OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法

算法介绍

这是OpenCV图像处理专栏的第十一篇文章,之前介绍过两种处理白平衡的算法,分别为灰度世界算法和完美反射算法。今天来介绍另外一个自动白平衡的算法,即动态阈值法,一个看起来比较厉害的名字。论文原文链接放在附录。

算法原理

和灰度世界法和完美反射算法类似,动态阈值算法仍然分为两个步骤即白点检测和白点调整,具体如下:

白点检测

  • 1、把尺寸为 w × h w\times h w×h的原图像从 R G B RGB RGB空间转换到 Y C r C b YCrCb YCrCb空间。

  • 2、把图像分成 3 × 4 3\times 4 3×4个块。

  • 3、对每个块分别计算 C r Cr Cr C b Cb Cb的平均值 M r Mr Mr M b Mb Mb

  • 4、判定每个块的近白区域(near-white region)。判别准则为:
    - C b ( i , j ) − ( M b + D b × s i g n ( M b ) ) < 1.5 × D b Cb(i, j) − (Mb + Db\times sign(Mb)) < 1.5\times Db Cb(i,j)(Mb+Db×sign(Mb))<1.5×Db
    - C r ( i , j ) − ( 1.5 × M r + D r × s i g n ( M r ) ) < 1.5 × D r Cr(i, j) − (1.5\times Mr + Dr \times sign(Mr )) < 1.5\times Dr Cr(i,j)(1.5×Mr+Dr×sign(Mr))<1.5×Dr,其中sign为符号函数,即正数返回1,负数返回0。

  • 5、设一个“参考白色点”的亮度矩阵 R L RL RL,大小为 w × h w\times h w×h

  • 6、若符合判别式,则作为“参考白色点”,并把该点 ( i , j ) (i,j) ij的亮度( Y Y Y分量)值赋给 R L ( i , j ) RL(i,j) RL(i,j)。若不符合,则该点的 R L ( i , j ) RL(i,j) RL(i,j)值为0。

白点调整

  • 1、选取参考“参考白色点”中最大的10%的亮度(Y分量)值,并选取其中的最小值Lu_min
  • 2、调整RL,若RL(i,j), RL(i,j)=0; 否则,RL(i,j)=1
  • 3、分别把RGBRL相乘,得到R2G2B2。 分别计算R2G2B2的平均值,RavGavBav
  • 4、 得到调整增益:定义Ymax=double(max(max(Y))),则Rgain=Ymax/Rav,Ggain=Ymax/Gav, Bgain=Ymax/Bav
  • 5、调整原图像:Ro= R*Rgain; Go= G*Ggain; Bo= B*Bgain;

代码实现

块的大小取了100,没处理长或者宽不够100的结尾部分,这个可以自己添加。

const float YCbCrYRF = 0.299F;              // RGB转YCbCr的系数(浮点类型)
const float YCbCrYGF = 0.587F;
const float YCbCrYBF = 0.114F;
const float YCbCrCbRF = -0.168736F;
const float YCbCrCbGF = -0.331264F;
const float YCbCrCbBF = 0.500000F;
const float YCbCrCrRF = 0.500000F;
const float YCbCrCrGF = -0.418688F;
const float YCbCrCrBF = -0.081312F;

const float RGBRYF = 1.00000F;            // YCbCr转RGB的系数(浮点类型)
const float RGBRCbF = 0.0000F;
const float RGBRCrF = 1.40200F;
const float RGBGYF = 1.00000F;
const float RGBGCbF = -0.34414F;
const float RGBGCrF = -0.71414F;
const float RGBBYF = 1.00000F;
const float RGBBCbF = 1.77200F;
const float RGBBCrF = 0.00000F;

const int Shift = 20;
const int HalfShiftValue = 1 << (Shift - 1);

const int YCbCrYRI = (int)(YCbCrYRF * (1 << Shift) + 0.5);         // RGB转YCbCr的系数(整数类型)
const int YCbCrYGI = (int)(YCbCrYGF * (1 << Shift) + 0.5);
const int YCbCrYBI = (int)(YCbCrYBF * (1 << Shift) + 0.5);
const int YCbCrCbRI = (int)(YCbCrCbRF * (1 << Shift) + 0.5);
const int YCbCrCbGI = (int)(YCbCrCbGF * (1 << Shift) + 0.5);
const int YCbCrCbBI = (int)(YCbCrCbBF * (1 << Shift) + 0.5);
const int YCbCrCrRI = (int)(YCbCrCrRF * (1 << Shift) + 0.5);
const int YCbCrCrGI = (int)(YCbCrCrGF * (1 << Shift) + 0.5);
const int YCbCrCrBI = (int)(YCbCrCrBF * (1 << Shift) + 0.5);

const int RGBRYI = (int)(RGBRYF * (1 << Shift) + 0.5);              // YCbCr转RGB的系数(整数类型)
const int RGBRCbI = (int)(RGBRCbF * (1 << Shift) + 0.5);
const int RGBRCrI = (int)(RGBRCrF * (1 << Shift) + 0.5);
const int RGBGYI = (int)(RGBGYF * (1 << Shift) + 0.5);
const int RGBGCbI = (int)(RGBGCbF * (1 << Shift) + 0.5);
const int RGBGCrI = (int)(RGBGCrF * (1 << Shift) + 0.5);
const int RGBBYI = (int)(RGBBYF * (1 << Shift) + 0.5);
const int RGBBCbI = (int)(RGBBCbF * (1 << Shift) + 0.5);
const int RGBBCrI = (int)(RGBBCrF * (1 << Shift) + 0.5);

Mat RGB2YCbCr(Mat src) {
	int row = src.rows;
	int col = src.cols;
	Mat dst(row, col, CV_8UC3);
	for (int i = 0; i < row; i++) {
		for (int j = 0; j < col; j++) {
			int Blue = src.at(i, j)[0];
			int Green = src.at(i, j)[1];
			int Red = src.at(i, j)[2];
			dst.at(i, j)[0] = (int)((YCbCrYRI * Red + YCbCrYGI * Green + YCbCrYBI * Blue + HalfShiftValue) >> Shift);
			dst.at(i, j)[1] = (int)(128 + ((YCbCrCbRI * Red + YCbCrCbGI * Green + YCbCrCbBI * Blue + HalfShiftValue) >> Shift));
			dst.at(i, j)[2] = (int)(128 + ((YCbCrCrRI * Red + YCbCrCrGI * Green + YCbCrCrBI * Blue + HalfShiftValue) >> Shift));
		}
	}
	return dst;
}

Mat YCbCr2RGB(Mat src) {
	int row = src.rows;
	int col = src.cols;
	Mat dst(row, col, CV_8UC3);
	for (int i = 0; i < row; i++) {
		for (int j = 0; j < col; j++) {
			int Y = src.at(i, j)[0];
			int Cb = src.at(i, j)[1] - 128;
			int Cr = src.at(i, j)[2] - 128;
			int Red = Y + ((RGBRCrI * Cr + HalfShiftValue) >> Shift);
			int Green = Y + ((RGBGCbI * Cb + RGBGCrI * Cr + HalfShiftValue) >> Shift);
			int Blue = Y + ((RGBBCbI * Cb + HalfShiftValue) >> Shift);
			if (Red > 255) Red = 255; else if (Red < 0) Red = 0;
			if (Green > 255) Green = 255; else if (Green < 0) Green = 0;    // 编译后应该比三目运算符的效率高
			if (Blue > 255) Blue = 255; else if (Blue < 0) Blue = 0;
			dst.at(i, j)[0] = Blue;
			dst.at(i, j)[1] = Green;
			dst.at(i, j)[2] = Red;
		}
	}
	return dst;
}

template
inline T sign(T const &input) {
	return input >= 0 ? 1 : -1;
}

Mat AutomaticWhiteBalanceMethod(Mat src) {
	int row = src.rows;
	int col = src.cols;
	if (src.channels() == 4) {
		cvtColor(src, src, CV_BGRA2BGR);
	}
	Mat input = RGB2YCbCr(src);
	Mat mark(row, col, CV_8UC1);
	int sum = 0;
	for (int i = 0; i < row; i += 100) {
		for (int j = 0; j < col; j += 100) {
			if (i + 100 < row && j + 100 < col) {
				Rect rect(j, i, 100, 100);
				Mat temp = input(rect);
				Scalar global_mean = mean(temp);
				double dr = 0, db = 0;
				for (int x = 0; x < 100; x++) {
					uchar *ptr = temp.ptr(x) + 1;
					for (int y = 0; y < 100; y++) {
						dr += pow(abs(*ptr - global_mean[1]), 2);
						ptr++;
						db += pow(abs(*ptr - global_mean[2]), 2);
						ptr++;
						ptr++;
					}
				}
				dr /= 10000;
				db /= 10000;
				double cr_left_criteria = 1.5 * global_mean[1] + dr * sign(global_mean[1]);
				double cr_right_criteria = 1.5 * dr;
				double cb_left_criteria = global_mean[2] + db * sign(global_mean[2]);
				double cb_right_criteria = 1.5 * db;
				for (int x = 0; x < 100; x++) {
					uchar *ptr = temp.ptr(x) + 1;
					for (int y = 0; y < 100; y++) {
						uchar cr = *ptr;
						ptr++;
						uchar cb = *ptr;
						ptr++;
						ptr++;
						if ((cr - cb_left_criteria) < cb_right_criteria && (cb - cr_left_criteria) < cr_right_criteria) {
							sum++;
							mark.at(i + x, j + y) = 1;
						}
						else {
							mark.at(i + x, j + y) = 0;
						}
					}
				}
			}
		}
	}

	int Threshold = 0;
	int Ymax = 0;
	int Light[256] = { 0 };
	for (int i = 0; i < row; i++) {
		for (int j = 0; j < col; j++) {
			if (mark.at(i, j) == 1) {
				Light[(int)(input.at(i, j)[0])]++;
			}
			Ymax = max(Ymax, (int)(input.at(i, j)[0]));
		}
	}
	printf("maxY: %d\n", Ymax);
	int sum2 = 0;
	for (int i = 255; i >= 0; i--) {
		sum2 += Light[i];
		if (sum2 >= sum * 0.1) {
			Threshold = i;
			break;
		}
	}
	printf("Threshold: %d\n", Threshold);
	printf("Sum: %d Sum2: %d\n", sum, sum2);
	double Blue = 0;
	double Green = 0;
	double Red = 0;
	int cnt2 = 0;
	for (int i = 0; i < row; i++) {
		for (int j = 0; j < col; j++) {
			if (mark.at(i, j) == 1 && (int)(input.at(i, j)[0]) >= Threshold) {
				Blue += 1.0 * src.at(i, j)[0];
				Green += 1.0 * src.at(i, j)[1];
				Red += 1.0 * src.at(i, j)[2];
				cnt2++;
			}
		}
	}
	Blue /= cnt2;
	Green /= cnt2;
	Red /= cnt2;
	printf("%.5f %.5f %.5f\n", Blue, Green, Red);
	Mat dst(row, col, CV_8UC3);
	double maxY = Ymax;
	for (int i = 0; i < row; i++) {
		for (int j = 0; j < col; j++) {
			int B = (int)(maxY * src.at(i, j)[0] / Blue);
			int G = (int)(maxY * src.at(i, j)[1] / Green);
			int R = (int)(maxY * src.at(i, j)[2] / Red);
			if (B > 255) B = 255; else if (B < 0) B = 0;
			if (G > 255) G = 255; else if (G < 0) G = 0;
			if (R > 255) R = 255; else if (R < 0) R = 0;
			dst.at(i, j)[0] = B;
			dst.at(i, j)[1] = G;
			dst.at(i, j)[2] = R;
		}
	}
	return dst;
}

效果

图像均为算法处理前和处理后的顺序。

OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第1张图片
OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第2张图片
OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第3张图片
OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第4张图片
OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第5张图片
OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法_第6张图片

附录

论文原文:http://140.112.114.62/bitstream/246246/200704191001444/1/01465458.pdf

参考文章:https://www.cnblogs.com/Imageshop/archive/2013/04/20/3032062.html

后记

对比前面的灰度世界算法和完美反射算法后,这个算法的效果确实要好很多,原文的内容基本上我的博客就写完了,感兴趣可以再去读读原文。


欢迎关注我的微信公众号GiantPandaCV,期待和你一起交流机器学习,深度学习,图像算法,优化技术,比赛及日常生活等。
图片.png

你可能感兴趣的:(数字图像处理论文和算法复现)