多光源非均匀光照场景的颜色恒常性_饶小李
2014,36(2):187~192云南大学学报(自然科学版),JournalofYunnanUniversity
DOI:10.7540/j.ynu.20130322
多光源非均匀光照场景的颜色恒常性
饶小李,张
力,周
浩
*
(昆明理工大学信息工程与自动化学院,云南昆明650500)
摘要:针对多光源非均匀光照场景,提出了一种新的颜色恒常性解决方法.首先将场景图像划分成若干较分别对各区域光源颜色进行估计,然后根据各区域对场景光源颜色的贡献合并为一种复合光源颜色作小区域,
为场景光源颜色的近似估计,最后通过对角模型重构图像.实验结果表明,扩展的方法能够更好地解决多光源非均匀光照等场景的颜色恒常性问题.
关键词:颜色恒常性;场景光源估计;颜色校正中图分类号:TN911
文献标志码:A
文章编号:0258-7971(2014)02-0187-06
在计算机视觉领域,颜色是物体识别和跟踪的
重要特征.由于受多光源非均匀光照以及物体表面反射性的影响,物体表色常常会发生不同程度的变[1-3]
.为保证物体识别和跟踪的鲁棒性,如何实化
现多光源非均匀光照场景下的颜色恒常性是问题的关键.
E.Land[4]最先针对多光源非均匀光照问题,
提出了Retinex算法,假设色度的突变是由物体表与光源颜色无关,直接面反射属性的变化引起的,
从RGB3种灰度图像中计算出每个像素的真实颜W.Xiong等[5]提出了色值.基于Retinex算法,
StereoRetinex算法,利用立体图像(StereoImage)获取图像中出现的物体表面的三维信息区分表面反射引起的变化和场景光照引起的变化,然而三维信息的提取却不易实现.Hus等
提出了利用白平衡技术处理多光源颜色恒常性的方法,但却需要手动指定场景中各光照的照射区域.M.Ebner通过改进Grey-World算法提出了基于局部平均值漂移的颜色恒常性算法,但假设场景中的光照变化是
[8]
平滑的.A.Chakrabarti等提出建立颜色的空间通过最大似然估计来移除色偏,分布的统计模型,
M.Rezag-但仍假设场景光谱分布近似均匀.随后,
holizadeh[9]对其在实时性和存储需求上做了改进,
*
[7]
[6]
但仍依赖于光谱分布.这些方法对光源的光谱能量
分布以及物体表面的反射属性做出的严格假设,使得算法更易成立,然而同时也使得这些算法失效的风险增大.
本文提出了一种新的多光源非均匀光照场景
该方法能够有效处理多光颜色恒常性的解决方法,
源非均匀光照场景图像,无需人工干预,无需先验知识和对光谱能量分布以及物体表面反射属性的
假设.该方法的核心思想是:首先通过图像划分,弱化光源光谱能量对每个区块的影响,然后分别估计每个区块的光源颜色,最后根据这些区块对场景光源颜色的贡献合并成一种复合光源颜色作为场景光源的近似.在文中,我们讨论并评价了2种图像划分策略:基于网格的图像划分策略和基于聚类的图像分割策略.
1颜色恒常性
一般来说,颜色恒常性的核心问题就是场景光源颜色的估计问题.若已知的场景光源颜色则可利用对角变换模型实现未知光源场景图像到标准光源场景的变换,重构物体表色.下面简要介绍颜色恒常性算法的求解过程.1.1场景光源颜色估计
通常,朗伯体世界的物
收稿日期:2013-05-29
基金项目:国家自然科学基金(61063027).
作者简介:饶小李(1987-),男,四川人,硕士,主要研究方向:计算机视觉、颜色恒常性.E-mail:scrao@126.com.通信作者:张力(1963-),男,四川人,副教授,主要研究方向:计算机视觉、嵌入式系统、多媒体技术.E-mail:877341544@qq.com.
188云南大学学报(自然科学版)
T
http://www.yndxxb.ynu.edu.cn第36卷
IG,IB)体表色I=(IR,响
[10-11]
受到3个因数的影
:光源光谱能量分布E(λ,X)、物体表面的X)、反射率S(λ,图像采集设备的光敏性ρc(λ).因Ic(X)可以表示为:此,
Ic(X)=
源或多个同一光源均匀照射整个场景的假设.然
而,在真实环境中,绝大多数场景都是多种光源影使得现存颜色恒常性理论很难响下的非均匀光照,应对.为此,我们提出了通过图像划分来弱化场景非均匀光照特征的方法,通过消除或减弱多光源、非均匀等特征的影响,将问题转化到简单场景的光源估计上来.下面详细阐述该方法的实现步骤.2.1场景图像划分将复杂场景图像划分成若干个较小的区域.显然,相对于整个图像而言,划分后的图像区域的光照则是相对均匀的,于是问题便转化为多光源下的均匀场景光源估计问题.同样地,我们假设划分后的图像区域中的各种不同光源的光源分量对其影响都是微弱的,而且这些分量产生效果是可合成的,换句话说,就是通过线性或非线性叠加,这些分量产生的效果可以用某种单个光源的效果近似,利用这种光源颜色能够重构与当前多种光源分量影响下一致的区域场景.此时,划分后的每个图像区域则近似符合单光源均匀照射场景的假设.这样,相对复杂场景的光照估计问题便转化为对单光源均匀光照场景下的光源颜色估计问题.
图像的划分有多种策略,如基于网格的、基于图像分割的、基于关键点或兴趣点的划分策略等.文中选取了2种典型的划分策略:第1种策略是基于网格的图像划分.基于网格的划分策略是将整个场景图像划分成多个大小相等的多个区块(当场
会有一些更小的景图像不是划分区块的整倍数时,
区块,但不影响计算).第2种策略是基于聚类的
图像分割.基于聚类图像分割是根据图像特征聚类,将场景图像分割成若干个不同形状的区域,区域内的图像具有相似的特征.2.2
由于图像划分后的区域
可以看成单光源均匀光照场景的近似,因此,我们
区域光源颜色估计
∫
ω
E(λ,X)S(λ,X)ρc(λ)dλ.(1)
G,B},X其中c∈{R,ω表示可见光频谱空间,
表示图像二维空间像素点.假设场景中仅存在单光源且场景光照均匀.问题的焦点则转向了对光源光
X)的估计.谱能量分布E(λ,
在没有先验知识的情况下,等式(1)则是一个
NP问题.为此,大多数算法都做出了进一步假设.如灰度世界算法假设场景中所有表面的平均反
max-RGB[11]认为场景中各通道的射是灰色的,
[13]
最大反射响应的就是光源颜色,灰度边缘算法假设场景中不同边缘的平均是灰色的.而这些基于场景色度统计信息的算法可以归一为一个统一的
[13]
框架,如下所示:Ic,,p,σσ(X)dX=kLn.(2)c
Xn,p,1,0
L0,其中Lσ代表不同的算法,即为灰度世
0,01,1,1∞,L界算法,即max-RGB算法.L表示一阶L灰度边缘算法,表示二阶灰度边缘算法.其中
|·|表示弗罗贝尼乌斯范数(FrobeniusNorm),c∈{R,G,B},n表示导数的阶,p是明可夫斯基范式(MinkowskiNorm),Ic,σ=IcGσ是图像与平滑系数为σ的高斯滤波器的卷积.1.2图像颜色校正若未知光源场景的光源颜色,则可通过对角矩阵变换模型实现未知光源L
ucc
下的图像I到标准光源L下的图像I的变换
[10,14-15]
u
2,1,1[12]
(∫
np
)
1
.该模型可以表示为:
(3)
u
c
u,c
c
Ic=Λu,·Iu.
其中Λ表示未知光源L到标准光源L的对
L
L0
0=0γ
0
cRuR
角映射矩阵.
0LL
cRuR
Λ
u,c
α0=0β
00
00.LcRLuR
可以使用第1节谈到的颜色恒常性计算模型进行
区域光照估计.由于划分后的区域所含的场景信息
(4)
量大大减小,因此,必须与其他各区域的光源颜色估计值结合形成更大区块的光源颜色估计值.2.3
光源颜色聚类若图像划分成N个区域,则将会估计出N种光源颜色.设不同的光源颜色个数C=为M,则M≤N.随着图像区域划分尺寸减小,
N-M的值将增大.换句话说,这N种光源,向k个中心聚集的可能性增大.于是,将这N种光源颜色通过聚类算法聚集成k类,每个聚类ci的中心视作
2多光源非均匀光照场景的颜色恒常性
现存的大多数颜色恒常性方法都是基于单光
第2期饶小李等:多光源非均匀光照场景的颜色恒常性189
e
该聚类区块的光源颜色Kci.为减小噪点对聚类的
影响,在聚类之前,还需要去掉孤立的光源颜色值.
基于图像分割的划分将图像划分成k个区域,如k-means聚类.如果kn,则可忽略光源颜色
e
聚类步骤,将第i个区域的光源颜色Li作为光源颜色的聚类中心Lci.2.4
图像N个区域的光源颜色通过聚类算法聚集成了k类,每个聚类中心的
场景光源颜色估计
ee光源颜色Lci都是真实场景光源颜色的近似.设Icj
e
光源场景下的图像校正到标准光源下,实现颜色恒常性.
3实验
本节将对提出的方法在各种光照场景数据集下进行实验,并采用角度误差对提出的方法的性能进行度量.本文的实验数据集采用的是Barnard[16]
等提出的多种不同光源场景的大数据集,该数据集是在11种不同光源下采集的30个不同场景,由室内和室外11346幅真实场景图像组成.3.1
误差度量最常用的一种度量标[11,15-16]
.角度误差度量的是估计光准是角度误差
误差度量
对真实光源颜色的影响力(权重)为ωci,那么场景光源颜色Llst可以表示为:
L
e
lst
e
=
LeΣc·ωc.i=1
i
i
k
(5)
其中ωci=
mimiΣi=1
k
,表示受该光源颜色影响的
源颜色与真实光源颜色之间的夹角,忽略场景光照
强度.
eang=arccos
e
c
(
c
e.
(7)
像素占整个场景图像的权重.将ωci代入式(5),有:
L
e
lst
其中Llst·L是估计光源颜色与标准光源颜色的点积.·是欧几里得范数.3.2
我们在499幅室内多光源非均匀
不同方法的光照场景中对提出的方法进行了实验,
性能比较
角度误差如表1所示.从表1中可以看出,除灰度
世界外,基于网格划分和基于聚类的图像分割方法都显著地改善了现存算法的性能.该方法采用灰度世界理论并未使性能提高的原因是灰度世界要求图像有丰富的色彩,而划分之后的区域可能存在色彩单一的情况.
=
mi·LeΣc
i=1
miΣi=1
k
k
i
e
(6)
从式(6)可以看出,最终场景光源颜色Llst实
gi,bi)的际上是以聚类中心为三维空间坐标点(ri,
质心.2.5
图像颜色校正最后,根据场景光源颜色估计值,利用1.3节谈到的对角变换模型便可将未知
表1
室内多光源非均匀光强场景下各方法角度误差对比
Tab.1Errorcomparisonofeachmethodsintheindoorscenarios实验算法
灰度世界max-RGB灰度边缘
基于网格划分(k-means,k=3;patch-size=16)
灰度世界max-RGB灰度边缘灰度世界
基于聚类的图像分割(k-means,k=3)
max-RGB灰度边缘
中位数4.7°10.0°8.3°5.4°3.2°7.6°4.8°8.1°2.9°
均值4.7°10.9°8.9°5.1°3.5°7.8°4.7°8.3°4.0°
最大值11.9°21.4°22.9°11.5°12.1°16.9°11.2°16.4°14.4°
190云南大学学报(自然科学版)http://www.yndxxb.ynu.edu.cn第36卷
此外,我们还对室外多光源非均匀光照的自然场景进行实验,该场景包含2种光源(太阳光和天空反射光).其误差角度如表2所示.不难看出该方法的显著效果.说明了基于网格划分和基于聚类的图像分割方法不仅适用于室内的多光源复杂环境,而且对于室外的多光源自然场景,其效果同样是显著的.
3.3参数设置对性能的影响
基于图像分割的方
法涉及的一个重要的参数是聚类个数,因此,为研
随着聚类个数的增加先下降再缓慢上升.原因是聚类的个数很大程度上决定了聚类算法对图像像素
这使得对各区块光源估计的准确度点的误分类率,
下降,导致了光源估计误差发生波动.
基于网格划分的方法的一个重要参数是网格
划分的大小.因此,我们对网格大小与误差的关系进行了实验,其关系如图2所示.从图2中可以看出,随着区块大小增大,其误差总先减小再增大.究其原因是区块越大包含的信息就越多,那么每个区块估计的准确度则相对提高,然而区块越大,那么则区块内部的光照则就越不均匀,反过来则会影响估计的准确度.
究聚类个数对该方法性能的影响,我们对其进行了实验(基于网格的划分是对各区块光源的聚类并求其质心,因此聚类的个数不影响质心的位置).其关系如图1所示.从图1中,我们可以看出,误差
表2
室外多光源非均匀光强自然场景下各方法角度误差对比
Tab.2Errorcomparisonofeachmethodsintheoutdoorscenarios实验算法
灰度世界max-RGB灰度边缘
基于网格划分(k-means,k=3;patch-size=16)
灰度世界max-RGB灰度边缘灰度世界
基于聚类的图像分割(k-means,k=3)
max-RGB灰度边缘
中位数5.5°7.6°5.9°4.4°2.4°2.2°4.3°4.6°2.4°
均值5.2°7.5°6.4°4.5°3.3°2.7°4.5°4.9°3.2°
最大值9.2°9.2°13.1°8.3°8.5°6.3°8.4°9.2°9.1°
图1聚类个数与角度误差的关系图2区块大小与角度误差的关系
Fig.1TherelationsbetweenclusteringnumberandangleerrorFig.2Therelationsbetweenpatchsizeandangleerror
第2期饶小李等:多光源非均匀光照场景的颜色恒常性191
3.4
多光源场景校正效果对比多光源场景下各
max-RGB方法(依次是输入图像、灰度世界算法、
的一种新的解决方法.该方法弱化传统算法对场景光源的光谱能量分布以及物体表面反射属性的限
使得算法能更好地处理多光源非均匀光照问制,
题.通过对基于划分的方法和基于聚类的图像分割方法与其它算法的对比实验,表明了该方法在处理复杂场景问题上是更有效的.
由于基于划分的方法的性能对聚类个数和区块大小的设置存在依赖,因此如何选择聚类个数和区块大小仍需要做进一步的研究.
算法、灰度边缘算法、基于网格划分的灰度边缘、基
于聚类图像分割的灰度边缘)的校正效果如图3所示,第1组图片显示了室内场景的校正效果,第2组显示了室外自然场景的校正效果.
4结论
本文主要是针对多光源非均匀光照场景提出
图3各场景下不同方法的校正效果
Fig.3Theresultsofcorrectionofeachmethodsindifferentscenarios
PatternRecognitionResearch,2006,1(1):42-54.[2]蔡珣.视频监控中的背景颜色恒常性算法研究[D].
2007.济南:山东大学,
CAIX.Colorconstancyalgorithmsforbackgroundrec-
参考文献:
[1]AGARWALV,ABIDIBR,KOSCHANA,etal.Ano-verviewofcolorconstancyalgorithms[J].Journalof
192云南大学学报(自然科学版)
ognitioninvideosurveillance[D].Jinan:ShandongUni-versity,2007.
http://www.yndxxb.ynu.edu.cn
ScienceatSimonFraserUniversity,1998.
第36卷
[11]GIJSENIJA,GEVERST,VanDeWEIJERJ.Compu-tationalcolorconstancy:Surveyandexperiments[J].2011,20(9):IEEETransactionsonImageProcessing,2475-2489.
[12]BUCHSBAUMG.Aspatialprocessormodelforobject
colourperception[J].JournaloftheFranklinInstitu-te,1980,310(1):1-26.
[13]VanDeWEIJERJ,GEVERST,GIJSENIJA.Edge-
basedcolorconstancy[J].IEEETransactionsonIm-ageProcessing,2007,16(9):2207-2214.
[14]
HORDLEYSD.Sceneilluminantestimation:past,present,andfuture[J].ColorResearch&Applica-2006,31(4):303-314.tion,
[15]袁兴生,王正志,项凤涛.基于视锥细胞色适应生理
.中国图象图形学报,机制的颜色恒常性计算[J]2013,18(5):537-544.
YUANXS,WANGZZ,XIANGFT.Colorconstancyalgorithmbasedonbiologicalmechanism:coloradapta-tionofconecells[J].JournalofImageandGraphics,2013,18(5):537-544.
[16]BARNARDK,CARDEIV,FUNTB.Acomparisonof
computationalcolorconstancyalgorithms.Ⅰ:Method-ologyandexperimentswithsynthesizeddata[J].IEEETransactionsonImageProcessing,2002,11(9):972-984.
[17]CIUREAF,FUNTB.Alargeimagedatabaseforcolor
constancyresearch[C]//Proceecling11thFinalPro-gram,2003:160-164.
[3]鹿瑞.自然图像颜色恒常性计算研究[D].北京:北
2010.京交通大学,
LUR.ResearchoncomputationalcolorconstancyfornaturalImages[D].Beijing:BeijingJiaotongUniversi-ty,2010.
[4]LANDEH.Theretinextheoryofcolorvision[J].Sci-1977,237(6):108-128.entificAmerica,
[5]XIONGW,FUNTB.Stereoretinex[J].ImageandVi-sionComputing,2009,27(1):178-188.
[6]HSUE,MERTENST,PARISS,etal.Lightmixtureesti-mationforspatiallyvaryingwhitebalance[C].Proceedings2008,doi:10.1145/ofACMSIGBRAPH2008TOG,1360612.1360669.
[7]EBNERM.Colorconstancybasedonlocalspaceaver-agecolor[J].MachineVisionandApplications,2009,20(5):283-301.
[8]CHAKRABARTIA,HIRAKAWAK,ZICKLERT.Color
constancywithspatio-spectralstatistics[J].IEEETransactionsonPatternAnalysisandMachineIntelli-2012,34(8):1509-1519.gence,
[9]REZAGHOLIZADEHM,CLARKJJ.Edge-basedand
efficientchromaticityspatio-spectralmodelsforcolorconstancy[C]//2013InternationalConferenceonCom-puterandRobotVision(CRV).IEEE,2013:188-195.[10]BARNARDK.Modelingsceneilluminationcolourfor
computervisionandimagereproduction:Asurveyofcomputationalapproaches[D].Columbia:Computing
Colorconstancyforscenesofnon-uniformspectral
powerdistributionofmultiplelightsources
RAOXiao-li,ZHANGLi,ZHOUHao
(FocultyofInformationEngineerngandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,Chian)
Abstract:Thispaperproposesanewmethodtosolvetheproblemofcolorconstancyinthescenariosofnontheimageisdividedintoseveralsmaller-uniformspectralpowerdistributionofmultiplelightsources.First,
patch;thenaccordingtotheregionalcontributiontothecolorofthesceneilluminant,itiscombinedintoacom-positelightsourcecolorasthecolorofthesceneilluminantestimationofmyopia;finallytheimageisrestructuredthediagonalmodel.Thequantitativeexperimentsshowthattheproposedmethodcanbettersolvethenon-uni-formlightilluminationscene.
Keywords:colorconstancy;illuminantestimation;colorreproduction