 |
OpenCV 4.11.0
开源计算机视觉库
|
|
OpenCV 4.11.0
开源计算机视觉库
|
色彩校正的目的是将输入和输出设备的色彩响应调整到已知状态。被校准的设备有时被称为校准源；用作标准的色彩空间有时被称为校准目标。色彩校准已广泛应用于许多行业，例如电视制作、游戏、摄影、工程、化学、医学等。由于输入和输出设备的制造过程，通道响应存在非线性失真。为了校正设备的图像输出，需要对捕捉到的颜色和实际颜色进行校准。
类 | |
| 类 | cv::ccm::ColorCorrectionModel |
| ccm 模型的核心类。 更多… | |
#include <opencv2/mcc/ccm.hpp>
可能的 ccm 类型枚举。
| 枚举器 | |
|---|---|
| CCM_3x3 Python: cv.ccm.CCM_3x3 | 形状为 \(3\times3\) 的 CCM 对颜色值执行线性变换。 |
| CCM_4x3 Python: cv.ccm.CCM_4x3 | 形状为 \(4\times3\) 的 CCM 执行仿射变换。 |
#include <opencv2/mcc/ccm.hpp>
| 枚举器 | |
|---|---|
| COLOR_SPACE_sRGB Python: cv.ccm.COLOR_SPACE_sRGB | https://en.wikipedia.org/wiki/SRGB，RGB 色彩空间 |
| COLOR_SPACE_sRGBL Python: cv.ccm.COLOR_SPACE_sRGBL | https://en.wikipedia.org/wiki/SRGB，线性 RGB 色彩空间 |
| COLOR_SPACE_AdobeRGB Python: cv.ccm.COLOR_SPACE_AdobeRGB | https://en.wikipedia.org/wiki/Adobe_RGB_color_space，RGB 色彩空间 |
| COLOR_SPACE_AdobeRGBL Python: cv.ccm.COLOR_SPACE_AdobeRGBL | https://en.wikipedia.org/wiki/Adobe_RGB_color_space，线性 RGB 色彩空间 |
| COLOR_SPACE_WideGamutRGB Python: cv.ccm.COLOR_SPACE_WideGamutRGB | https://en.wikipedia.org/wiki/Wide-gamut_RGB_color_space，RGB 色彩空间 |
| COLOR_SPACE_WideGamutRGBL Python: cv.ccm.COLOR_SPACE_WideGamutRGBL | https://en.wikipedia.org/wiki/Wide-gamut_RGB_color_space，线性 RGB 色彩空间 |
| COLOR_SPACE_ProPhotoRGB Python: cv.ccm.COLOR_SPACE_ProPhotoRGB | https://en.wikipedia.org/wiki/ProPhoto_RGB_color_space，RGB 色彩空间 |
| COLOR_SPACE_ProPhotoRGBL Python: cv.ccm.COLOR_SPACE_ProPhotoRGBL | https://en.wikipedia.org/wiki/ProPhoto_RGB_color_space，线性 RGB 色彩空间 |
| COLOR_SPACE_DCI_P3_RGB Python: cv.ccm.COLOR_SPACE_DCI_P3_RGB | https://en.wikipedia.org/wiki/DCI-P3，RGB 色彩空间 |
| COLOR_SPACE_DCI_P3_RGBL Python: cv.ccm.COLOR_SPACE_DCI_P3_RGBL | https://en.wikipedia.org/wiki/DCI-P3，线性 RGB 色彩空间 |
| COLOR_SPACE_AppleRGB Python: cv.ccm.COLOR_SPACE_AppleRGB | |
| COLOR_SPACE_AppleRGBL Python: cv.ccm.COLOR_SPACE_AppleRGBL | https://en.wikipedia.org/wiki/RGB_color_space ，线性 RGB 颜色空间 |
| COLOR_SPACE_REC_709_RGB Python: cv.ccm.COLOR_SPACE_REC_709_RGB | https://en.wikipedia.org/wiki/Rec._709 ，RGB 颜色空间 |
| COLOR_SPACE_REC_709_RGBL Python: cv.ccm.COLOR_SPACE_REC_709_RGBL | https://en.wikipedia.org/wiki/Rec._709 ，线性 RGB 颜色空间 |
| COLOR_SPACE_REC_2020_RGB Python: cv.ccm.COLOR_SPACE_REC_2020_RGB | https://en.wikipedia.org/wiki/Rec._2020 ，RGB 颜色空间 |
| COLOR_SPACE_REC_2020_RGBL Python: cv.ccm.COLOR_SPACE_REC_2020_RGBL | https://en.wikipedia.org/wiki/Rec._2020 ，线性 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D65_2 Python: cv.ccm.COLOR_SPACE_XYZ_D65_2 | https://en.wikipedia.org/wiki/CIE_1931_color_space ，非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D65_10 Python: cv.ccm.COLOR_SPACE_XYZ_D65_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D50_2 Python: cv.ccm.COLOR_SPACE_XYZ_D50_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D50_10 Python: cv.ccm.COLOR_SPACE_XYZ_D50_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_A_2 Python: cv.ccm.COLOR_SPACE_XYZ_A_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_A_10 Python: cv.ccm.COLOR_SPACE_XYZ_A_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D55_2 Python: cv.ccm.COLOR_SPACE_XYZ_D55_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D55_10 Python: cv.ccm.COLOR_SPACE_XYZ_D55_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D75_2 Python: cv.ccm.COLOR_SPACE_XYZ_D75_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_D75_10 Python: cv.ccm.COLOR_SPACE_XYZ_D75_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_E_2 Python: cv.ccm.COLOR_SPACE_XYZ_E_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_XYZ_E_10 Python: cv.ccm.COLOR_SPACE_XYZ_E_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D65_2 Python: cv.ccm.COLOR_SPACE_Lab_D65_2 | https://en.wikipedia.org/wiki/CIELAB_color_space ，非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D65_10 Python: cv.ccm.COLOR_SPACE_Lab_D65_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D50_2 Python: cv.ccm.COLOR_SPACE_Lab_D50_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D50_10 Python: cv.ccm.COLOR_SPACE_Lab_D50_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_A_2 Python: cv.ccm.COLOR_SPACE_Lab_A_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_A_10 Python: cv.ccm.COLOR_SPACE_Lab_A_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D55_2 Python: cv.ccm.COLOR_SPACE_Lab_D55_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D55_10 Python: cv.ccm.COLOR_SPACE_Lab_D55_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D75_2 Python: cv.ccm.COLOR_SPACE_Lab_D75_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_D75_10 Python: cv.ccm.COLOR_SPACE_Lab_D75_10 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_E_2 Python: cv.ccm.COLOR_SPACE_Lab_E_2 | 非 RGB 颜色空间 |
| COLOR_SPACE_Lab_E_10 Python: cv.ccm.COLOR_SPACE_Lab_E_10 | 非 RGB 颜色空间 |
#include <opencv2/mcc/ccm.hpp>
Macbeth 和 Vinyl ColorChecker，2 度视角 D50。
#include <opencv2/mcc/ccm.hpp>
计算颜色之间距离的可能函数的枚举。
详情请参见 https://en.wikipedia.org/wiki/Color_difference
#include <opencv2/mcc/ccm.hpp>
初始方法可能类型的枚举。
#include <opencv2/mcc/ccm.hpp>
线性化变换类型。
颜色校正的第一步是线性化检测到的颜色。由于输入颜色空间尚未校准，我们通常使用一些经验方法进行线性化。有几种常见的线性化方法。第一种是恒等变换，第二种是伽马校正，第三种是多项式拟合。
线性化通常是逐元素函数。数学符号如下：
\(C\)：颜色的任何通道，可以是\(R, G\)或\(B\)。
\(R, G, B\)：分别表示\(R, G, B\)通道。
\(G\)：灰度；
\(s,sl\)：下标，分别表示检测到的数据及其线性化值，前者为输入，后者为输出；
\(d,dl\)：下标，分别表示参考数据及其线性化值。
在恒等变换线性化过程中不进行任何更改，通常是因为输入RGB图像的三刺激值已经与亮度成比例。例如，如果输入测量数据为RAW格式，则测量数据已经是线性的，因此不需要线性化。
恒等变换公式如下：
\[ C_{sl}=C_s \]
伽马校正是在RGB空间中执行非线性的一种方法，详情请参见颜色空间文档。在线性化部分，\(\gamma\)的值通常设置为2.2。您也可以自定义该值。
伽马校正线性化公式如下：
\[ C_{sl}=C_s^{\gamma},\qquad C_s\ge0\\ C_{sl}=-(-C_s)^{\gamma},\qquad C_s<0\\\\ \]
多项式拟合使用多项式进行线性化。假设多项式为：
\[ f(x)=a_nx^n+a_{n-1}x^{n-1}+... +a_0 \]
那么
\[ C_{sl}=f(C_s) \]
在实践中，使用\(n\le3\)以防止过拟合。
多项式拟合有很多变体，区别在于生成\(f(x)\)的方式。通常需要使用线性化参考颜色和相应的检测颜色来计算多项式参数。但是，并非所有颜色都可以参与计算。需要去除饱和度检测到的颜色。详情请参见算法介绍文档。
使用三个多项式\(r(x), g(x), b(x)\)对RGB颜色空间的每个通道进行线性化[1-3]
\[ R_{sl}=r(R_s)\\ G_{sl}=g(G_s)\\ B_{sl}=b(B_s)\\ \]
通过最小化检测到的数据和线性化参考数据之间的残差平方和来生成多项式。以R通道为例：
\[ R=\arg min_{f}(\Sigma(R_{dl}-f(R_S)^2) \]
这等效于寻找以下方程的最小二乘回归：
\[ f(R_{s1})=R_{dl1}\\ f(R_{s2})=R_{dl2}\\ ... \]
使用多项式，上述方程变为：
\[ \begin{bmatrix} R_{s1}^{n} & R_{s1}^{n-1} & ... & 1\\ R_{s2}^{n} & R_{s2}^{n-1} & ... & 1\\ ... & ... & ... & ... \end{bmatrix} \begin{bmatrix} a_{n}\\ a_{n-1}\\ ... \\ a_0 \end{bmatrix} = \begin{bmatrix} R_{dl1}\\ R_{dl2}\\ ... \end{bmatrix} \]
它可以表示为线性方程组：
\[ AX=B \]
当参考颜色的数量不少于多项式的阶数时，线性系统具有最小二乘解：
\[ X=(A^TA)^{-1}A^TB \]
一旦我们得到多项式系数，我们就可以得到多项式r。
这种求多项式系数的方法可以用numpy中的numpy.polyfit实现，这里表示为：
\[ R=polyfit(R_S, R_{dl}) \]
需要注意的是，一般来说，我们想要得到的多项式保证在区间[0,1]单调递增，但这意味着需要非线性方法来生成多项式（详情见[4]）。这会大大增加程序的复杂性。考虑到单调性不影响颜色校正程序的正确运行，程序中仍然使用polyfit来实现。
其他通道的参数也可以用类似的方法推导出来。
在这种方法[2]中，所有通道都使用单个多项式。该多项式仍然是从检测到的颜色到线性参考颜色的polyfit结果。但是，只有参考颜色的灰度才能参与计算。
由于对应于参考颜色灰度的检测颜色不一定是灰度，因此需要将其灰度化。灰度指的是XYZ颜色空间的Y通道。检测数据的颜色空间未确定，无法转换为XYZ空间。因此，使用sRGB公式进行近似[5]。
\[ G_{s}=0.2126R_{s}+0.7152G_{s}+0.0722B_{s} \]
然后可以使用polyfit获得多项式参数。
\[ f=polyfit(G_{s}, G_{dl}) \]
获得\(f\)后，可以进行线性化。
对于伽马校正公式，我们取对数：
\[ ln(C_{sl})={\gamma}ln(C_s),\qquad C_s\ge0\ \]
可以看出，\(ln(C_s)\)和\(ln(C_{sl})\)之间存在线性关系。可以认为该公式是多项式关系的近似，即存在多项式\(f\)，使得[2]
\[ ln(C_{sl})=f(ln(C_s)), \qquad C_s>0\\ C_{sl}=0, \qquad C_s=0 \]
因为\(exp(ln(0))\to\infty \)，所以上述公式中分量为0的通道直接映射到0。
对于分通道拟合，我们有：
\[ r=polyfit(ln(R_s),ln(R_{dl}))\\ g=polyfit(ln(G_s),ln(G_{dl}))\\ b=polyfit(ln(B_s),ln(B_{dl}))\\ \]
注意\(ln(*)\)的参数不能为0。因此，我们需要从\(R_s\)和\(R_{dl}\)，\(G_s\)和\(G_{dl}\)，\(B_s\)和\(B_{dl}\)中删除值为0的通道。
因此
\[ ln(R_{sl})=r(ln(R_s)), \qquad R_s>0\\ R_{sl}=0, \qquad R_s=0\\ ln(G_{sl})=g(ln(G_s)),\qquad G_s>0\\ G_{sl}=0, \qquad G_s=0\\ ln(B_{sl})=b(ln(B_s)),\qquad B_s>0\\ B_{sl}=0, \qquad B_s=0\\ \]
对于灰度多项式，也有
\[ f=polyfit(ln(G_{sl}),ln(G_{dl})) \]
和
\[ ln(C_{sl})=f(ln(C_s)), \qquad C_s>0\\ C_{sl}=0, \qquad C_s=0 \]
1.12.0 生成