基于纹理金字塔与正则化局部回归的色彩恒常方法

摘要

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。

主权项

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：$S_{\mathrm{image}}(X,Y)=\underset{l\in [0,L]}{\Sigma }{w}_{\mathrm{patch}}^l·S_l(X,Y)=\frac{1}{2^L}{S}_0(X,Y)+\underset{l\in [1,L]}{\Sigma }\frac{1}{2^{L-l+1}}·S_l(X,Y),$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，$S_l(X,Y)=\frac{1}{{(2^{l+1}-1)}^2}\underset{i=1}{\overset{{(2^{l+1}-1)}^2}{\Sigma }}\sqrt{\frac{\min ({\gamma }_{X_i^l},{\gamma }_{Y_i^l})}{\max ({\gamma }_{X_i^l},{\gamma }_{Y_i^l})}.\frac{\min ({\theta }_{X_i^l},{\theta }_{Y_i^l})}{\max ({\theta }_{X_i^l},{\theta }_{Y_i^l})}},$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。