色彩规范化

色彩规范化是计算机视觉中有关人工色彩视觉和物体识别的一个主题。一般来说，图像中颜色值的分布取决于光照，而光照可能因照明条件、相机和其他因素而不同。

色彩正常化允许基于色彩的物体识别技术对这些变化进行补偿。

色彩恒定性是人类内部感知模型的一个特征，它为人类提供了即使在不同的光照条件下也能为物体分配相对恒定的颜色的能力。

这对于物体的识别以及环境中光源的识别很有帮助。例如，当太阳很亮或太阳很暗时，人类看到的物体颜色大致相同。

在机器人学、生物信息学和一般人工智能领域，当需要从图像中去除所有强度值而保留颜色值时，颜色归一化已被用于彩色图像上的物体识别。

其中一个例子是监控摄像机在一天内拍摄的场景，重要的是去除相同颜色像素上的阴影或光照变化，并识别通过的人。

另一个例子是用于检测糖尿病视网膜病变的自动筛查工具，以及癌症状态的分子诊断，在这种情况下，在分类过程中包含颜色信息是很重要的。

另一个常用颜色归一化的领域是病理学，更确切地说，是数字病理学，组织学切片的数字化显微图像可以被染色，最常见的程序之一是H&E染色。试剂、温度、染色条件、制备程序和图像采集等几个因素的差异会导致颜色的变化。

在这些情况下，归一化是很重要的，但归一化会对分类方法产生影响。

关于某些颜色归一化应用的主要问题是，最终的结果看起来不自然或与原始颜色太远。在重要方面存在微妙变化的情况下，这可能是个问题。

更具体地说，副作用可能是像素变得分歧，不能反映图像的实际颜色值。解决这个问题的方法是将颜色归一化与阈值处理结合起来，正确而一致地分割彩色图像。

有大量不同的变换和算法来实现颜色归一化，这里介绍一个有限的列表。算法的性能取决于任务，一种算法在一项任务中比另一种算法表现得更好，在另一项任务中可能表现得更差。

此外，算法的选择还取决于用户对最终结果的偏好，例如，他们可能想要一个更自然的彩色图像。

灰色世界归一化的假设是，照明光谱的变化可以通过应用于颜色的红、绿、蓝通道的三个恒定系数来模拟。更具体地说，照明颜色的变化可以被模拟为R、G和B颜色通道中的比例α、β和γ，因此灰色世界算法对照明颜色变化是不变的。因此，一个恒定的解决方案可以通过将每个颜色通道除以其平均值来实现，如以下公式所示。

如上所述，灰色世界的颜色归一化对照明的颜色变化α、β和γ是不变的，但是它有一个重要的问题：它没有考虑到所有的照明强度变化，而且它不是动态的；当场景中出现新的物体时，它就失效了。

为了解决这个问题，有几种灰色世界算法的变体。此外，还有一种灰色世界归一化的迭代变体，但是没有发现它的性能明显更好。

直方图均衡化是一种非线性变换，它可以保持像素等级，并且能够对任何单调增加的颜色变换函数进行归一化。它被认为是一种比灰色世界方法更强大的归一化转换。

直方图均衡化的结果往往有一个夸张的蓝色通道，看起来很不自然，这是由于在大多数图像中，像素值的分布通常更类似于高斯分布，而不是均匀分布。