電子發(fā)燒友App
?
前言
計算機(jī)圖像處理技術(shù)已經(jīng)廣泛的應(yīng)用于人們的日常生活當(dāng)中，自動白平衡是計算機(jī)圖像處理當(dāng)中的一個重要技術(shù)，不同的白平衡算法根據(jù)不同的預(yù)設(shè)校正基準(zhǔn)從原始偏色圖像中得到圖像的偏色信息，然后根據(jù)計算所得的偏色信息對圖像進(jìn)行校正恢復(fù)。自動白平衡算法主要應(yīng)用在數(shù)碼設(shè)備白平衡系統(tǒng)、掃描儀偏色圖像校正以及計算機(jī)圖像處理軟件當(dāng)中。在A0幅面平臺彩色掃描儀中，由于掃描光照環(huán)境不標(biāo)準(zhǔn)、CCD頭感光器件的光感參數(shù)偏差等原因，都會使掃描所得的數(shù)字圖像色彩出現(xiàn)偏差。
1.預(yù)備知識-----自動對比度調(diào)整原理
自動對比度調(diào)整的方法中，我們假設(shè)alow和ahight為單前圖像中的最小值和最大值，需要映射的范圍為［amin，amax］，為了使得圖像映射到整個映射范圍，我們首先把最小值alow映射到0，之后用比例因子（amax-amin）/（ahigh-alow）增加其對比度，隨后加上amin使得計算出來的值映射到需要的映射范圍。其具體公式為：
?
對于8bit圖像而言，amin = 0，amax = 255。
故上述公式可以改寫為：
?
實(shí)現(xiàn)原理圖如下：
?
實(shí)際的圖像中，上述的映射函數(shù)容易受到個別極暗或及亮像素的影響，導(dǎo)致映射可能出現(xiàn)錯誤。為了避免這種錯誤，我們選取較低像素和較亮像素的一定比例qlow，qhigh，并根據(jù)此比例重新計算alow和ahigh，以重新計算的alow和ahigh為原始的圖像的亮度范圍進(jìn)行映射。我們可以通過累計直方圖H（i）很方便的計算出最新的alow和ahigh。
?
其中，0《=qlow ，qhigh《=1，qlow+qhigh《=1，M*N為圖像的像素數(shù)量。
其原理圖如下所示：
?
2. 基本原理
這種簡單的白平衡算法是基于這么一種假設(shè)：圖像中R、G、B最高灰度值對應(yīng)于圖像中的白點(diǎn)，最低灰度值的對應(yīng)于圖像中最暗的點(diǎn)。這種算法類似于自動對比度增強(qiáng)的方法，使用映射函數(shù)ax+b，盡可能的把彩色圖像中R、G、B三個通道內(nèi)的像素灰度值映射到［0.255］的范圍內(nèi)。由于一般圖像中已經(jīng)有很多圖像的灰度值已經(jīng)在［0，255］范圍內(nèi)（對應(yīng)24bit BMP圖像而言，每個通道內(nèi)的像素都在此范圍內(nèi)。但是對于每個像素用16bit或更高的32bit表示的話，需要進(jìn)過上述的映射方法，把像素灰度值映射到［0，255］范圍內(nèi)），因此，這種方法選取較高亮度的像素一定比例賦予255，選取較暗亮度的像素的一定比例賦予0。
具體實(shí)現(xiàn)方法：
1.排序。為了獲取高亮度一定比例像素和較低亮度的一定比例像素，不要對整個圖像的灰度值進(jìn)行排序，方便選擇對應(yīng)的像素。
2.從排序的像素數(shù)組中選取一定比例的高亮和較暗像素。假設(shè)s = s1+s2 =［0，100］，我們需要選取N*S/100個像素。其中Vmin和Vmax應(yīng)該選擇位于排序后數(shù)組的位置為N*S1 /100和N（1-*S2/100）-1處的像素灰度值。
3.填充像素。由上一步定義的Vmin和Vmax，把原始圖像中低于或等于Vmin的像素灰度值賦予0；把原始像素中高于或等于Vmax的像素灰度值賦予255。
4.映射像素灰度值。使用函數(shù)f（x） =（x-Vmin）*（max-min）/（Vmax-Vmin）把原始圖像中位于（Vmin，Vmax）的像素映射到［0，255］范圍內(nèi)。其中min，max分別為0和255。
當(dāng)圖像較大的時候，圖像的像素可達(dá)到百萬級，對這么大數(shù)量的像素進(jìn)行排序，往往效率比較低。另外一種方法可以像上述自動對比度調(diào)整那樣，建立一個256大小的數(shù)組，再以數(shù)組中N*S1/100和N（1-*S2/100）-1處的像素灰度值賦予Vmin和Vma。然后再進(jìn)行像素值得映射。
算法實(shí)現(xiàn)的偽代碼為：
?
3.關(guān)鍵代碼
/*
*Function： 一種簡單的圖像白平衡算法--對比度增強(qiáng)
*/
void quantiles_u8（const T_U8 *data， size_t img_size，
size_t nb_min， size_t nb_max，
T_U8*ptr_min，T_U8 *ptr_max）
{
/*
* the histogram must hold all possible “unsigned char” values，
* including 0
*/
size_t h_size = UCHAR_MAX + 1;
size_t histo［UCHAR_MAX + 1］;
size_t i;
/* make a cumulative histogram */
memset（histo， 0x00， h_size * sizeof（size_t））;
for （i = 0; i 《 img_size; i++）
histo［（size_t） data［i］］ += 1;
for （i = 1; i 《 h_size; i++）
histo［i］ += histo［i - 1］;
/* get the new min/max */
if （NULL ！= ptr_min） {
/* simple forward traversal of the cumulative histogram */
/* search the first value 》 nb_min */
i = 0;
while （i 《 h_size && histo［i］ 《= nb_min）
i++;
/* the corresponding histogram value is the current cell position */
*ptr_min = （T_U8） i;
}
if （NULL ！= ptr_max） {
/* simple backward traversal of the cumulative histogram */
/* search the first value 《= size - nb_max */
i = h_size - 1;
/* i is unsigned， we check i《h_size instead of i》=0 */
while （i 《 h_size && histo［i］ 》 （img_size - nb_max））
i--;
/*
* if we are not at the end of the histogram，
* get to the next cell，
* the last （backward） value 》 size - nb_max
*/
if （i 《 h_size - 1）
i++;
*ptr_max = （T_U8） i;
}
return;
}
void minmax_u8（const T_U8 *data， size_t size，
T_U8 *ptr_min， T_U8 *ptr_max）
{
T_U8 min， max;
size_t i;
/* compute min and max */
min = data［0］;
max = data［0］;
for （i = 1; i 《 size; i++） {
if （data［i］ 《 min）
min = data［i］;
if （data［i］ 》 max）
max = data［i］;
}
/* save min and max to the returned pointers if available */
if （NULL ！= ptr_min）
*ptr_min = min;
if （NULL ！= ptr_max）
*ptr_max = max;
return;
}
T_U8 *rescale_u8（T_U8 *data， size_t size，T_U8 min，T_U8 max）
{
size_t i;
if （max 《= min）
for （i = 0; i 《 size; i++）
data［i］ = UCHAR_MAX / 2;
else {
/* build a normalization table */
T_U8 norm［UCHAR_MAX + 1］;
for （i = 0; i 《 min; i++）
norm［i］ = 0;
for （i = min; i 《 max; i++）
/*
* we can‘t store and reuse UCHAR_MAX / （max - min） because
* 105 * 255 / 126. -》 212.5， rounded to 213
* 105 * （double） （255 / 126.） -》 212.4999， rounded to 212
*/
norm［i］ = （T_U8） （（i - min） * UCHAR_MAX
/ （double） （max - min） + .5）;
for （i = max; i 《 UCHAR_MAX + 1; i++）
norm［i］ = UCHAR_MAX;
/* use the normalization table to transform the data */
for （i = 0; i 《 size; i++）
data［i］ = norm［（size_t） data［i］］;
}
return data;
}
T_U8 *balance_u8（T_U8* BMP8_data_img，size_t img_size，size_t nb_min， size_t nb_max）
{
unsigned char min， max;
/* sanity checks */
if （NULL == BMP8_data_img） {
fprintf（stderr， “a pointer is NULL and should not be so ”）;
abort（）;
}
if （nb_min + nb_max 》= img_size） {
nb_min = （img_size - 1） / 2;
nb_max = （img_size - 1） / 2;
fprintf（stderr， “the number of pixels to flatten is too large ”）;
fprintf（stderr， “using （size - 1） / 2 ”）;
}
/* get the min/max */
if （0 ！= nb_min || 0 ！= nb_max）
quantiles_u8（BMP8_data_img，img_size， nb_min， nb_max， &min， &max）;
else
minmax_u8（BMP8_data_img， img_size， &min， &max）;
（void）rescale_u8（BMP8_data_img， img_size， min， max）;
return BMP8_data_img;
}
int Simplest_24bitcolor_balance（IMAGE_TYPE *BMP24_img，DWORD width，DWORD height，float smin，float smax）
{
T_U32 lineByte，source_lineByte，source_index，dst_index;
T_U16 k = 0，i，j;
T_U8 *dst_Bmp24_img，*dst_BMP24_data，*R_img，*G_img，*B_img;
int newbiBitCount =8;
size_t img_size = width*height;
float nb_min = img_size*smin/100.0，nb_max = img_size*smax/100.0;
FILE *Simplest_color_balance_BMP8Bit_fp = fopen（“Simplest_24bitcolor_balance.bmp”，“wb”）;
if（NULL == Simplest_color_balance_BMP8Bit_fp）
{
printf（“Can’t open Simplest_color_balance.bmp ”）;
return EXIT_FAILURE;
}
if （0. 》 smin || 100. 《= smin || 0. 》 smax || 100. 《= smax） {
fprintf（stderr， “the saturation percentages must be in ［0-100［ ”）;
return EXIT_FAILURE;
}
lineByte = （width * 8 / 8 + 3） / 4 * 4;
source_lineByte = （ （width * 24 / 8 + 3） / 4 * 4）;
dst_Bmp24_img = （T_U8*）malloc（source_lineByte*height+BMPHEADSIZE）;
R_img = （T_U8*）malloc（lineByte*height）;
G_img = （T_U8*）malloc（lineByte*height）;
B_img = （T_U8*）malloc（lineByte*height）;
Check_Malloc_TU8_Valid（dst_Bmp24_img）;
Check_Malloc_TU8_Valid（G_img）;
Check_Malloc_TU8_Valid（B_img）;
Check_Malloc_TU8_Valid（R_img）;
memcpy（dst_Bmp24_img，BMP24_img，source_lineByte*height+BMPHEADSIZE）;
dst_BMP24_data = dst_Bmp24_img+BMPHEADSIZE;
for （i = 0; i 《 height;i++）
{
source_index = i*source_lineByte;
dst_index = i*lineByte;
for （j = 0; j 《 width;j++）
{
R_img［dst_index］ = dst_BMP24_data［source_index+2］;
G_img［dst_index］ = dst_BMP24_data［source_index+1］;
B_img［dst_index］ = dst_BMP24_data［source_index+0］;
source_index += 3;
dst_index += 1;
}
}
（void）balance_u8（R_img，img_size，（size_t）nb_min，（size_t）nb_max）;
（void）balance_u8（G_img，img_size，（size_t）nb_min，（size_t）nb_max）;
（void）balance_u8（B_img，img_size，（size_t）nb_min，（size_t）nb_max）;
for （i = 0; i 《height;i++）
{
source_index = i*source_lineByte;
dst_index = i*lineByte;
for （j = 0; j 《width;j++）
{
dst_BMP24_data［source_index+2］ = R_img［dst_index］;
dst_BMP24_data［source_index+1］ = G_img［dst_index］;
dst_BMP24_data［source_index+0］ = B_img［dst_index］;
source_index += 3;
dst_index += 1;
}
}
fwrite（BMP24_img，BMPHEADSIZE， 1， Simplest_color_balance_BMP8Bit_fp）;
fwrite（dst_BMP24_data， source_lineByte*height， 1， Simplest_color_balance_BMP8Bit_fp）;
fclose（Simplest_color_balance_BMP8Bit_fp）;
Simplest_color_balance_BMP8Bit_fp = NULL;
free（dst_Bmp24_img）;
free（R_img）;
free（G_img）;
free（B_img）;
return 0;
}
#e#
4.圖像效果
?
A色溫白平衡校正前后對比圖
?
TL84色溫白平衡校正前后對比圖
如算法原理所述，使用的是類似于自動對比度調(diào)整的方法對圖像進(jìn)行白平衡校正。這種方法也能夠很好的對比較朦朧的圖像進(jìn)行對比度的調(diào)整，提高圖像的通透性。
?
彩色圖像的對比度提升
?
灰度圖像的對比圖提升
工商網(wǎng)監(jiān)
評論