目录色度色域最大化算法Chromaticity Gamut Maximization1、算法背景与物理直觉2、输入、输出定义3、完整算法分步流程步骤① 遍历全部候选白点集合(C_{CCT})步骤② 找到基础最大色域步骤③ 鲁棒增强论文核心改进处理多峰值 / 宽平顶情况4、在 CCIC 整体链路中的位置5、该算法的优缺点6、和其他同类算法的关系7、工程复现注意点色度色域最大化算法Chromaticity Gamut Maximization出处论文《Color constancy by characterization of illumination chromaticity》 2.2.2 节是 CCIC 算法第一步 CCT 候选区间压缩的其中一个子模块输出为色温估计。 作用在不依赖图像中性灰色块的前提下从候选色温集合里选出 “最合理的照明色温候选”和灰度世界、照度约束一起共同收缩 CCT 搜索窗口。1、算法背景与物理直觉核心假设如果选用的白平衡白点照明色度越接近真实场景光源经过白平衡 色彩空间转换之后图像的色度色域覆盖范围就越大错误的白点会压缩图像色度分布。相机原始 RAW 图像是传感器 RGB 空间不能直接评判颜色丰富度需要做两步操作 ① 使用待评估候选白点做冯‑克里斯对角白平衡增益校正 ② 执行「传感器 RGB → sRGB」的色彩转换矩阵运算。若候选白点 真实照明场景内物体的色彩可以被完整展开各色物体分布散开色度色域面积最大。若候选白点严重偏离真实照明会引入整体偏色色彩转换把大量像素挤压到狭小色度区域色域面积被压缩。论文特别指出一种典型现象针对通道光谱高度重叠、对角模型失效的廉价相机模组评估白点 CCT过高偏蓝图像整体偏红大量像素被挤压到红调区域色域被压缩评估白点 CCT过低偏红图像整体偏蓝大量像素被挤压到蓝调区域色域被压缩。⚠️适用边界 ✅适合图像内物体色彩种类丰富、多样 ❌缺陷图像物体颜色很少实验室纯色布景色域面积不会出现单一尖锐峰值会出现多个候选白点得到接近的大色域面积。论文专门针对该缺陷做了鲁棒增强处理。2、输入、输出定义输入预处理后线性 RAW 图像28 个离散候选光源色度集合每个元素对应一个 CCT是标定好的传感器色度传感器 RGB 转 sRGB 固定色彩转换矩阵灰度世界输出的色温估计用于鲁棒后处理。输出色域最大化得到的候选相关色温用于后续压缩 CCT 搜索区间。3、完整算法分步流程步骤① 遍历全部候选白点集合对集合中每一个候选照明色度点根据候选色度构造对角白平衡增益矩阵将图像全部像素做白平衡校正使用相机‑to‑sRGB 色彩矩阵把白平衡之后像素转换到 sRGB 色彩空间提取转换后全部有效像素的二维色度一般取 (r/g,b/g) 或者 sRGB 的 xy 色度抛弃亮度信息计算这一组色度点构成的色度色域的面积。关键点计算的是色度色域面积不包含亮度维度只看色彩的散布范围。工程优化提示不需要全分辨率图像CCIC 整套算法都可以在低分辨率网格图像上完成该遍历计算降低计算开销。步骤② 找到基础最大色域记产生对应的色温为。步骤③ 鲁棒增强论文核心改进处理多峰值 / 宽平顶情况触发条件存在多个候选白点色域面积都很高没有唯一尖锐最大值。 判断条件找出所有满足的候选点集合。 再施加约束集合内的色温必须落在和两者之间。如果满足条件的候选集合非空对这批候选色温取算术平均作为最终输出。如果没有满足条件的多个候选直接取。为什么要加 “介于之间” 这条约束 防止一些和灰度世界估计偏离很远、但碰巧色域也很大的异常候选被纳入平均抑制离群候选。4、在 CCIC 整体链路中的位置输入RAW图像 ↓ ┌───────────────────┐ │ Step1 缩小CCT候选区间 │ │ ├─灰度世界 → CCT_GW │ │ ├─【色度色域最大化 → CCT_GMAX】 ←本模块 │ └─照度估计 → [CCT_LUXLO, CCT_LUXHI] └─────────┬─────────┘ ↓ 启发式融合以5500K为安全中心点输出最终CCT搜索窗口 ↓ Step2 低分辨率网格检测中性块 ↓ Step3 多路加权融合输出白平衡增益5、该算法的优缺点✅优点不需要检测图像存在中性灰色物体完全依靠色彩分布范围做光源估计和灰度世界属于不同的假设体系二者互为补充灰度世界假设 “色彩均值为灰”色域最大化假设 “正确白点可以最大化色彩散布”可以在低分辨率网格运行计算代价可控适配嵌入式相机增加 95% 面积阈值 区间约束的鲁棒逻辑改善多峰值失效。❌缺点图像色彩种类很少时效果变差纯色布景实验室图片容易出现多个峰值输出不可靠依赖传感器 RGB 到 sRGB 的色彩转换矩阵如果矩阵标定不准色域面积计算本身就引入偏差对角模型严重失效的模组下色彩转换放大错误白点带来的偏色虽然有效果但噪声会增大。6、和其他同类算法的关系论文引用 D.Forsyth 的色域映射理论Ref 19。传统 GCIE色域约束光源估计是已知物体全部反射色域反向求解哪些光源可以把物体映射到观测图像需要标定完整物体色域标定成本高对角模型失效时性能暴跌。⚠️注意区分二者GCIE标定物体反射色域反向求解光源本论文的「色度色域最大化」不标定物体色域遍历候选光源看经过白平衡 色彩转换后图像本身的色度展开得有多大是前向评估仅使用光源候选集合\(C_{CCT}\)。7、工程复现注意点输入必须是线性 RAW不能是伽马压缩后的图像伽马非线性会扭曲色度分布导致色域面积计算完全错误。色域面积计算要剔除饱和像素饱和像素色度无效不需要精细凸包计算工程上可以使用二维直方图统计覆盖 bin 数量近似代表色域面积大幅降低运算本模块输出只是候选色温值不是最终白平衡结果它仅仅用来压缩后续搜索窗口不会直接输出白平衡增益。 《Color constancy by characterization of illumination chromaticity》之色度色域最大化算法（一）
目录色度色域最大化算法Chromaticity Gamut Maximization1、算法背景与物理直觉2、输入、输出定义3、完整算法分步流程步骤① 遍历全部候选白点集合(C_{CCT})步骤② 找到基础最大色域步骤③ 鲁棒增强论文核心改进处理多峰值 / 宽平顶情况4、在 CCIC 整体链路中的位置5、该算法的优缺点6、和其他同类算法的关系7、工程复现注意点色度色域最大化算法Chromaticity Gamut Maximization出处论文《Color constancy by characterization of illumination chromaticity》 2.2.2 节是 CCIC 算法第一步 CCT 候选区间压缩的其中一个子模块输出为色温估计。 作用在不依赖图像中性灰色块的前提下从候选色温集合里选出 “最合理的照明色温候选”和灰度世界、照度约束一起共同收缩 CCT 搜索窗口。1、算法背景与物理直觉核心假设如果选用的白平衡白点照明色度越接近真实场景光源经过白平衡 色彩空间转换之后图像的色度色域覆盖范围就越大错误的白点会压缩图像色度分布。相机原始 RAW 图像是传感器 RGB 空间不能直接评判颜色丰富度需要做两步操作 ① 使用待评估候选白点做冯‑克里斯对角白平衡增益校正 ② 执行「传感器 RGB → sRGB」的色彩转换矩阵运算。若候选白点 真实照明场景内物体的色彩可以被完整展开各色物体分布散开色度色域面积最大。若候选白点严重偏离真实照明会引入整体偏色色彩转换把大量像素挤压到狭小色度区域色域面积被压缩。论文特别指出一种典型现象针对通道光谱高度重叠、对角模型失效的廉价相机模组评估白点 CCT过高偏蓝图像整体偏红大量像素被挤压到红调区域色域被压缩评估白点 CCT过低偏红图像整体偏蓝大量像素被挤压到蓝调区域色域被压缩。⚠️适用边界 ✅适合图像内物体色彩种类丰富、多样 ❌缺陷图像物体颜色很少实验室纯色布景色域面积不会出现单一尖锐峰值会出现多个候选白点得到接近的大色域面积。论文专门针对该缺陷做了鲁棒增强处理。2、输入、输出定义输入预处理后线性 RAW 图像28 个离散候选光源色度集合每个元素对应一个 CCT是标定好的传感器色度传感器 RGB 转 sRGB 固定色彩转换矩阵灰度世界输出的色温估计用于鲁棒后处理。输出色域最大化得到的候选相关色温用于后续压缩 CCT 搜索区间。3、完整算法分步流程步骤① 遍历全部候选白点集合对集合中每一个候选照明色度点根据候选色度构造对角白平衡增益矩阵将图像全部像素做白平衡校正使用相机‑to‑sRGB 色彩矩阵把白平衡之后像素转换到 sRGB 色彩空间提取转换后全部有效像素的二维色度一般取 (r/g,b/g) 或者 sRGB 的 xy 色度抛弃亮度信息计算这一组色度点构成的色度色域的面积。关键点计算的是色度色域面积不包含亮度维度只看色彩的散布范围。工程优化提示不需要全分辨率图像CCIC 整套算法都可以在低分辨率网格图像上完成该遍历计算降低计算开销。步骤② 找到基础最大色域记产生对应的色温为。步骤③ 鲁棒增强论文核心改进处理多峰值 / 宽平顶情况触发条件存在多个候选白点色域面积都很高没有唯一尖锐最大值。 判断条件找出所有满足的候选点集合。 再施加约束集合内的色温必须落在和两者之间。如果满足条件的候选集合非空对这批候选色温取算术平均作为最终输出。如果没有满足条件的多个候选直接取。为什么要加 “介于之间” 这条约束 防止一些和灰度世界估计偏离很远、但碰巧色域也很大的异常候选被纳入平均抑制离群候选。4、在 CCIC 整体链路中的位置输入RAW图像 ↓ ┌───────────────────┐ │ Step1 缩小CCT候选区间 │ │ ├─灰度世界 → CCT_GW │ │ ├─【色度色域最大化 → CCT_GMAX】 ←本模块 │ └─照度估计 → [CCT_LUXLO, CCT_LUXHI] └─────────┬─────────┘ ↓ 启发式融合以5500K为安全中心点输出最终CCT搜索窗口 ↓ Step2 低分辨率网格检测中性块 ↓ Step3 多路加权融合输出白平衡增益5、该算法的优缺点✅优点不需要检测图像存在中性灰色物体完全依靠色彩分布范围做光源估计和灰度世界属于不同的假设体系二者互为补充灰度世界假设 “色彩均值为灰”色域最大化假设 “正确白点可以最大化色彩散布”可以在低分辨率网格运行计算代价可控适配嵌入式相机增加 95% 面积阈值 区间约束的鲁棒逻辑改善多峰值失效。❌缺点图像色彩种类很少时效果变差纯色布景实验室图片容易出现多个峰值输出不可靠依赖传感器 RGB 到 sRGB 的色彩转换矩阵如果矩阵标定不准色域面积计算本身就引入偏差对角模型严重失效的模组下色彩转换放大错误白点带来的偏色虽然有效果但噪声会增大。6、和其他同类算法的关系论文引用 D.Forsyth 的色域映射理论Ref 19。传统 GCIE色域约束光源估计是已知物体全部反射色域反向求解哪些光源可以把物体映射到观测图像需要标定完整物体色域标定成本高对角模型失效时性能暴跌。⚠️注意区分二者GCIE标定物体反射色域反向求解光源本论文的「色度色域最大化」不标定物体色域遍历候选光源看经过白平衡 色彩转换后图像本身的色度展开得有多大是前向评估仅使用光源候选集合\(C_{CCT}\)。7、工程复现注意点输入必须是线性 RAW不能是伽马压缩后的图像伽马非线性会扭曲色度分布导致色域面积计算完全错误。色域面积计算要剔除饱和像素饱和像素色度无效不需要精细凸包计算工程上可以使用二维直方图统计覆盖 bin 数量近似代表色域面积大幅降低运算本模块输出只是候选色温值不是最终白平衡结果它仅仅用来压缩后续搜索窗口不会直接输出白平衡增益。