假设我们在一个图像中有5个圆的l，a，b值。这些值是使用OpenCV计算的。
imlab=cv2.cvtColor(circle_img_only,cv2.COLOR_BGR2LAB).astype("float32")
实际上，我们从每个圆中获取100个随机像素，然后为每个圆计算正常的平均LAB值(我不确定这是正确的方法)
值是np.array，类似于以下内容:
LAB Measured Colors Values =
[[ 27.553 -26.39 7.13 ]
[ 28.357 -27.08 7.36 ]
[ 28.365 -27.01 7.21 ]
[ 29.749 -27.78 7.42 ]
[ 28.478 -26.81 7.14 ]]
这些圆也使用比色计仪器测量。比色计产生引用值。
LAB Reference Colors Values =
[35.07, -24.95, 3.12]
[35.09, -24.95, 3.18]
[35.0, -25.6, 3.21]
[34.97, -25.76, 3.36]
[35.38, -24.55, 2.9]
让我们将LAB测量的颜色值称为m1
让我们将LAB引用颜色值称为m2
我们有测量值和引用值。
我们如何计算CCM-色彩校正矩阵？
我使用以下方法做到这一点:
def first_order_colour_fit(m_1, m_2 , rcond=1):
"""
Colour Fitting
==============
Performs a first order colour fit from given :math:`m_1` colour array to
:math:`m_2` colour array. The resulting colour fitting matrix is computed
using multiple linear regression.
The purpose of that object is for example the matching of two
*ColorChecker* colour rendition charts together
Parameters
----------
m_1 : array_like, (3, n)
Test array :math:`m_1` to fit onto array :math:`m_2`.
m_2 : array_like, (3, n)
Reference array the array :math:`m_1` will be colour fitted against.
Simply: Creating and clculating CCM - Color Correction Matrix
"""
print('CCM - Color Correction Matrix = ')
ColorCorrectionMatrix = np.transpose(np.linalg.lstsq(m_1, m_2 , rcond)[0])
这将产生:
CCM - Color Correction Matrix =
[[-0.979 -2.998 -2.434]
[ 0.36 1.467 0.568]
[ 0.077 0.031 0.241]]
取得CCM之后-我想在m1(LAB实测颜色)上应用CCM，并进行更正。
我们该怎么做？
我正在执行以下操作，但是结果似乎不正确:
def CorrectedMeasuredLABValues(measured_colors_by_app , ColorCorrectionMatrix , reference_LAB_colors_values ):
CorrectedMeasured_LAB_Values = np.zeros_like(measured_colors_by_app , dtype=object)
print('\n\n\n\n Corrected Measured LAB Values Matrix = ')
for i in range(measured_colors_by_app.shape[0]):
print(ColorCorrectionMatrix.dot(measured_colors_by_app[i]))
CorrectedMeasured_LAB_Values[i] = ColorCorrectionMatrix.dot(measured_colors_by_app[i])
我们得到以下内容:
Corrected Measured LAB Values Matrix =
[ 34.766 -24.742 3.033]
[ 35.487 -25.334 3.129]
[ 35.635 -25.314 3.096]
[ 36.076 -25.825 3.23 ]
[ 35.095 -25.019 3.094]
最佳答案
如果你这样做
ColorCorrectionMatrix = np.linalg.lstsq(m_1, m_2)[0]
然后
m_3 = np.matmul(m_1, ColorCorrectionMatrix)
应该返回一个与
m_3接近的m_2数组。也就是说，第一行求解方程m_1 x = m_2
在最小二乘意义上；因此，
m_1与x找到的np.linalg.lstsq的简单矩阵乘法应近似于m_2。这意味着您应该在
ColorCorrectionMatrix的计算中删除转置。但是! 此更正将转换应用于错过翻译的颜色。 Lab空间中由a和b跨越的平面是色度平面。该平面原点的点表示白色/灰色(无色)。如果图片需要白点调整(白平衡)，则意味着真正的白色不在此平面的原点。需要翻译才能将其移到那里，没有任何数量的乘法将能够实现这一点。
需要解决的方程是
m_1 x + y = m_2
(其中y是白点校正)。如果我们在
m_1和m_2中添加一列，则可以将其重写为单个矩阵乘法。这称为齐次坐标，有关其外观的概念，请参见this Wikipedia article。在RGB空间中计算色彩校正时，不会发生此问题。在RGB中，原点永远不会移动:黑色是黑色。 RGB值始终为正。白平衡通过乘法来实现。
我建议您将色度计引用值转换为RGB，而不是将图像像素转换为Lab，然后在RGB空间中执行颜色校正。确保确保记录的图像位于线性RGB空间中，而不是sRGB，后者是非线性的(如果事实证明图像另存为sRGB，则会在线找到转换方程式)。
在线性RGB空间中，以与在Lab空间中相同的方式对像素值求平均非常好。
关于python-3.x - LAB色彩空间中的色彩校正矩阵-OpenCV，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49221892/