一、概念

什么是白平衡呢？白平衡就是針對(duì)不同色溫條件下，通過調(diào)整攝像機(jī)內(nèi)部的色彩電路使拍攝出來的影像抵消偏色，更接近人眼的視覺習(xí)慣。白平衡可以簡(jiǎn)單地理解為在任意色溫條件下，攝像機(jī)鏡頭所拍攝的標(biāo)準(zhǔn)白色經(jīng)過電路的調(diào)整，使之成像后仍然為白色。這是一種經(jīng)常出現(xiàn)的情況，但不是全部，白平衡其實(shí)是通過攝像機(jī)內(nèi)部的電路調(diào)整（改變藍(lán)、綠、紅三個(gè)CCD電平的平衡關(guān)系）使反射到鏡頭里的光線都呈現(xiàn)為消色。

通俗的來說就是：是圖片中最亮的部分為白色，最暗的部分為黑色。其余部分進(jìn)行拉伸。效果如下：

原圖：

?

robust color balance：

?

簡(jiǎn)單的說就是：在rgb三通道上分別統(tǒng)計(jì)每個(gè)像素值的出現(xiàn)次數(shù)。將1%的最大值和最小值設(shè)置為255和0。其余值映射到（0，255），這樣使得每個(gè)值通道的值在rgb中分布較均勻。達(dá)到顏色平衡的結(jié)果。。

opencv實(shí)現(xiàn)了簡(jiǎn)單白平衡。使用多層直方圖，比單個(gè)直方圖的優(yōu)點(diǎn)，應(yīng)該是速度更快。實(shí)際上并不一定要這么實(shí)現(xiàn)。且算法的實(shí)現(xiàn)應(yīng)該有問題。以下是修改后代碼，中文部分是我加的注釋。主要加入offset來標(biāo)識(shí)每層的偏移量。opencv結(jié)果：

?
? ? ? ?

? ? ? ? /*M///////////////////////////////////////////////////////////////////////////////////////

//

// IMPORTANT： READ BEFORE DOWNLOADING， COPYING， INSTALLING OR USING.

//

// By downloading， copying， installing or using the software you agree to this license.

// If you do not agree to this license， do not download， install，

// copy or use the software.

//

//

// License Agreement

// For Open Source Computer Vision Library

//

// Copyright （C） 2000-2008， Intel Corporation， all rights reserved.

// Copyright （C） 2009-2011， Willow Garage Inc.， all rights reserved.

// Third party copyrights are property of their respective owners.

//

// * Redistribution‘s of source code must retain the above copyright notice，

// this list of conditions and the following disclaimer.

//

// * Redistribution’s in binary form must reproduce the above copyright notice，

// this list of conditions and the following disclaimer in the documentation

// and/or other materials provided with the distribution.

//

// * The name of Intel Corporation may not be used to endorse or promote products

// derived from this software without specific prior written permission.

//

// This software is provided by the copyright holders and contributors “as is” and

// any express or implied warranties， including， but not limited to， the implied

// warranties of merchantability and fitness for a particular purpose are disclaimed.

// In no event shall the Intel Corporation or contributors be liable for any direct，

// indirect， incidental， special， exemplary， or consequential damages

// （including， but not limited to， procurement of substitute goods or services;

// loss of use， data， or profits; or business interruption） however caused

// and on any theory of liability， whether in contract， strict liability，

// or tort （including negligence or otherwise） arising in any way out of

// the use of this software， even if advised of the possibility of such damage.

//

//M*/

#include 《vector》

#include 《algorithm》

#include 《iterator》

#include 《iostream》

#include “xphoto.hpp”

#include “opencv2/imgproc.hpp”

#include “opencv2/core.hpp”

#include “opencv2/core/core_c.h”

#include “opencv2/core/types.hpp”

#include “opencv2/core/types_c.h”

#define USE_OFFSET 1

namespace cv

{

namespace xphoto

{

template 《typename T》

void balanceWhite（std：：vector 《 Mat_《T》 》 &src， Mat &dst，

const float inputMin， const float inputMax，

const float outputMin， const float outputMax， const int algorithmType）

{

switch （ algorithmType ）

{

case WHITE_BALANCE_SIMPLE：

{

/********************* Simple white balance *********************/

float s1 = 2.0f; // low quantile

float s2 = 2.0f; // high quantile

int depth = 2; // depth of histogram tree

if （src［0］.depth（） ！= CV_8U）

++depth;

int bins = 16; // number of bins at each histogram level

int nElements = int（ pow（bins， depth） ）;

// number of elements in histogram tree

//i是通道下標(biāo)， src［0］， src［1］， src［3］分別表示三個(gè)通道

for （size_t i = 0; i 《 src.size（）; ++i）

{

std：：vector 《int》 hist（2 * nElements， 0）;

typename Mat_《T》：：iterator beginIt = src［i］.begin（）;

typename Mat_《T》：：iterator endIt = src［i］.end（）;

//對(duì)該通道內(nèi)每個(gè)像素進(jìn)行處理

for （typename Mat_《T》：：iterator it = beginIt; it ！= endIt; ++it）

// histogram filling

{

int pos = 0;

float minValue = inputMin - 0.5f;

float maxValue = inputMax + 0.5f;

T val = *it;

float interval = float（maxValue - minValue） / bins;

//基本上等同于對(duì)每個(gè)元素進(jìn)行統(tǒng)計(jì)

//這種雙層hist的方法實(shí)際是有問題的。這種方法設(shè)計(jì)來對(duì)加速，0，16作為一個(gè)統(tǒng)計(jì)階段統(tǒng)計(jì)，而后面的每個(gè)像素則是具體的次數(shù)

//例如一個(gè)像素3，則可能使得hist［0］，hist［3］各增加一次。hist［0］是對(duì)的，但是hist［3］的意義就變了。

//之所以程序?qū)戇@么麻煩的原因是，輸入min，max，輸出min，max都有可能變化。

//改正方法應(yīng)該是對(duì)后面的層數(shù)加偏移操作。保證正確性。

int offset = 0;

for （int j = 0; j 《 depth; ++j）

{

int currentBin = int（ （val - minValue + 1e-4f） / interval ）;

++hist［pos + currentBin］;

#if USE_OFFSET

offset = offset + （int）pow（bins， j）;

#endif

pos = （offset + pos + currentBin）*bins;

minValue = minValue + currentBin*interval;

// maxValue = minValue + interval; //多余語句

interval /= bins;

}

}

int total = int（ src［i］.total（） ）;

int p1 = 0， p2 = bins - 1;

int n1 = 0， n2 = total;

float minValue = inputMin - 0.5f;

float maxValue = inputMax + 0.5f;

float interval = （maxValue - minValue） / float（bins）;

int offset = 0;

for （int j = 0; j 《 depth; ++j）

// searching for s1 and s2

{

while （n1 + hist［p1］ 《 s1 * total / 100.0f）

{

n1 += hist［p1++］;

minValue += interval;

}

#if USE_OFFSET

offset = offset + int（pow（bins， j））;

#endif

std：：cout 《《 offset 《《 std：：endl;

p1 *= bins;

p1 = p1 + offset;

while （n2 - hist［p2］ 》 （100.0f - s2） * total / 100.0f）

{

n2 -= hist［p2--］;

maxValue -= interval;

}

p2 = p2*bins - 1;

p2 = p2 + offset;

interval /= bins;

}

src［i］ = （outputMax - outputMin） * （src［i］ - minValue）

/ （maxValue - minValue） + outputMin;

}

/****************************************************************/

break;

}

default：

CV_Error_（ CV_StsNotImplemented，

（“Unsupported algorithm type （=%d）”， algorithmType） ）;

}

dst.create（/**/ src［0］.size（）， CV_MAKETYPE（ src［0］.depth（）， int（ src.size（） ） ） /**/）;

cv：：merge（src， dst）;

}

二、方法

1、灰度世界算法

灰度世界算法以灰度世界假設(shè)為基礎(chǔ)，該假設(shè)認(rèn)為：對(duì)于一幅有著大量色彩變化的圖像，R、G、B，三個(gè)分量的平均值趨于同一灰度值。從物理意義上講，灰色世界法假設(shè)自然界景物對(duì)于光線的平均反射的均值在總體上是個(gè)定值Gray，這個(gè)定值近似地為“灰色”。顏色平衡算法將這一假設(shè)強(qiáng)制應(yīng)用于待處理圖像，可以從圖像中消除環(huán)境光的影響，獲得原始場(chǎng)景圖像。

算法執(zhí)行步驟：

（1）確定灰度均值：Gray

（2）計(jì)算三個(gè)通道的增益：Kr，Kg，Kb；

（3）調(diào)整R、G、B分量；

這種算法簡(jiǎn)單快速，但是當(dāng)圖像場(chǎng)景顏色并不豐富時(shí)，尤其出現(xiàn)大塊單色物體時(shí)，該算法常會(huì)失效。

以下是OpenCV實(shí)現(xiàn)的灰度世界算法代碼：

#include 《highgui/highgui.hpp》

#include 《imgproc/imgproc.hpp》

using namespace cv;

int main（）

{

Mat imageSource = imread（“02.jpg”）;

imshow（“原始圖像”， imageSource）;

vector《Mat》 imageRGB;

//RGB三通道分離

split（imageSource， imageRGB）;

//求原始圖像的RGB分量的均值

double R， G， B;

B = mean（imageRGB［0］）［0］;

G = mean（imageRGB［1］）［0］;

R = mean（imageRGB［2］）［0］;

//需要調(diào)整的RGB分量的增益

double KR， KG， KB;

KB = （R + G + B） / （3 * B）;

KG = （R + G + B） / （3 * G）;

KR = （R + G + B） / （3 * R）;

//調(diào)整RGB三個(gè)通道各自的值

imageRGB［0］ = imageRGB［0］ * KB;

imageRGB［1］ = imageRGB［1］ * KG;

imageRGB［2］ = imageRGB［2］ * KR;

//RGB三通道圖像合并

merge（imageRGB， imageSource）;

imshow（“白平衡調(diào)整后”， imageSource）;

waitKey（）;

return 0;

}

原始圖像一，整體圖像偏綠色：

?

白平衡校正后，天空的藍(lán)色和樹葉的綠色都得到了很好的還原：

?

原始圖像二，整體偏黃色：

?

白平衡校正后效果：

?

2、完美全反射理論

完美全反射理論（perfect Reflector）假設(shè)圖像上最亮點(diǎn)就是白點(diǎn)，并以此白點(diǎn)為參考對(duì)圖像進(jìn)行自動(dòng)白平衡，最亮點(diǎn)定義為R+G+B的最大值。

3、動(dòng)態(tài)閾值算法

參考論文：A Novel Automatic White Balance Method For Digital Still Cameras

算法分為兩個(gè)步驟：白點(diǎn)檢測(cè)和白點(diǎn)調(diào)整。

三、驗(yàn)證

通過測(cè)試效果表明：動(dòng)態(tài)閾值法，1、該算法效果非常好；2、對(duì)塊大小不太敏感，因此非常適合于自動(dòng)化操作。