基于YCbCr色彩空間的圖像色偏檢測方法

印蔚蔚

摘 要： 提出一種基于YCbCr色彩空間的圖像色偏檢測方法。該方法的基本思想是利用圖像統計特性，在合適的顏色空間中（本文選用YCbCr色彩空間），使用簡單的統計工具分析圖像的顏色分布。在此基礎上將圖像的色偏分為三類：存在色偏；沒有色偏；不可分類。其中不可分類是指圖像考慮的部分不到圖像整體的20%。該方法既充分利用了圖像傳感器的成像解析能力，又有效降低了算法的計算復雜性。大量自然圖像測試的實驗結果表明，該方法具有較好的圖像色偏檢測效果和較好的計算效率。

關鍵詞： YCbCr色彩空間； 圖像統計特性； 色偏

中圖分類號：TP391.4 文獻標志碼：A 文章編號：1006-8228（2017）09-47-04

Abstract： A method of image color cast detection based on YCbCr color space is put forwared. The basic idea of this method is using the image statistical characteristics， in the appropriate color space （the paper chosen YCbCr color space）， to analyze the image color distribution by using simple statistical tools. On this basis， the image is divided into three interest groups： there is a color cast， no color cast and cannot be classified， where cannot be classified means that the considering part of the image is less than 20% of the overall image. This method not only takes full advantage of the imaging resolution of image sensor， but also reduces the computational complexity of the algorithm. Experimental results on a large number of natural images show that， the method has better effect on image color cast detection and good computational efficiency.

Key words： YCbCr color space； images statistics characteristics； color cast

0 引言

隨著人類社會的進步和科學技術的發展，數碼照相機等數字采集設備的發展也越來越快。然而，無論是傳統膠片攝影，還是數碼相機攝影都會存在一個“色偏”問題。當數碼相機捕獲一幅場景圖像時，每一個像素的傳感器響應取決于光源[1]。也就是說，每個像素由傳感器記錄光源的色溫。當一個白色物體在低色溫照明下，紅光成分多，它記錄的圖像就顯示偏紅色。同樣，在高色溫照明下，藍光成分多，它記錄的圖像就顯示偏藍色。因此，色偏即數碼相機所拍攝的圖像的色彩與在標準光源下被拍攝物體表面的真實色彩之間存在的誤差[2]。那么，就需要通過估計光源的色溫并調整場景顏色來恢復他們真實的顏色，即白平衡處理，目的就是處理圖像使它看起來在經典光源下拍攝[3-4]。進行圖像白平衡調整首先是要對圖像中進行色偏檢測。目前，檢測圖像色偏的方法己經取得一定的研究進展，RGB最大值法[5]是一種簡單快速的色偏檢測算法，它從不同的顏色通道的最大響應來估計光源色彩。另外一個著名的簡單的算法是基于灰度世界的假設[6]，該算法假設在一副場景中的平均反射是無色差的。這些算法都具有一定的局限性，例如灰色世界法在圖像中有大量統一的顏色時失效，基于灰度世界的假設則局限于場景，因此，無法準確地進行色偏檢測和分類。

本文提出了利用圖像統計特性，在YCbCr色彩空間中，使用簡單的統計工具分析圖像的顏色分布，在此基礎上將圖像色偏分為三類：存在色偏；沒有色偏；不可分類。不可分類指的是圖像考慮的部分不到整體圖像的20%。該方法既充分利用了圖像傳感器的成像解析能力，同時也有效降低了算法的計算復雜度。通過對大量自然圖像測試的實驗結果表明，本文提出的方法具有較好的圖像色偏檢測效果，以及較好的計算效率。

1 圖像色彩空間的選擇

RGB色彩空間和YCbCr色彩空間，都是人為規定的顏色模型，那么在本文中，選擇了基于YCbCr色彩空間來進行圖像色偏檢測，基于以下幾點：①RGB色彩空間是依據人眼識別的顏色定義出的空間，可以表示大部分顏色，但是它是一個不均勻的色彩空間，它將色調、亮度和飽和度放在一起表示，因此 R、G、B值之間的相關性很高，它的細節難以進行數字化的調整，并且很難確定其在色彩空間中的分布范圍；②在YCbCr色彩空間中，色度分量和亮度分量是相互獨立的，而且YCbCr色彩空間充分考慮了人眼的視覺特性，在構造Cb，Cr色差公式時，關系函數的確定充分考慮了與之相關的RGB三個分量在視覺感覺中的不同重要性，與RGB色彩空間是一種線性變換關系，轉換較為簡單。

2 色偏檢測方法

本文圖像色偏檢測的基本思想是利用圖像統計特性，在合適的顏色空間（本文選用YCbCr色彩空間）使用簡單的統計工具分析圖像的顏色分布。色偏指示是為辨別圖像相關色偏的存在，其靈感源于日常工作。檢測色偏，根據其相關性分為若干類。我們對一副圖像的色彩分布能夠在其轉換成合適的色彩空間進行分析，并且使用統計方法來表示色偏的存在。色在本文的工作中，我們對原來的表述做了小的修改，因為我們面對的是一個不同的問題。我們改變顏色空間，從RGB到YCbCr，由于前者依賴于場景中白點的知識。此外，我們僅僅考慮色偏指示而忽略最終的色偏分類。本文將圖像色偏分為三類：存在色偏；沒有色偏；不可分類。不可分類指的是圖像考慮的部分不到圖像整體的20%，在下文中將會詳細介紹。endprint

⑴ 我們只考慮亮度在一定區間內的像素而排除最亮的和最暗的像素。這是因為我們分析的圖像可能在獲取時已經過了一系列處理，并且我們假設圖像設備是未知的。數碼相機經常強加使圖像中最亮的點為白色，最暗的點為黑色，從而改變了很亮點和很暗點色度區域的范圍。由下文可知，我們的實驗是在圖像數據集上進行的，因此只考慮亮度值Y在[50，230]區間的圖像像素。如果被考慮的圖像區域大小不到整幅圖像的20%，那么這類圖像就被劃分為不可分類的圖像，不對其進行圖像白平衡處理，因為這類圖像的統計特性并不可靠。這類非常亮或非常暗的圖像的例子如圖1所示。

本文通過對大量無色偏的圖像和有色偏的圖像分析研究發現，在無色偏的圖像中，在Cb，Cr色度坐標平面上的二維直方圖中，色度分布存在多個明顯的分散的峰值或分布在整個Cb，Cr色度坐標平面，如圖2所示，若圖像存在色偏，那么在Cb，Cr色度坐標平面上的二維直方圖中，色度分布表現為零個或單個峰值，或者色度分布比較集中，Cb，Cr色度平均值越大，圖像的色偏越嚴重。因此，從圖像色彩分步的角度以及定量分析出發，圖像的色偏與圖像在Cb，Cr色度坐標平面上的二維直方圖中的色度分布特性以及色度的平均值有關。

主色調圖像對應于固定色偏或者單個顏色特寫。固定色指的是物體本身所呈現的固有的色彩。固定色偏例如：一片山林在春天時呈現出一片嫩綠的色調；而秋天則呈現出一片迷人的金黃色調，冬天的葉落草枯則呈現出一片灰褐色調。這些色調的變化，主要取決于物體本身固有色的變化。為了區別對應固定色偏的主色調圖像和單個顏色特寫，文獻[7]提出一個利用顏色和空間信息的簡單分類器。被認為是皮膚、天空、海洋或植被的區域如果超過整個圖像的40%，那么這個圖像就劃分為不可分類，并不進行白平衡處理。如果區域超過整個圖像的40%，卻沒有任何對應于皮膚、天空、海洋或植被，但是圖像EC卻非常集中，，并且有非常高的圖像飽和度，那么這些圖像為單個顏色特寫，劃分為不可分類，并不進行白平衡處理。圖像呈現集中的直方圖并且沒有劃分為主色調圖像對應于固定色偏或者單個顏色特寫，那么這類圖像就是存在色偏的圖像，需要進一步對圖像做白平衡處理。

3 實驗結果分析

為了驗證本文算法的有效性，本文基于由學者F.Ciurea和B.Funt構造的一個大的圖像數據集，來進行圖像色偏檢測算法的研究。該數據集中的圖像，包含了從2小時的數字視頻中提取的11，000幅圖像。該數據集呈現了來自于各個不同地點的室內和室外的場景都是在大量的室內、室外場景下，使用索尼VX-2000數字視頻照相機進行拍攝的，它主要優勢是光源顏色的真實性，可靠性，有效性。

4 結論

圖像色偏檢測是圖像白平衡的前提和基礎，本文針對傳統色偏檢測算法所存在的缺陷，對圖像色偏檢測方法進行了進一步的研究，提出了一種基于YCbCr色彩空間的圖像色偏檢測方法。該方法的基本思想是將圖像色偏分為三類：存在色偏；沒有色偏；不可分類。實驗證明，該方法有效降低了算法的計算復雜性。通過對大量自然圖像測試的實驗結果表明，本文提出的方法具有較好的圖像色偏檢測效果，以及較好的可靠性。

參考文獻（References）：

[1] K. Barnard， V. Cardei， and B. Funt， "A comparison of

computational color constancy algorithms-part I： methodology and experiment with synthesized data，" IEEE Trans. on Image Processing，2002.11（9）：985-996

[2] Kao W C，Wang S H，Kao C C，et al. Color reproduction for

digital imaging systems[C]//2006 IEEE International Symposium on Circuits and Systems.，2006：4599-4602

[3] Y.C. Cheng， W.H. Chen， and Y.Q. Chen， "Automatic

white balance for digital still camera，" IEEE Trans. Consumer Electronics，1995.41：460-466

[4] V. Chikane， and C.S. Fu， "Automatic white balance for

digital still camera，" presented in Conference on Computer Vision Graphics and Image Processing， Hualien， Taiwan，2004.8.

[5] E. Land and J. McCann. Lightness and retinex theory[J].

The Journal of the Optical Society of America A.，1971.61（1）：1-11

[6] BUCHSBAUM G. A spatial processor model for object

colour perception[J]. Journal of the Franklin Institute，1980.310（1）：1-26

[7] C.Cusano，G.Ciocca，R. Image annotation using SVM，Vol.

SPIE 5304：330-338endprint