一、色温与白平衡
物体颜色会因投射光线颜色产生改变，在不同光线的场合下拍摄出的照片会有不同的色温。人的视觉系统具有颜色恒常性，能从变化的光照环境和成像条件下获取物体表面颜色的不变特性，但成像设备不具有这样的调节功能，不同的光照环境会导致采集的图像颜色与真实颜色存在一定程度的偏差。
在各种复杂的色温条件下都能正确还原出物体本来的色彩，从而找到正确的色彩平衡，这就是所谓的白平衡调整。
二、偏色检测算法
RGB颜色空间是最简单的一种颜色空间，但是RGB颜色空间最大的局限性在于当用欧氏距离来刻画两种颜色之间的差异时，所计算出的两种颜色之间的距无法正确表征人们实际所感知到的这两种颜色之间的真实差异。采用Lab颜色空间，此空间所计算出来的颜色之间的距离与实际感知上的差别基本一致。其直方图可以客观的反映图像色偏程度，在Lab下进行偏色图像的自动检测更为合理。
经过对正常图像和偏色图像的分析发现，如果在ab色度坐标平面上的直方图中，色度分布基本上为单峰值，或者分布较为集中，而色度平均值又较大时，一般都存在色偏，而且色度平均值越大，色偏越严重。然而，如果在ab色度坐标平面上的直方图中色度分布存在明显的多峰值，而且较为分散时，图像色偏程度将大大减轻，甚至没有色偏。
import cv2 as cv
import math
def color_detection(image_arr):
image_arr = cv.cvtColor(image_arr, cv.COLOR_BGR2LAB)
l_channel, a_channel, b_channel = cv.split(image_arr)
h, w, _ = image_arr.shape
da = a_channel.sum()/(h*w)-128
db = b_channel.sum()/(h*w)-128
histA = [0]*256
histB = [0]*256
for i in range(h):
for j in range(w):
ta = a_channel[i][j]
tb = b_channel[i][j]
histA[ta] += 1
histB[tb] += 1
msqA = 0
msqB = 0
for y in range(256):
msqA += float(abs(y-128-da))*histA[y]/(w*h)
msqB += float(abs(y - 128 - db)) * histB[y] / (w * h)
cast = math.sqrt(da*da+db*db)/math.sqrt(msqA*msqA+msqB*msqB)
return cast
综合来说，cast值不大于1.5我们可以认为其整体图像偏色的可能性不大
三、白平衡算法
1、灰度世界算法（Gray World）
灰度世界算法以灰度世界假设为基础，该假设认为：对于一幅有着大量色彩变化的图像，R,G,B三个分量的平均值趋于同一灰度值Gray。从物理意义上讲，灰色世界法假设自然界景物对于光线的平均反射的均值在总体上是个定值，这个定值近似地为“灰色”，从而消除环境光的影响获得原始场景图像。
执行步骤
STEP 1：计算Gray值
一般都两种方法
(1) 使用固定值
对于8位的图像(0~255)通常取128作为灰度值
(2) 分别计算三通道的平均值avgR，avgG，avgB，则：
Gray=(avgR+avgG+avgB)/3
STEP 2：计算增益系数
kr=Gray/avgR , kg=Gray/avgG , kb=Gray/avgB
STEP 3：利用增益系数，重新计算每个像素值C，构成新的图片
优缺点
这种算法简单快速，但是当图像场景颜色并不丰富时，尤其出现大块单色物体时（色彩够不多样），该算法常会失效。
代码实现
def gray_world(image_arr):
'''
灰度世界算法
'''
avgR = np.average(image_arr[0])
avgG = np.average(image_arr[1])
avgB = np.average(image_arr[2])
gray = (avgR + avgG + avgB) / 3
image_arr[0] = np.minimum(image_arr[0] * (gray / avgR), 255)
image_arr[1] = np.minimum(image_arr[1] * (gray / avgG), 255)
image_arr[2] = np.minimum(image_arr[2] * (gray / avgB), 255)
return image_arr
img_arr = np.array(Image.open('tt2.jpg'))
grey_world(img_arr)
2、完美反射算法（Perfect Reflector）
完美全反射理论假设图像上最亮点就是白点（R+G+B的最大值），并以此白点为参考对图像进行自动白平衡。
执行步骤
STEP 1：计算每个像素的R\G\B之和
STEP 2：按R+G+B值的大小计算出其前Ratio%的值作为参考点的的阈值T
STEP 3：对图像中的每个点，计算其中R+G+B值大于T的所有点的R\G\B分量的累积和的平均值
STEP 4：对每个点将像素量化到[0,255]之间
优缺点
比灰度世界算法好点，但是依赖ratio值选取而且对亮度最大区域不是白色的图像效果不佳。
代码实现
def perfect_reflector(image_arr, ratio):
'''
完美反射算法
'''
w, h, v = image_arr.shape
HistRGB = {}
for i in range(w):
for j in range(h):
RGB_sum = image_arr[i, j, 0]+image_arr[i, j, 1]+image_arr[i, j, 2]
HistRGB.setdefault(RGB_sum, 0)
HistRGB[RGB_sum] += 1
total_sum = 0
for i in range(767, 1, -1):
try:
total_sum += HistRGB[i]
except:
continue
if total_sum > w * h * ratio / 100.0:
Threshold = i
break
T_count = 0
AvgR = 0; AvgG = 0; AvgB = 0
for i in range(w):
for j in range(h):
t = int(image_arr[i, j, 0])+int(image_arr[i, j, 1])+int(image_arr[i, j, 2])
if t > Threshold:
AvgR += int(image_arr[i, j, 0])
AvgG += int(image_arr[i, j, 1])
AvgB += int(image_arr[i, j, 2])
T_count += 1
AvgR /= T_count
AvgG /= T_count
AvgB /= T_count
maxvalue = np.max(image_arr)
for i in range(w):
for j in range(h):
Red = int(image_arr[i, j, 0]) * maxvalue / int(AvgR)
Green = int(image_arr[i, j, 1]) * maxvalue / int(AvgG)
Blue = int(image_arr[i, j, 2]) * maxvalue / int(AvgB)
if Red > 255:
Red = 255
elif Red < 0:
Red = 0
if Green > 255:
Green = 255
elif Green < 0:
Green = 0
if Blue > 255:
Blue = 255
elif Blue < 0:
Blue = 0
# print(image_arr[i, j, 0], Red)
image_arr[i, j, 0] = Red
image_arr[i, j, 1] = Green
image_arr[i, j, 2] = Blue
return image_arr
img_arr = np.array(Image.open('tt3.jpg'))
perfect_reflector(img_arr, 3)
