基于灰度世界、完美反射、动态阈值等图像自动白平衡算法

一、灰度世界算法

C++ 算法: 灰度世界
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。

算法步骤

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；
   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。

2. 分别计算各通道的增益：
   Kr=K/Raver;
   Kg=K/Gaver;
   Kb=K/Baver;

3. 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。

import numpy as np
import cv2


def grayworld(img):
    height,width = img.shape[:2]
    dst = np.zeros((height,width,3),dtype=np.float64)
    BGR = np.sum(img,axis=(1,2))
    BGR = np.divide(BGR,height*width)
    GrayValue = np.mean(BGR)
    kb = GrayValue / BGR[0]
    kg = GrayValue / BGR[1]
    kr = GrayValue / BGR[2]

    dst[:,:,0] = np.multiply(kb,img[:,:,0])
    dst[:,:,1] = np.multiply(kg,img[:,:,1])
    dst[:,:,2] = np.multiply(kr,img[:,:,2])
    dst = np.where(dst>255.0,255, dst).astype(np.uint8)
    return dst



if __name__ == '__main__':
    img = cv2.imread("001.png")
    dst = grayworld(img)
    cv2.imshow("raw_img",img)
    cv2.imshow("dst_img",dst)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
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

一般来说，灰度世界算法的效果还是比较好的呢，并且该算法的执行速度非常之快，目前也存在了不少对该算法进行改进的效果。
处理效果图:（原图 – 效果图）
显然衣服白平衡有所改善，但是脸部出现高光的情形。

二、完美反射算法

C++ 实现：自动白平衡之完美反射算法原理

1. 计算每个像素之和并保存。
2. 按照 R+G+B 的值的大小计算出其前10%或其他Ratio的白色参考点的阈值T。
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。
4. 将每个像素量化到 [0,255] 。

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：

python 实现

import numpy as np
import cv2


def perfect_reflection(img):
    height,width = img.shape[:2]
    thresh = height * width * 0.1
    sum_array = np.sum(img.copy(),axis=2)
    MaxVal = np.max(sum_array)
    HistRGB = np.bincount(sum_array.reshape(1,-1)[0])
    HistRGB_Sum = np.add.accumulate(HistRGB[::-1])
    Threshold = np.argwhere(HistRGB_Sum>thresh)[0][0]

    Thresh_array = np.where(sum_array>Threshold,1,0)
    cnt = np.count_nonzero(Thresh_array)

    Thresh_array = Thresh_array[:, :, np.newaxis].repeat(3, axis=2)
    sumBGR = np.sum(np.multiply(img,Thresh_array),axis=(0,1))
    AvgB = sumBGR[0]/cnt
    AvgG = sumBGR[1]/cnt
    AvgR = sumBGR[2]/cnt

    dst = np.zeros_like(img,dtype=np.float64)
    dst[:,:,0] = np.divide(np.multiply(img[:,:,0],MaxVal),AvgB)
    dst[:,:,1] = np.divide(np.multiply(img[:,:,1],MaxVal),AvgG)
    dst[:,:,2] = np.divide(np.multiply(img[:,:,2],MaxVal),AvgR)

    dst = np.where(dst>255,255,0).astype(np.uint8)
    return dst



if __name__ == '__main__':
    img = cv2.imread("001.png")
    dst = perfect_reflection(img)
    cv2.imwrite("perfect_reflection.png",dst)
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

效果不对，待改进。

三、动态阈值算法

参考论文：A Novel Automatic White Balance Method For Digital Still Cameras

C++ 算法：动态阈值法
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。
   python代码：

   待续
   1