数字图像处理（十一）白平衡算法

---

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。

1. 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$Y\ne 255$。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$\bar{Y}$。
2. 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 ) ∈ Ω w h i t e } \{f(i,j)\in\Omega_{white}\} {f(i,j)∈Ωwhite​}。
3. 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$\bar{R}$、 $\bar{G}$、$\bar{B}$。
4. 按照下式计算颜色均衡调整参数：$$k_R=\frac{\bar{Y}}{\bar{G}}$$$$k_G=\frac{\bar{Y}}{\bar{G}}$$$$k_B=\frac{\bar{Y}}{\bar{B}}$$
5. 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：$$R^{\ast }=k_R\cdot R$$$$G^{\ast }=k_G\cdot G$$$$B^{\ast }=k_B\cdot B$$

---

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;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

---

四、实验结果

参考

1.数字图像处理基础.朱虹