基于YCbCr色彩空间的图像色偏检测方法

印蔚蔚

摘 要： 提出一种基于YCbCr色彩空间的图像色偏检测方法。该方法的基本思想是利用图像统计特性，在合适的颜色空间中（本文选用YCbCr色彩空间），使用简单的统计工具分析图像的颜色分布。在此基础上将图像的色偏分为三类：存在色偏；没有色偏；不可分类。其中不可分类是指图像考虑的部分不到图像整体的20%。该方法既充分利用了图像传感器的成像解析能力，又有效降低了算法的计算复杂性。大量自然图像测试的实验结果表明，该方法具有较好的图像色偏检测效果和较好的计算效率。

关键词： YCbCr色彩空间； 图像统计特性； 色偏

中图分类号：TP391.4 文献标志码：A 文章编号：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

隨着人类社会的进步和科学技术的发展，数码照相机等数字采集设备的发展也越来越快。然而，无论是传统胶片摄影，还是数码相机摄影都会存在一个“色偏”问题。当数码相机捕获一幅场景图像时，每一个像素的传感器响应取决于光源[1]。也就是说，每个像素由传感器记录光源的色温。当一个白色物体在低色温照明下，红光成分多，它记录的图像就显示偏红色。同样，在高色温照明下，蓝光成分多，它记录的图像就显示偏蓝色。因此，色偏即数码相机所拍摄的图像的色彩与在标准光源下被拍摄物体表面的真实色彩之间存在的误差[2]。那么，就需要通过估计光源的色温并调整场景颜色来恢复他们真实的颜色，即白平衡处理，目的就是处理图像使它看起来在经典光源下拍摄[3-4]。进行图像白平衡调整首先是要对图像中进行色偏检测。目前，检测图像色偏的方法己经取得一定的研究进展，RGB最大值法[5]是一种简单快速的色偏检测算法，它从不同的颜色通道的最大响应来估计光源色彩。另外一个著名的简单的算法是基于灰度世界的假设[6]，该算法假设在一副场景中的平均反射是无色差的。这些算法都具有一定的局限性，例如灰色世界法在图像中有大量统一的颜色时失效，基于灰度世界的假设则局限于场景，因此，无法准确地进行色偏检测和分类。

本文提出了利用图像统计特性，在YCbCr色彩空间中，使用简单的统计工具分析图像的颜色分布，在此基础上将图像色偏分为三类：存在色偏；没有色偏；不可分类。不可分类指的是图像考虑的部分不到整体图像的20%。该方法既充分利用了图像传感器的成像解析能力，同时也有效降低了算法的计算复杂度。通过对大量自然图像测试的实验结果表明，本文提出的方法具有较好的图像色偏检测效果，以及较好的计算效率。

1 图像色彩空间的选择

RGB色彩空间和YCbCr色彩空间，都是人为规定的颜色模型，那么在本文中，选择了基于YCbCr色彩空间来进行图像色偏检测，基于以下几点：①RGB色彩空间是依据人眼识别的颜色定义出的空间，可以表示大部分颜色，但是它是一个不均匀的色彩空间，它将色调、亮度和饱和度放在一起表示，因此 R、G、B值之间的相关性很高，它的细节难以进行数字化的调整，并且很难确定其在色彩空间中的分布范围；②在YCbCr色彩空间中，色度分量和亮度分量是相互独立的，而且YCbCr色彩空间充分考虑了人眼的视觉特性，在构造Cb，Cr色差公式时，关系函数的确定充分考虑了与之相关的RGB三个分量在视觉感觉中的不同重要性，与RGB色彩空间是一种线性变换关系，转换较为简单。

2 色偏检测方法

本文图像色偏检测的基本思想是利用图像统计特性，在合适的颜色空间（本文选用YCbCr色彩空间）使用简单的统计工具分析图像的颜色分布。色偏指示是为辨别图像相关色偏的存在，其灵感源于日常工作。检测色偏，根据其相关性分为若干类。我们对一副图像的色彩分布能够在其转换成合适的色彩空间进行分析，并且使用统计方法来表示色偏的存在。色在本文的工作中，我们对原来的表述做了小的修改，因为我们面对的是一个不同的问题。我们改变颜色空间，从RGB到YCbCr，由于前者依赖于场景中白点的知识。此外，我们仅仅考虑色偏指示而忽略最终的色偏分类。本文将图像色偏分为三类：存在色偏；没有色偏；不可分类。不可分类指的是图像考虑的部分不到图像整体的20%，在下文中将会详细介绍。endprint

⑴ 我们只考虑亮度在一定区间内的像素而排除最亮的和最暗的像素。这是因为我们分析的图像可能在获取时已经过了一系列处理，并且我们假设图像设备是未知的。数码相机经常强加使图像中最亮的点为白色，最暗的点为黑色，从而改变了很亮点和很暗点色度区域的范围。由下文可知，我们的实验是在图像数据集上进行的，因此只考虑亮度值Y在[50，230]区间的图像像素。如果被考虑的图像区域大小不到整幅图像的20%，那么这类图像就被划分为不可分类的图像，不对其进行图像白平衡处理，因为这类图像的统计特性并不可靠。这类非常亮或非常暗的图像的例子如图1所示。

本文通过对大量无色偏的图像和有色偏的图像分析研究发现，在无色偏的图像中，在Cb，Cr色度坐标平面上的二维直方图中，色度分布存在多个明显的分散的峰值或分布在整个Cb，Cr色度坐标平面，如图2所示，若图像存在色偏，那么在Cb，Cr色度坐标平面上的二维直方圖中，色度分布表现为零个或单个峰值，或者色度分布比较集中，Cb，Cr色度平均值越大，图像的色偏越严重。因此，从图像色彩分步的角度以及定量分析出发，图像的色偏与图像在Cb，Cr色度坐标平面上的二维直方图中的色度分布特性以及色度的平均值有关。

主色调图像对应于固定色偏或者单个颜色特写。固定色指的是物体本身所呈现的固有的色彩。固定色偏例如：一片山林在春天时呈现出一片嫩绿的色调；而秋天则呈现出一片迷人的金黄色调，冬天的叶落草枯则呈现出一片灰褐色调。这些色调的变化，主要取决于物体本身固有色的变化。为了区别对应固定色偏的主色调图像和单个颜色特写，文献[7]提出一个利用颜色和空间信息的简单分类器。被认为是皮肤、天空、海洋或植被的区域如果超过整个图像的40%，那么这个图像就划分为不可分类，并不进行白平衡处理。如果区域超过整个图像的40%，却没有任何对应于皮肤、天空、海洋或植被，但是图像EC却非常集中，，并且有非常高的图像饱和度，那么这些图像为单个颜色特写，划分为不可分类，并不进行白平衡处理。图像呈现集中的直方图并且没有划分为主色调图像对应于固定色偏或者单个颜色特写，那么这类图像就是存在色偏的图像，需要进一步对图像做白平衡处理。

3 实验结果分析

为了验证本文算法的有效性，本文基于由学者F.Ciurea和B.Funt构造的一个大的图像数据集，来进行图像色偏检测算法的研究。该数据集中的图像，包含了从2小时的数字视频中提取的11，000幅图像。该数据集呈现了来自于各个不同地点的室内和室外的场景都是在大量的室内、室外场景下，使用索尼VX-2000数字视频照相机进行拍摄的，它主要优势是光源颜色的真实性，可靠性，有效性。

4 结论

图像色偏检测是图像白平衡的前提和基础，本文针对传统色偏检测算法所存在的缺陷，对图像色偏检测方法进行了进一步的研究，提出了一种基于YCbCr色彩空间的图像色偏检测方法。该方法的基本思想是将图像色偏分为三类：存在色偏；没有色偏；不可分类。实验证明，该方法有效降低了算法的计算复杂性。通过对大量自然图像测试的实验结果表明，本文提出的方法具有较好的图像色偏检测效果，以及较好的可靠性。

参考文献（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