数字图像处理（十一）白平衡算法-Toy模板网

这篇具有很好参考价值的文章主要介绍了数字图像处理（十一）白平衡算法。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言

当一副彩色图像数字化后，在显示时颜色有时会看起来有些不正常。这是因为颜色通道中不同的敏感度、增光因子、偏移量等，导致数字化中的三个图像分量(R,G,B)出现不同的变换，使结果图像的三原色"不平衡"，从而使景物中所有物体的颜色都偏离了其原有的真实色彩。彩色平衡处理的目的就是将有色偏的图像进行颜色校正，获得正常颜色的图像。白平衡方法使一种常见的彩色平衡处理方法。

一、白平衡算法原理

白平衡原理是，如果原始场景中的某些像素点应该是白色的（即R=G=B=255），但是由于图像存在色偏，这些点的R、G、B三个分量的值不再保持相同，通过调整这三个颜色分量的值，使之达到平衡，由此获得对整幅图像的彩色平衡映射关系，通过该映射关系对整幅图像进行处理，即可达到彩色平衡的目的。

二、算法具体步骤

实现白平衡的算法有很多，这里介绍一种基本的白平衡方法。

对拍摄到的有色偏的图像，按照下式计算该图像的亮度分量。 $Y=0.299\times R+0.587\times G+0.114\times B$ 由于存在色偏，即现实场景中白色的点，在图像中也可能不是理想状态的白色，即 $Y\neq255$ 。但是可以肯定的是，白色的亮度为图像中的最大亮度。所以需要求出图像中的最大亮度 $Y_{max}$ 和平均亮度 $\bar{Y}$ 。
考虑对环境光照的适应性，寻找图像中所有亮度 $\le 0.95 \cdot Y_{max}$ 的像素点。将这些点假设为原始场景中的白色点，即设这些点所构成的像素点集为白色点集 $\{f(i,j)\in\Omega_{white}\}$ 。
计算白色点集 $\Omega_{white}$ 中所有像素的R、G、B三个颜色分量的均值 $\bar{R}$ 、 $\bar{G}$ 、 $\bar{B}$ 。
按照下式计算颜色均衡调整参数： $k_R=\frac{\bar{Y}}{\bar{G}}$ $k_G=\frac{\bar{Y}}{\bar{G}}$ $k_B=\frac{\bar{Y}}{\bar{B}}$
对整幅图像的R、G、B三个颜色分量，进行彩色平衡调整如下： $R^*=k_R\cdot R$ $G^*=k_G\cdot G$ $B^*=k_B\cdot B$

三、C++代码

int main()
{
    cv::Mat img = cv::imread("LenaRGB.bmp");

    int width= img.cols;
    int height = img.rows;
    cv::Mat Y = cv::Mat::zeros(height, width, CV_32FC1);

    cv::Mat R = cv::Mat::zeros(height, width, CV_8UC1);
    cv::Mat G = cv::Mat::zeros(height, width, CV_8UC1);
    cv::Mat B = cv::Mat::zeros(height, width, CV_8UC1);

    for (int row = 0; row < height; row++)
    {
        cv::Vec3b * current_ptr = img.ptr<cv::Vec3b>(row);
        for (int col = 0; col < width; col++)
        {
            R.at<uchar>(row, col) = (*(current_ptr + col))[2];
            G.at<uchar>(row, col) = (*(current_ptr + col))[1];
            B.at<uchar>(row, col) = (*(current_ptr + col))[0];
            Y.at<float>(row, col) = 0.299*(*(current_ptr + col))[2]+0.587*(*(current_ptr + col))[1]+
                                    0.144*(*(current_ptr + col))[0];
        }
    }

    //求取Ymax
    double minValue, Y_max;
    cv::minMaxLoc(Y, &minValue, &Y_max);
    float Y_value=0.0, R_value=0.0, G_value=0.0, B_value=0.0;
    int num = 0;
    for (int row = 0; row < height; row++)
    {
        float * current_ptr = Y.ptr<float>(row);
        for (int col = 0; col < width; col++)
        {
            if (*(current_ptr + col) >= 0.95*Y_max)
            {
                num += 1;
                Y_value += Y.at<float>(row, col);
                R_value += R.at<uchar>(row, col);
                G_value += G.at<uchar>(row, col);
                B_value += B.at<uchar>(row, col);
            }
        }
    }
    Y_value = Y_value / num;
    R_value = R_value / num;
    G_value = G_value / num;
    B_value = B_value / num;

    //调整系数
    float k_R = Y_value / R_value;
    float k_G = Y_value / G_value;
    float k_B = Y_value / B_value;

    cv::Mat output_image = cv::Mat::zeros(height, width, CV_32FC3);
    for (int row = 0; row < height; row++)
    {
        cv::Vec3b * img_ptr = img.ptr<cv::Vec3b>(row);
        cv::Vec3f * output_ptr = output_image.ptr<cv::Vec3f>(row);
        for (int col = 0; col < width; col++)
        {
            (*(output_ptr + col))[2] = k_R*(*(img_ptr + col))[2];
            (*(output_ptr + col))[1] = k_G * (*(img_ptr + col))[1];
            (*(output_ptr + col))[0] = k_B * (*(img_ptr + col))[0];
        }
    }
    cv::convertScaleAbs(output_image, output_image);
    cv::imshow("input_image", img);
    cv::imshow("output_image", output_image);
    return 0;
}