一、原始的灰度世界算法
灰度世界算法(Gray World)是以灰度世界假设为基础的,该假设认为对于一幅有着大量色彩变化的图像, R、 G、 B 三个分量的平均值趋于同一个灰度K。一般有两种方法来确定该灰度。
(1)直接给定为固定值, 取其各通道最大值的一半,即取为127或128;
(2)令 K = (Raver+Gaver+Baver)/3,其中Raver,Gaver,Baver分别表示红、 绿、 蓝三个通道的平均值。
算法的第二步是分别计算各通道的增益:
Kr=K/Raver;
Kg=K/Gaver;
Kb=K/Baver;
算法第三步为根据Von Kries 对角模型,对于图像中的每个像素R、G、B,计算其结果值:
Rnew = R * Kr;
Gnew = G * Kg;
Bnew = B * Kb;
对于上式,计算中可能会存在溢出(>255,不会出现小于0的)现象,处理方式有两种。
a、 直接将像素设置为255,这可能会造成图像整体偏白。
b、 计算所有Rnew、Gnew、Bnew的最大值,然后利用该最大值将将计算后数据重新线性映射到[0,255]内。实践证明这种方式将会使图像整体偏暗,建议采用第一种方案。
二、完美反射算法
当初写这个代码的时候的一些参考文献一下子也找不到了,就从已经写好的代码中描述下该算法的过程吧。
原理:完美全反射理论perfect Reflector假设图像上最亮点就是白点,并以此白点为参考对图像进行自动白平衡,最亮点定义为R+G+B的最大值,具体编码步骤如下:
(1)计算每个像素的R\G\B之和,并保存到一临时内存块中。
1
2
3
4
5
6
7
8
9
10
11
12
|
for
(Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for
(X = 0; X < Width; X++)
{
Sum = (
short
)(*(Pointer) + *(Pointer + 1) + *(Pointer + 2));
// R+G+B
HistRGB[Sum]++;
*SumP = (
short
)Sum;
Pointer += 3;
SumP++;
}
}
|
(2)按R+G+B值的大小计算出其前10%或其他Ratio的白色参考点的的阈值T。
1
2
3
4
5
6
7
8
9
|
for
(Y = 767; Y >= 0; Y--)
{
Sum += HistRGB[Y];
if
(Sum > Width * Height * Ratio / 100)
{
Threshold = Y;
break
;
}
}
|
(3)遍历图像中的每个点,计算其中R+G+B值大于T的所有点的R\G\B分量的累积和的平均值。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
for
(Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for
(X = 0; X < Width; X++)
{
if
(*SumP > Threshold)
{
AvgB += *Pointer;
AvgG += *(Pointer + 1);
AvgR += *(Pointer + 2);
// 为获得增益做准备
Amount++;
}
Pointer += 3;
SumP++;
}
}
AvgB /= Amount;
AvgG /= Amount;
AvgR /= Amount;
|
(4)对每个点将像素量化到[0,255]之间。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
for
(Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for
(X = 0; X < Width; X++)
{
Blue = *Pointer * MaxValue / AvgB;
// 另外一种算法需要先计算不抑制重新计算的RGB的范围,然后求RGB的最大值,如果最大值大于255,则所有的结果都要除以最大值在乘以255,但实际表明该算法、 不合适;
Green = *(Pointer + 1) * MaxValue / AvgG;
Red = *(Pointer + 2) * MaxValue / AvgR;
if
(Red > 255) Red = 255;
else
if
(Red < 0) Red = 0;
// 这里需要判断,因为RGB空间所有的颜色转换到YCbCr后,并不是填充满了0-255的范围的,反转过去就会存在一些溢出的点。
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;
*Pointer = (
byte
)Blue;
*(Pointer + 1) = (
byte
)Green;
*(Pointer + 2) = (
byte
)Red;
Pointer += 3;
}
|
三、动态阈值算法
参考论文:A Novel Automatic White Balance Method For Digital Still Cameras
同经典的一些算法相同,算法分为两个步骤:白点检测和白点调整。
白点检测:
(1)为了增强算法的鲁棒性,原文将图像分成12部分,其中宽高比为4:3,关于这一点,我认为不合理,对图像不是通用的,后文再说。
(2)计算每个区域的Cb\Cr分量的平均值Mb/Mr。
(3)按下式计算每个区域的Cb\Cr分量的绝对差的累积值Db/Dr:
上式中N为每个区域的像素数。
(4)如果Db/Dr的值偏小,则我们忽略这一块,因为这表明这一块的颜色分布比较均匀,而这样的局部对于白平衡不好。这个偏小的准则我们稍微再谈。
(5)统计对于除了符合第四条的的其他区域的Mb/Mr/Db/Dr的平均值作为整幅图像的Mb/Mr/Db/Dr值。
关于这一条,原文的话是:The final Mb、Mr、Db、Dr are obtained by taking the average of those regions that pass this additional step。
我在实际中做的时候就是分别对每块进行的,似乎效果也还不错。
(6)按下述规则初步确定哪些点是属于白色参考点:
(7)对于初步判断已经属于白色参考点的像素,按大小取其亮度值为前10%的位最终确定的白色参考点。
白点调整:
(1)计算白色参考点亮度值的平均值Raver,Gaver,Baver,(各通道分开计算)。
(2)按照以下各式计算每个通道的增益:
式中,Ymax就是YCbCr颜色空间中Y分量的在整幅图像中的最大值。
(3)按照以下各式计算最终每个通道的颜色值:
其中R/G/B为在原始的颜色空间中的值,注意这里要进行溢出检测的。
简单的谈下白点检测的分块操作吧,原文把图像分成4*3的12快,这样做事针对于我们很多数码照片是这个比例的,如果通用,我觉得应该用每个块的大小来控制,比如每块为 100*100个像素。
该算法效果非常好;对块大小不太敏感,因此非常适合于自动化操作。
同样,提供个编译好的文件给有兴趣研究该算法的朋友看看效果:
http://files.cnblogs.com/Imageshop/AutoWhiteBalance.zip
********作者: laviewpbt 时间: 2013.4.20 联系QQ: 33184777 转载请保留本行信息*********