带有灰色世界假设的自动白平衡

Posted 2023-02-16

【中文标题】带有灰色世界假设的自动白平衡

【英文标题】：Automatic White Balancing with Grayworld assumption

【发布时间】：2017-09-24 13:52:51

【问题描述】：

我一直在尝试实现以下提供的白平衡算法： https://pippin.gimp.org/image-processing/chapter-automaticadjustments.html

我已经使用 python 和 opencv 来实现它们。我无法产生与网站相同的结果。

在灰色世界假设中，例如，我使用以下代码：

import cv2 as cv
import numpy as np

def show(final):
    print 'display'
    cv.imshow("Temple", final)
    cv.waitKey(0)
    cv.destroyAllWindows()

def saveimg(final):
    print 'saving'
    cv.imwrite("result.jpg", final)

# Insert any filename with path
img = cv.imread("grayworld_assumption_0.png")
res = img
final = cv.cvtColor(res, cv.COLOR_BGR2LAB)

avg_a = -np.average(final[:,:,1])
avg_b = -np.average(final[:,:,2])

for x in range(final.shape[0]):
    for y in range(final.shape[1]):
        l,a,b = final[x][y]
        shift_a = avg_a * (l/100.0) * 1.1
        shift_b = avg_b * (l/100.0) * 1.1
        final[x][y][1] = a + shift_a
        final[x][y][2] = b + shift_b

final = cv.cvtColor(final, cv.COLOR_LAB2BGR)
final = np.hstack((res, final))
show(final)
saveimg(final)

我得到了结果

而不是

我哪里错了？

【问题讨论】：

cv.imread() 是否默认为 BGR？我曾假设它使用 RGB，但我现在找不到文档。这可能是问题吗？ ...NVM 找到了文档，默认使用 BGR。

@norok 它在docs.opencv.org/3.0-beta/modules/imgcodecs/doc/… 中说，“在彩色图像的情况下，解码后的图像将具有以 B G R 顺序存储的通道。”

【参考方案1】：

在 8 位色深的情况下，您正在实施的文档不知道 LAB definition 的 CV 内部约定。

特别是：

L: L / 100 * 255
A: A + 128
B: B + 128

我相信这样做是为了提高准确性，因为这样可以完全使用 unsigned int8 精度来获得亮度，同时为整个数组保持一致的无符号数据类型。

下面的代码，改编自你的应该可以工作。 请注意，这里和那里都有一些小修复（EDIT 包括将有趣的代码包装在一个函数中），但实际的 sauce 位于嵌套的 for 循环中。

from __future__ import (
    division, absolute_import, print_function, unicode_literals)

import cv2 as cv
import numpy as np


def show(final):
    print('display')
    cv.imshow('Temple', final)
    cv.waitKey(0)
    cv.destroyAllWindows()

# Insert any filename with path
img = cv.imread('grayworld_assumption_0.png')

def white_balance_loops(img):
    result = cv.cvtColor(img, cv.COLOR_BGR2LAB)
    avg_a = np.average(result[:, :, 1])
    avg_b = np.average(result[:, :, 2])
    for x in range(result.shape[0]):
        for y in range(result.shape[1]):
            l, a, b = result[x, y, :]
            # fix for CV correction
            l *= 100 / 255.0
            result[x, y, 1] = a - ((avg_a - 128) * (l / 100.0) * 1.1)
            result[x, y, 2] = b - ((avg_b - 128) * (l / 100.0) * 1.1)
    result = cv.cvtColor(result, cv.COLOR_LAB2BGR)
    return result

final = np.hstack((img, white_balance_loops(img)))
show(final)
cv.imwrite('result.jpg', final)

编辑：

同样的结果，但通过避免循环可以获得更快的性能：

def white_balance(img):
    result = cv.cvtColor(img, cv.COLOR_BGR2LAB)
    avg_a = np.average(result[:, :, 1])
    avg_b = np.average(result[:, :, 2])
    result[:, :, 1] = result[:, :, 1] - ((avg_a - 128) * (result[:, :, 0] / 255.0) * 1.1)
    result[:, :, 2] = result[:, :, 2] - ((avg_b - 128) * (result[:, :, 0] / 255.0) * 1.1)
    result = cv.cvtColor(result, cv.COLOR_LAB2BGR)
    return result

这显然给出了相同的结果：

print(np.all(white_balance(img) == white_balance_loops(img)))
True

但时间非常不同：

%timeit white_balance(img)
100 loops, best of 3: 2 ms per loop

%timeit white_balance_loops(img)
1 loop, best of 3: 529 ms per loop

【讨论】：

你能帮忙用 C++ 编写这些代码吗？

只问你自己的 C++ 问题可能更简单......不过，如果你愿意，你可以参考这个问题。该代码将类似于非矢量化代码。