基于亮度划分的数码相机特征化

发布时间：2020-09-22 16:55

　　随着颜色科学和图像处理技术的发展,数码相机不仅成为数字化图像采集过程中的一个重要设备,还逐渐成为普通用户获取图像的重要工具。但是由于数码相机本身的设定,光照条件以及数据传递途径等因素发生变化,会导致彩色复制传递的不一致性。针对这一问题,人们提出了数码相机特征化的解决方案。针对数码相机在应用中对色彩传递一致性及稳定性的要求,本文提出了以亮度进行划分的特征化模型并进行了比较全面的基础性探究。首先明确了数码相机特征化的意义和必要性,然后了解了色度学的理论基础和数码相机的基本组成及原理,学习了现阶段国内外数码相机特征化常用的算法,仔细分析了几种特征化模型,在原有的算法上并加以改进。在验证基础特征化模型时,我们发现亮度低的颜色样本在颜色复制的过程中会产生较大的偏差,所以我们根据亮度分为高亮度集合和低亮度集合,然后再分别对两个集合做特征化。实验中我们选定了两台数码相机(Canon 60D和Nikon D610),24色标准色卡和140色标准色卡作为研究对象,使用数码相机拍摄样本并选择RAW图像和JPG图像两种格式进行研究。进行完前期的硬件选择和实验平台的搭建后,设计并验证数码相机特征化的新模型。利用编程实现与设备有关的RGB颜色空间和与设备无关的XYZ颜色空间的转换,在求解转换矩阵时,两个集合我们采用了多项式回归模型和根多项式回归模型十种变换。经过多次实验及多组数据的验证,找到了两个集合最优秀且最稳定的模型组合,低亮度集合选择使用多项式一阶模型,高亮度集合选择使用根多项式二阶模型。随着课题的深入,我们还尝试了将不同种光源下的图像恢复至同一标准光源下。本文选择与Amiri和Fairchild最近发表的文章进行对比。他们提出的加权非线性回归模型是基于多项式回归模型的改进,通过加权函数来提升模型的精度,但是也增加了时间代价。通过测试样本对两种特征化模型进行的色差评估,进一步突出了以亮度划分特征化模型的优势,不仅实验简单,计算量小,而且精度也有一定的提升。本课题的研究成果也为未来的数码相机特征化模型的发展提供了一个新的思路,有一定的借鉴意义。
【学位单位】：辽宁科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TB852.1
【部分图文】：

感知过程,颜色科学,物体

2.颜色科学基础知识2. 颜色科学基础知识的感知及描述的感知是通过物体，眼睛和大脑所产生的一种对光的视觉效应，类似于觉，都是受到外界刺激作用传递到人的大脑中进而产生感觉。以种艺术形式来描绘记录对现实世界的认知，但是由于人们学识限也不甚了解。随着颜色科学的发展，人们才对颜色有了更深层次论认为，光源照射在物体表面，物体吸收一部分光然后将剩余的射进入到人眼，物体颜色信息在视网膜表面形成颜色信息，然后脑部的神经中心，最后经过大脑的处理，我们就感知到颜色的属1[15]。由下图可知，光源，物体，人眼是颜色感知至关重要的三部

相加混合,颜色,实验装置,观察条件

RGB就是应用红色（Red）,绿色（Green）和蓝色（Blue）的第一个字母命名。利用下图2.2 实验装置可以对不同波长的单色光在 2°视角的观察条件下利用三原色进行颜色匹

光谱分布,三刺激值,光谱三刺激值,波长

图 2.3 CIE1931 RGB 颜色匹配函数Fig.2.3 CIE1931 RGB color matching function活中，人们所遇见的大多数光都不是纯色光，而是由多种单色光混合而设待测光的光谱分布函数为 (λ)，而对应于各个波长的光谱三刺激值b (λ)可以由查表获得，根据混色的原理，按波长加权光谱三刺激值可范围内每个波长的三刺激值，对每个波长的三刺激值进行累加求和，即的三刺激值，计算公式 2.2：780380780380780( ) ( )( ) ( )( ) ( )R K r dG K g dB K b d

【参考文献】