企业网站推广的方法有什么,offic做网站的软件,兰州软件开发公司,注册安全工程师考试从数码相机直接输出的未经过处理过的RAW图到平常看到的JEPG图有一系列复杂的图像信号处理过程#xff0c;称作ISP#xff08;Image Signal Processing#xff09;。这个过程会经过图像处理和压缩。
参考文章1#xff1a;http://t.csdn.cn/LvHH5
参考文章2#xff1a;htt…从数码相机直接输出的未经过处理过的RAW图到平常看到的JEPG图有一系列复杂的图像信号处理过程称作ISPImage Signal Processing。这个过程会经过图像处理和压缩。
参考文章1http://t.csdn.cn/LvHH5
参考文章2http://t.csdn.cn/c97t5
参考文章3http://t.csdn.cn/UbAOu
http://t.csdn.cn/HuI67
参考文章4http://t.csdn.cn/lwUAc
参考文章5http://t.csdn.cn/HuI67
参考文章下面整理的笔记Understanding White Balance Control - 知乎 (zhihu.com)
人眼具有颜色恒常性可以避免光源变化带来的颜色变化但是图像传感器不具备这种特性从而造成色偏白平衡就是需要校正这个颜色的偏差。
颜色恒常性是指在照度发生变化的条件下人们对物体表面颜色的知觉趋于稳定的心理倾向。
色温描述的是具有一定表面温度的“黑体”(blackbody)的辐射光的光谱特性。简单的理解就是颜色随温度的变化规律比如生铁就是黑色加热会变成橘红色继续加热到液态会呈现偏白的颜色这种随温度而产生的颜色变化就光谱特性。 白平衡校正 手动白平衡在拍照前通过拍摄一个18度灰的卡片然后计算出当时环境的白平衡增益值对后面的图片进行校正 自动白平衡相机通过本身的算法通过获取的图像自动计算出增益值对图像进行校正的方式。
AWB(Automatic White Balance)自动白平衡理解
为了将拍摄场景中的白色物体在显示时正确还原为白色首先需要知道真实的白色物体在sensor RGB 空间中呈现什么颜色。常用的方法是通过实验标定标准白色在一些典型色温下呈现的sensor RGB 颜色然后通过几个标定的色温点可以外推白色在所有可能色温下呈现的颜色从而建立场景色温与sensor RGB 白色的对应关系这个对应关系通常用白平衡增益来描述。
白平衡增益通常记为R/G, B/G即红色和蓝色相对于绿色的比例。目前对白平衡增益存在两种不同的定义:
1.一部分厂家将R/G, B/G定义为sensor捕捉到的图像中红色和蓝色的统计值因此在高色温如D65下B/G大于R/G。
海思的光源的色温曲线普朗克曲线表现为下图所示的形状。 通过对不同sensor的色温曲线标定数据可知在D50-D65之间 R/G、B/G的比值基本相近相差不大。在低色温的时候主要是G和B分量在改变在高色温的时候主要是G和B分量在改变。
以海思的色温曲线为例从直角双曲线的两个坐标方向来看在D50-D65这个R/G、B/G为分界点沿着R/G的方向看最后应该会有一个B/G的饱和点。同理沿B/G方向看R/G也会有一个饱和点饱和区域的时候其两个坐标方向上看应该呈现一条类似接近直线的曲线段。
或者也可以这么理解
色温越低R/G的比值越大B/G的比值越小当R/G达到某一阈值后B/G则缓慢变小直至达到一个最小值而不再改变。
同理色温越高B/G的比值越大R/G的比值越小当B/G达到某一阈值后R/G则缓慢变小直至达到一个最小值而不再改变。
直角双曲线靠近坐标的部分与坐标轴近似平行的直线段比较符合色温曲线的变化规律。
根据G/R和G/B用直角双曲线函数拟合的图像和海思的普朗克曲线十分相似如下图所示。 在这种定义下D65光源下的白色具有较大的B/G统计值。
2.另一部分厂家则将R/G, B/G定义成为了使sensor捕捉的图像达到白平衡需要施加的增益系数因此在高色温下B/G小于R/G。
在这种定义下D65光源下的白色需要较大的R/G增益才能达到白平衡。
以R/GB/G值代表增益系数而非图像的统计值在此定义下白平衡标定的大致过程是
以标定好的若干个色温点A, TL84, D50, D65, D75等为核心可以拟合出一条色温曲线。以色温曲线上的点为圆心以一定半径画椭圆可以得到一些列椭圆。所有椭圆所覆盖的R/GB/G集合就认为是真实场景中的白色物体在全部色温下的可能值。不落在这个范围内的颜色不认为是白色。
某些特殊光源如CWF光谱特征偏离黑体光谱较大因此需要单独标定。
一个好的白平衡算法需要能够检测出画面中存在的特殊场景并加以针对性的强化。点云分析是一种非常有效的提取图像特征的方法但由于需要分析每一个像素的白平衡增益所以计算量非常大。
理想的白平衡控制时序如下图所示其基本流程是
在第N帧图像结束时ISP硬件采集关于白平衡的统计信息白平衡算法根据第N帧的统计数据预测第N1帧的控制参数摄像机固件在第N1帧图像到达之前将白平衡控制参数写入ISP硬件寄存器第N1帧图像使用新的白平衡参数进行曝光 但是实际上由于两帧的时间间隔往往很小不容易保证算法完成一系列的计算和配置因此实际的白平衡控制往往采用隔帧生效的时序其基本流程如下图所示
在第N帧图像结束时ISP硬件采集关于白平衡的统计信息在第N1帧开始后白平衡算法根据第N帧的统计数据预测第N2帧的控制参数需要在第N1帧结束前完成所有计算摄像机固件在第N2帧图像到达之前将新的白平衡控制参数写入ISP硬件寄存器第N2帧图像使用新的白平衡参数进行曝光 白平衡校正算法
1.灰度世界算法
基于一个假说任一幅图像,当它有足够多的色彩变化,则它的RGB分量的均值会趋于相等。这是一个在自动白平衡方面应用极为广泛的理论。对此算法的流程如下
计算各个颜色通道的平均值寻找一个参考值K一般情况选取Gmean;计算Rgain Gmean/Rmean, Bgain Gmean/Bmean;对图像中的每个像素都乘以对应的gain值进行校正以下C代码不知道本人缺少什么运行条件在自己电脑上最后显示结果不太理想大家也可以试试该代码出自http://t.csdn.cn/edydD
//自动白平衡 //灰度世界算法
void GrayWorldAlgorithm(Mat src,Mat dst)
{assert(3src.channels());//求BGR分量均值auto mean mean(src);//需要调整的BGR分量的增益float gain_B(0),gain_G(0),gain_R(0);float K (mean[0]mean[1]mean[2])/3.0f;gain_B K/mean[0];gain_G K/mean[1];gain_R K/mean[2];vectorMat channels;split(src,channels);//调整三个通道各自的值channels[0] channels[0]*gain_B;channels[1] channels[1]*gain_G;channels[2] channels[2]*gain_R;//通道合并cv::merge(channels,dst);
}
下面的灰度世界法是本人自己根据理解写的但是显示结果存疑。有点怀疑是不是BGR的赋值跟输入图像的拜尔分布有关赋值顺序有误有能力者找到错误的可以帮我纠出(感谢感谢)
//灰度世界法输入三通道彩色图
Mat awbgray(Mat img_rgb8)
{Mat img_awb Mat::zeros(height, width, CV_32FC3);Mat imgR Mat::zeros(height, width, CV_8UC1);Mat imgG Mat::zeros(height, width, CV_8UC1);Mat imgB Mat::zeros(height, width, CV_8UC1);double Rsum0, Gsum0,Bsum0;/*unsigned char* srcdata;unsigned char *dstdata;*/for (int row 0; row height; row){//ptr得到行数据的头指针得到row行指针/*uchar* data img_awb.ptruchar(row);*/Vec3b* inptr img_rgb8.ptrVec3b(row);for (int col 0; col width; col){//BGGR分布//imgB.atVec3b(row, col)[0] b通道/*uchar bdata data[col * img_awb.channels() 0];*/imgB.atuchar(row, col) (*(inptr col))[0];imgG.atuchar(row, col) (*(inptr col))[1];imgR.atuchar(row, col) (*(inptr col))[2];Bsum imgB.atuchar(row, col);Gsum imgG.atuchar(row, col);Rsum imgR.atuchar(row, col);}}double Rmean0, Gmean0, Bmean 0;Rmean Rsum / (height * width);Gmean Gsum / (height * width);Bmean Bsum / (height * width);double K (Rmean Gmean Bmean) / 3;cout Rmeanvalue: Rmean endl;cout Gmeanvalue: Gmean endl;cout Bmeanvalue: Bmean endl;cout rgbmeanvalue: K endl;double Rgain K / Rmean;double Ggain K / Gmean;double Bgain K / Bmean;//重新调整计算RGB值for (int row 0; row height; row){Vec3b* inptr img_rgb8.ptrVec3b(row);Vec3f* outptr img_awb.ptrVec3f(row);for (int col 0; col width; col){(*(outptr col))[2] Rgain * (*(inptr col))[2];(*(outptr col))[1] Ggain * (*(inptr col))[1];(*(outptr col))[0] Bgain * (*(inptr col))[0];}}//convertScaleAbs(img_awb, img_awb);//转为CV_8UC1/*imshow(img_awb, img_awb);waitKey(0);*/return img_awb;
}
该方法运行得到的结果通过图像监视观察函数中的图像变化放大可以查看像素值没有在VS安装的可以自行安装Imagewatch,安装教程VS2022安装Image Watch插件_image watch for visual studio 2022_Aqder的博客-CSDN博客
感觉处理后的结果不太理想不知道是不是代码有误可指出。
左为输入右为输出不是一一对应的截图 2.完美反射法
(perfect Reflector)基于这样一种假设一幅图像中最亮的像素相当于物体有光泽或镜面上的点它传达了很多关于场景照明条件的信息。如果景物中有纯白的部分那么就可以直接从这些像素中提取出光源信息。因为镜面或有光泽的平面本身不吸收光线所以其反射的颜色即为光源的真实颜色这是因为镜面或有光泽的平面的反射比函数在很长的一段波长范围内是保持不变的。那么在这个假设下图像中就一定存在一个纯白色的的像素或者最亮的点。
完美反射法就是利用这种特性来对图像进行调整。算法执行时将待检测图像中亮度最高的像素作为参考白点以此点为基础就可计算出gain值从而进行校正。完美反射算法流程如下 1遍历原始图像统计RGB三通道之和的直方图 2遍历原始图像找到RGB三通道各自的最大值Bmax、Gmax、Rmax 3设定比例 r 对RGB之和的直方图进行倒叙遍历找到使白点像素个数超过总像素个数比例的阈值T 4遍历原始图像计算RGB之和大于 T 的像素各个通道取平均得到Bavg、Gavg、Ravg 5遍历原始图像分别计算RGB三通道的调整值AoutA / Aavg * Amax 6防溢出处理这里可以采用简单的截断即可。
有看到其他博文资料不使用比例和阈值的完美反射法但是运行结果和上面一样存疑。
设定比例r为10%使用C代码如下
//白平衡校正,完美反射法,使用比例r和阈值T
Mat awbreflect2(Mat img_rgb8)
{int histrgbsum[255 * 3 1] { 0 };double Rmax 0, Gmax 0, Bmax 0;//uchar maxrgb[3] { 0 };for (int row 0; row height; row){const uchar* inptr img_rgb8.ptruchar(row);for (int col 0; col width; col){//统计RGB三通道之和的直方图int sum *(inptr 3 * col) *(inptr 3 * col 1) *(inptr 3 * col 2);histrgbsum[sum];//找到RGB三通道各自的最大值Bmax、Gmax、RmaxBmax max(Bmax, (double)*(inptr 3 * col));Gmax max(Gmax, (double)*(inptr 3 * col 1));Rmax max(Rmax, (double)*(inptr 3 * col 2));/*maxrgb[0] max(maxrgb[0], *(inptr 3 * col));maxrgb[1] max(maxrgb[1], *(inptr 3 * col1));maxrgb[2] max(maxrgb[2], *(inptr 3 * col2));*/}}//设定比例r为10%double num 0,ratio0.1;int threshold 0;int len 0;lensizeof(histrgbsum) / sizeof(histrgbsum[0]);//int len end(histrgbsum) - begin(histrgbsum);cout histagram length: len endl;for (len; len 0; len--){num histrgbsum[len];//计算RGB的数量超过像素总数的ratio的像素值if (num height * width * ratio){//使白点像素个数超过总像素个数的比例时为阈值Tthreshold len;break;}}//计算RGB之和大于 T 的像素对大于阈值的像素各通道取平均得到Bavg、Gavg、Ravgdouble Rsum 0, Gsum 0, Bsum 0;double Ravg 0, Gavg 0, Bavg 0;int pixnum 0;for (int row 0; row height; row){const uchar* inptr img_rgb8.ptruchar(row);for (int col 0; col width; col){//计算RGB之和上面的局部变量又用一遍int sum *(inptr 3 * col) *(inptr 3 * col 1) *(inptr 3 * col 2);if (sum threshold){Bsum *(inptr 3 * col);Gsum *(inptr 3 * col 1);Rsum *(inptr 3 * col 2);pixnum;}}}Ravg Rsum / (double)pixnum;Gavg Gsum / (double)pixnum;Bavg Bsum / (double)pixnum;//创建与输入图像一样大小类型的矩阵Mat img_awb Mat::zeros(img_rgb8.size(), img_rgb8.type());//量化0-255,重新计算RGB值,分别计算RGB三通道的调整值AoutA / Aavg * Amaxdouble Rout 0, Gout 0, Bout 0;for (int row 0; row height; row){const uchar* inptr img_rgb8.ptruchar(row);uchar* outptr img_awb.ptruchar(row);for (int col 0; col width; col){Bout (double)*(inptr 3 * col) / Bavg * Bmax;Gout (double)*(inptr 3 * col1) / Gavg * Gmax;Rout (double)*(inptr 3 * col2) / Ravg * Rmax;Bout min(max((double)0, Bout), (double)255);Gout min(max((double)0, Gout), (double)255);Rout min(max((double)0, Rout), (double)255);//将计算好的RGB值赋给新矩阵*(outptr 3 * col) (uchar)Bout;*(outptr 3 * col1) (uchar)Gout;*(outptr 3 * col2) (uchar)Rout;}}return img_awb;}
断点运行之后图像监视下白平衡处理后得到的结果(左输入右输出不是一一对应的截图) 3.动态阈值法
YUV颜色空间亦称YCrCb主要用于优化彩色视频信号的传输Y表示亮度U和V表示色度色调和饱和度。亮度是通过RGB输入信号来建立的方法是将RGB信号的特定部分叠加到一起。“色度”则定义了颜色的两个方面─色调与饱和度分别用Cr和Cb来表示。其中Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之同的差异。
动态阈值算法通过将RGB变化到YCrCb颜色空间进行分析来确定白点其选择参考白点的阈值是动态变化的。我们通过对图片的YCrCb坐标空间的分析可以找到一个接近白色的区域该区域是包含着参考白点的通过设定一个阈值来规定某些点为参考白点。因此该算法是一个动态的自适应白平衡算法。
白平衡算法通常分为两步白色点的检测白色点的调整。本方法采用一个动态的阀值来检测白色点。详细算法过程参考如下:
(1)把图像w*h从RGB空间转换到YCrCb空间。转换公式如下 (2)通过限定YUV的区域来判断是否为白点通过四个限制条件俩限制白点满足条件的点就是白点参与后续的计算否则点直接舍弃。
首先为了增强算法的鲁棒性将图像分为12部分把图像分成宽高比为4:3个块(块数可选)。
然后对每个块分别计算CrCb的平均值MrMb。 再对每个块根据MrMb用下面公式分别计算CrCb的方差DrDb。 最后判定每个块的近白区域near-white region。判别准则为 其中sign为符号函数即正数返回1负数返回0。
设一个“参考白色点”的亮度矩阵RL大小为w*h。若符合判别式则作为“参考白色点”,并把该点i,j的亮度Y分量值赋给RL(i,j)若不符合则该点的RL(i,j)值为0。
上面几步为白点检测下面几步为白点调整
(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)Lu_min, RL(i,j)0; 否则RL(i,j)1
(3)分别把RGB与RL相乘得到R2G2B2。 分别计算R2G2B2的平均值得到RavGavBav
(4)得到调整增益 Ymaxdouble(max(max(Y));
RgainYmax/Rav;
GgainYmax/Gav;
BgainYmax/Bav;
(5)调整原图像Ro R*Rgain; Go G*Ggain; Bo B*Bgain。
实现代码本人未尝试C可以参考(过程较为复杂)
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 (qq.com) 4.其他算法
除了上面比较常见的几种还有基于模糊逻辑基于色温基于边缘和多方法融合法等等。
最后再次想吐槽csdn的发布文章的编辑页面类似换行空格撤消等等编辑与图片接近的地方经常会跳转编辑处还很容易误删图片。有时候看别人文章里面的一些公式格式图片等等可能因为不兼容或者乱码等问题影响观看和理解也是学习中一方面的阻碍。
写出一篇文章没想到最后的困难居然是编辑用多了word真心觉得这里编辑功能太不智能需要花费更多时间。还挂着中国开发者网络的头衔内部工作人员能不能更新升级以下这个编辑发布文章里面的页面和功能。
