具有自适应能力的颜色恒常方法

摘要

本发明公开了一种具有自适应能力的颜色恒常方法，具体通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用自动适应不同场景图像，将非标准光照下拍摄的有色偏彩色图像恢复成标准光照下拍摄的无色偏彩色图像，实现色偏图像颜色的自动校正，即颜色恒常。在多个国际通用颜色恒常数据库上近千幅不同场景、光照的图像上测试证明，该发明的方法比经典的颜色恒常算法具有更好的效果。

主权项

一种具有自适应能力的颜色恒常方法，包括以下步骤：步骤1：设定感受野大小及确定相应的模型参数：设定感受野中心区半径、外周抑制区半径、亚区半径；中心、外周、亚区高斯核函数为：$g(x,y;{\sigma }_c)=\frac{1}{2{\mathrm{\pi \sigma }}_c^2}\exp (-(x^2+y^2)/(2{\sigma }_c^2\left)\right)$$g(x,y;{\sigma }_s)=\frac{1}{2{\mathrm{\pi \sigma }}_s^2}\exp (-(x^2+y^2)/(2{\sigma }_s^2\left)\right)$$g(x,y;{\sigma }_u)=\frac{1}{2{\mathrm{\pi \sigma }}_u^2}\exp (-(x^2+y^2)/(2{\sigma }_u^2\left)\right)$其中，中心高斯分布参数σ_c，外周高斯分布参数σ_s，亚区高斯分布参数σ_u，分别为其对应区域半径的三分之一；步骤2：对色偏图像每一个像素点分别提取红色分量I_R、绿色分量I_G、蓝色分量I_B和黄色分量I_Y，用每个像素点的各分量输入高斯函数平滑后，输出的P阶指数平均后开P次方，得到相应的P范数，记为R、G、B和Y，R＝(mean((Gauss(I_R))^p))^1/pG＝(mean((Gauss(I_G))^p))^1/pB＝(mean((Gauss(I_B))^p))^1/pY＝(mean((Gauss(I_Y))^p))^1/p，其中，mean()表示求平均运算；步骤3：利用公式：$A_{R1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/R$$A_{G1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/G$$A_{B1}=\sqrt{{\left(R\right)}^2+{\left(G\right)}^2+{\left(B\right)}^2+{\left(Y\right)}^2}/B$计算出红绿拮抗通道非经典感受野中心区敏感系数A_R1，绿红拮抗通道非经典感受野中心区敏感系数A_G1，蓝黄拮抗通道非经典感受野中心区敏感系数A_B1；步骤4：根据设定的兴奋抑制比K，计算出红绿拮抗通道非经典感受野外周敏感系数A_R2，亚区敏感系数A_R3，绿红拮抗通道非经典感受野外周敏感系数A_G2，亚区敏感系数A_G3，蓝黄拮抗通道非经典感受野外周敏感系数A_B2，亚区敏感系数A_B3：A_R2＝K×A_R1/5,  A_R3＝A_R2/3A_G2＝K×A_G1/5,  A_G3＝A_G2/3A_B2＝K×A_B1/5,  A_B3＝A_B2/3依据步骤1所确定的中心、外周、亚区高斯核函数，按照从左至右、从上到下的顺序将色偏图像的每一个像素点(x,y)作为一个感受野的中心依次进行下述步骤5至步骤7的操作：步骤5：根据公式$R_{R3}(x,y;{\sigma }_u)=MAX[0,I_G(x,y)\times g(0,0;{\sigma }_u)-A_{R3}\underset{(p,q)\in Unit/(x,y)}{\Sigma }{I}_G(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_u)]$$R_{G3}(x,y;{\sigma }_u)=MAX[0,I_R(x,y)\times g(0,0;{\sigma }_u)-A_{G3}\underset{(p,q)\in Unit/(x,y)}{\Sigma }{I}_R(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_u)]$$R_{B3}(x,y;{\sigma }_u)=MAX[0,I_Y(x,y)\times g(0,0;{\sigma }_u)-A_{B3}\underset{(p,q)\in Unit/(x,y)}{\Sigma }{I}_Y(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_u)]$计算出红绿通道亚区去抑制后响应R_R3(x,y;σ_u)，绿红通道亚区去抑制后响应R_G3(x,y;σ_u)，蓝黄通道亚区去抑制后响应R_B3(x,y;σ_u)，其中，(p,q)为落在亚区Unit内除中心外的点，MAX表示取两者中较大值；步骤6：根据公式$R_{R2}(x,y;{\sigma }_s)=A_{R2}\times \underset{(p,q)\in Surround}{\Sigma }{R}_{R3}(p,q;{\sigma }_u)\times g\left(\right|p-x|,|q-y|;{\sigma }_s)$$R_{G2}(x,y;{\sigma }_s)=A_{G2}\times \underset{(p,q)\in Surround}{\Sigma }{R}_{G3}(p,q;{\sigma }_u)\times g\left(\right|p-x|,|q-y|;{\sigma }_s)$$R_{B2}(x,y;{\sigma }_s)=A_{B2}\times \underset{(p,q)\in Surround}{\Sigma }{R}_{B3}(p,q;{\sigma }_u)\times g\left(\right|p-x|,|q-y|;{\sigma }_s)$计算出红绿通道外周抑制R_R2(x,y;σ_s)，绿红通道外周抑制R_G2(x,y;σ_s)，蓝黄通道外周抑制R_B2(x,y;σ_s)，其中，(p,q)为落在外周Surround内的点；步骤7：根据公式$R_{R1}(x,y;{\sigma }_c)=MAX[0,A_{R1}\underset{(p,q)\in Center}{\Sigma }{I}_R(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_c)-R_{R2}(x,y;{\sigma }_s)]$$R_{G1}(x,y;{\sigma }_c)=MAX[0,A_{G1}\underset{(p,q)\in Center}{\Sigma }{I}_G(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_c)-R_{G2}(x,y;{\sigma }_s)]$$R_{B1}(x,y;{\sigma }_c)=MAX[0,A_{B1}\underset{(p,q)\in Center}{\Sigma }{I}_B(p,q)\times g\left(\right|p-x|,|q-y|;{\sigma }_c)-R_{B2}(x,y;{\sigma }_s)]$计算出红绿通道中心区抑制后响应R_R1(x,y;σ_c)，绿红通道中心区抑制后响应R_G1(x,y;σ_c)，蓝黄通道中心区抑制后响应R_B1(x,y;σ_c)，其中，(p,q)为落在中心区Center内的点；取R_R1(x,y;σ_c)、R_G1(x,y;σ_c)、R_B1(x,y;σ_c)作为中心像素点(x,y)新的红、绿、蓝分量；步骤8：移动中心像素点(x,y)遍历全图后，对图像所有像素点的新的红色分量I_R、绿色分量I_G、蓝色分量I_B、黄色分量I_Y分别求和，兴奋抑制比K加1，在红绿、绿红、蓝黄拮抗通道上分别迭代，重复步骤4至8；上述迭代中止的条件为：每轮迭代后，分通道检查该通道对应颜色分量和，若其一阶导数和二阶导数均小于预先设定的值时所有通道停止迭代后，以红绿通道输出为红色分量I_R，绿红通道输出为绿色分量I_G，蓝黄通道输出为蓝色分量I_B合成无色偏彩色图像。