受的光照就越发变得不均匀，故误差也会相应增大。另外，针对上述颜色恒常性算法，最优的网格划分尺寸依次是22像素×22像素、11像素×11像素、16像素×16像素、17像素×17像素和4像素×4像素。

图7-12是对多光源室外彩色图像利用本发明进行图像颜色恒常性恢复后所获得的效果图，其融合了多种颜色恒常性算法。图7是数码设备捕获的多光源室外图像；图8是采用网格划分并融合了Grey-World算法处理后的图像；图9是采用网格划分并融合了White-Patch算法处理后的图像；图10是采用网格划分并融合了Shades of Grey算法处理后的图像；图11是采用网格划分并融合了Grey-Edge算法处理后的图像；图12是采用网格划分并融合了2^nd Grey-Edge算法处理后的图像；处理后所获得的相应的角度误差依次是5.6°、3.5°、4.9°、3.4°和3.2°，Grey-World算法的角度误差值最大，矫正图像整体上明显偏蓝色，White-Patch算法和Grey-Edge算法的角度误差值相差不大，图像有一定的矫正效果，Shades of Grey算法的角度误差值为4.9°，在矫正图像局部有较明显的偏蓝色，2^nd Grey-Edge算法的角度误差最小，矫正效果最好。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种多光源图像颜色恒常性计算方法，该方法的特征在于：采取网格划分的方法，将一幅多光源图像划分为若干个子区域，每个子区域的照明光源具有均匀的光谱分布特性，再对每个子区域采用特定的颜色恒常性算法进行处理，从而将复杂的多光源图像的颜色恒常性计算问题转化为了单光源图像的颜色恒常性计算问题；所述的网格划分为正方形的网格划分；所述的特定的颜色恒常性算法为灰度世界算法、白片假设算法、灰色阴影算法、灰度边缘算法和二阶灰度边缘算法。

2.根据权利要求1所述的颜色恒常性计算方法，其特征为：所述的灰度世界算法、白片假设算法、灰色阴影算法、灰度边缘算法和二阶灰度边缘算法的网格划分尺寸依次是22像素×22像素、11像素×11像素、16像素×16像素、17像素×17像素和4像素×4像素。