《摄像成像设备的图像质量色偏客观评价方法》由会员分享，可在线阅读，更多相关《摄像成像设备的图像质量色偏客观评价方法（7页珍藏版）》请在金锄头文库上搜索。
1、摄像成像设备的图像质量色偏客观评价方法 陈中钱 浙江省产品质量安全检测研究院 浙江方圆检测集团股份有限公司 摘 要： 摄像成像设备成像过程中有时会出现色偏现象, 与人眼对相同场景的颜色评价存在差异, 因此有必要去判定这种差异是否存在和评价差异, 而主观评价需多人参与且耗时久, 参考型客观评价依赖原始图像。为此, 提出一种色偏评价算法, 该算法主要通过统计 Lab 色彩空间各参数, 并结合 RGB 色彩空间特征, 该算法无需色偏图像的先验性信息, 依靠图像本身的信息判定色偏是否存在, 并对色偏的种类进行区分。通过模拟实验, 对多组图像数据参数进行统计分析, 确定阈值。通过对多幅图像进行评价, 实
2、验表明该算法识别色偏效果接近人眼识别色偏效果, 而且色偏程度越严重识别效果越佳。另外, 通过调整该算法的判定条件, 对本质色偏图像的色偏评价也可适用。关键词： 色偏; 无参考型客观评价; Lab 色彩空间; RGB 色彩空间; 图像质量; 作者简介：陈中钱 (1985) , 男, 浙江三门人, 工程师, 硕士研究生毕业, 主要研究方向为光学计量测试、光电显示技术和信息安全, E-mail:。联系方式联系地址:浙江省杭州市天目山路 222号省质监局大院 4 号楼 511 室邮编:310013 手机:13588080120基金：浙江省质量技术监督系统科研基金 (20160209) The Meth
3、od of Objective Assessment of Image Quality about Color Cast on Camera SystemChen Zhongqian Zhejiang Institute of Product Quality and Safety Inspection; Abstract： Color cast sometimes occurs while imaging on camera systems, and the color is different to the human eyes see to the same scene, so it is
4、 necessary to judge the difference exists or not and to assess the difference, but subjective assessment (Mean Opinion of Score) needs many peoples participation and takes a long time, reference objective assessment relies on the original image. In this paper, an algorithm is proposed to assess and
5、class the color cast by calculating the Lab color space parameters and RGB color space parameters, the algorithm relies no reference images and just needs the images themselves. And get the threshold values in simulation experiments by calculating multiple sets of data. Through assessing many pictur
6、es, it is found that the algorithm color cast assessment is closed to the human eyes, and the deeper the color cast, the more accurate assessment. Otherwise, the algorithm is fitted to assess the color cast of the pictures which background inclined to some color.Keyword： Color cast; No reference obj
7、ective assessment; Lab color space; RGB color space; Image quality; 随着科技进步, 摄像成像设备被广泛应用于公共安全和民用生活, 如监控视频系统和手机相机。在机器智能化的时代背景下, 摄像成像设备对于机器而言好比人眼对于人体, 重要性不言而喻。而摄像成像设备成像时, 成像的效果与被摄像物体的表面颜色、感光器件 C C D 或者 C M O S 的光电特性、外界光照和图像压缩有着密切关联。所以, 摄像成像设备所获取的图像与人眼所获取的图像会存在一定的差异, 这种差异表现在颜色上为色偏和色差。色偏具体表现在摄像产生的图像与人眼所见
8、场景存在色彩差异, 色偏的严重程度主要取决于周围环境的光照, 色温高则摄像效果偏蓝, 色温低则偏红。人眼具备颜色调节能力, 可主动适应环境, 消除周围光照的影响, 而摄像成像设备却不具备这种能力。要消除色偏, 即白平衡, 首要条件是判断是否有色偏和色偏的程度。色偏评价有主观评价和客观评价之分, 主观评价采用多人评价打分求取平均值方式, 客观评价分为参考型、半参考型和无参考型12。无参考型客观评价无需色偏图像的先验性信息, 依靠图像本身的特征, 通过对色彩空间各参数统计得出色偏结论。1 传统 RGB 色彩空间评价原理基于 RGB 色彩空间色偏评价方法主要有 Gray world 算法3和白色区域
9、法4, 二者的出发点是为了修正图像色偏, 如果对实际值和修正值的差距进行统计, 也可得出相对应的色偏程度。RGB 空间色偏评价主要依靠对各通道的灰度进行统计, 统计的参数有各通道的直方图5和表征其分布集中性的方差6。如图1、图 2 所示, 图 1 为一偏蓝走廊图像, 图 2 为红绿蓝三通道的灰度分布图。图 1 偏蓝的走廊图像 下载原图图 2 对图 1 进行直方图统计 下载原图通过直接观察三通道灰度分布图, 可以发现蓝色通道峰值出现的位置向右偏移, 意味着图像白平衡可能失衡导致偏蓝现象。通过计算, 可得出红色通道灰度平均值 VR=110.12, 标准差 R=52.29;绿色平均值 VG=107.
10、86, 标准差 G=54.56;蓝色平均值 VB=124.05, 标准差 B=50.39。图像主观评价偏蓝和蓝色通道灰度平均值较大, 这二者是正相关的。然而影响图像颜色的因素很多, 单凭各通道灰度的平均值和标准差, 难以得出准确的色偏评价。基于此, 引入 Lab 色彩空间用以评价色偏。2 Lab 色彩空间的色偏评价原理和模拟实验Lab 是 CIE 1976 (L*a*b*) 的非正式缩写。CIE 1976 (L*a*b*) 是较完美的色彩空间模型, 其设计更接近人类视觉, 可描述人眼可见的所有颜色。L 分量表征亮度, L=0 为纯黑, L=100 为纯白;a 分量表征红绿之间渐变的色度, a
11、正值为红色, 负值为绿色;b 分量表征黄蓝之间渐变的色度, b 正值为黄色, 负值为蓝色。文献789通过对 a、b 分量的统计对色偏做出评价, 文献10通过L、a 和 b 三个分量进行色偏评价。RGB 色彩空间不能直接转 Lab 色彩空间, 需要 XYZ 色彩空间过渡, 转换时涉及到标准光源的采用, 标准光源一般采用 D50 或 D65, D50 是 ISO3664:2009 采用的标准光源11, 本文采用 D50 标准光源。RGB 色彩空间转换 Lab 色彩空间12流程如下:利用 Lab 色彩空间法评价色偏, 主要涉及以下各参数值:为了观察不同色偏程度时, 各参数值的变化情况, 本文做了以下
12、模拟实验。选取一幅具有红色绿色蓝色明显特征且无色偏的场景图像, 在保证图像各元素亮度基本不变的情况下, 通过调节因子 f1、f2 和 f3 调节各通道颜色比重, 固定其中的两个调节因子且数值都等于 1, 另一个调节因子从 0 到 2 变化, 步长 0.2;若灰度值溢出则默认为最大灰度值。图 3 不同色偏程度, K 值变化情况 下载原图图 4 不同色偏程度, sum 值变化情况 下载原图图 5 不同色偏程度, 各图像外观图 下载原图(第一行 f1=0:0.2:2, f2=f3=1;第二行 f2=0:0.2:2, f1=f3=1;第三行f3=0:0.2:2, f1=f2=1) 另外, 选取本质色偏
13、的图像, 如图组 6 所示, 用 Lab 色彩空间统计各参数值。图组 6 本质偏红的花圃, 本质偏绿的草原和本质偏蓝的大海 (图组来自互联网) 下载原图综合上述模拟实验分析, 发现有以下几个特点:(1) 正常无色偏的图像 (不包括本质色偏) , a、b 分量的平均值均在 0 附近;而色偏图像 a 分量的平均值 a 或 b 分量的平均值 b会明显偏离 0 位置, 色偏越严重, 平均值偏离 0 位置程度越大。(2) 正常无色偏图像 (不包括本质色偏) , a、b 分布较为分散, 而且通常会出现数个峰值;而色偏的图像 a、b 分量的分布较为集中, 色偏严重者会出现单个高峰。(3) 结合 (1) 和
14、(2) , K 值可以较灵敏地反应色偏程度。(4) 结合 RGB 空间, 对各通道平均值计算, 可以辨别单色偏和双色偏。(5) 本质色偏图像若发生色偏, 色偏越严重, 值 sum越大, 而且与 之间的差距也会增大。3 色偏评价实验3.1 算法流程基于上述的评价原理和模拟实验验证, 制定色偏评价流程, 如下所示:(1) 将图像导入程序, 计算 RGB 色彩空间各通道的平均值 VR、V G和 VB。(2) 将 RGB 色彩空间转为 Lab 色彩空间。(3) 计算 和 M 等值, 计算得出 K, sum和 reat。(4) 通过 K、 sum、 reat与阈值 Kth、 sum-th、 reat-t
15、h比对, 结合 VR、V G和 VB, 得出色偏结论。图 7 色偏检测流程图 下载原图3.2 实验结果由于非本质色偏图像与本质色偏阈值有明显变化, 若使用相同的阈值会大幅增加误判率, 因此本文将阈值设定分为非本质色偏阈值和本质色偏阈值。由于没有专门针对色偏研究的图像库, 为了验证本文算法的正确性, 选取试验图像, 大部分是互联网图像, 其余为不同摄像成像设备所拍摄的图像。选取非本质色偏 185 张图像, 并选择有正常色彩分辨能力的五个人对这些图像分类, 色偏图像根据色偏程度分为轻微、一般和严重, 无色偏图像分为夜景和白昼场景。通过对模拟实验的数据总结, 定 Kth=1, sum-th=30,
16、rate-th=2, Vth=20, 实验结果如表 1 所示。从上表统计可以得出, 对于非本质色偏, 该算法可以得到良好的评价效果, 图像色偏识别率可达 85.9%, 而且识别能力随着色偏程度的加深而提高。而本质色偏, 意味着某一颜色分量占大多数, 如图组 8 所示。通过实验发现 K值、 sum值和 reat值普遍偏大且随具体场景的色偏程度变化, 如果采用非本质色偏的阈值, 无疑会大大增加误判率。图组 8 本质色偏图像的 K 值、值和值 (图组来自互联网) 下载原图在测试本质色偏图像的色偏程度时, 可采用标定方法, 如视频监控系统, 可通过人眼主观评价标定无色偏的帧, 同时计算 a0、 b0、M a0和 Mb0值, 当周围色温发生变化时, 可通过以下式子来评价本质色偏场景成像时的色偏状态:由于缺乏本质色偏场景的色偏图像, 本文通过 Matlab 生成实验图像,
