Matlab常用白平衡算法
面阵ccd颜色识别与变换matlab代码
一、引言面阵CCD（Charge-Coupled Device）是一种常用的图形传感器，可用于获取图像信息。
在计算机视觉领域，图像的颜色识别与变换是一项重要的任务，而MATLAB作为一种强大的技术计算软件，提供了丰富的工具和函数，可以帮助我们实现对面阵CCD图像的颜色识别与变换。
本文将介绍如何利用MATLAB实现对面阵CCD图像的颜色识别与变换，并给出相应的代码和示例。
二、面阵CCD颜色识别1. 获取图像在进行面阵CCD颜色识别之前，首先需要获取一张面阵CCD图像。
可以通过MATLAB的图像处理工具箱中的函数来读取图像，例如imread函数。
2. 颜色空间转换面阵CCD图像通常以RGB颜色空间表示，而在进行颜色识别时，通常会将图像转换到其他颜色空间，比如HSV或Lab颜色空间。
可以利用MATLAB提供的rgb2hsv和rgb2lab函数来实现颜色空间的转换。
3. 颜色分割一旦图像转换到目标颜色空间，就可以进行颜色分割操作，将目标颜色区域提取出来。
MATLAB提供了一系列的图像分割函数，比如imfindcircles和regionprops，可以根据特定的颜色特征来分割图像。
三、面阵CCD颜色变换1. 色彩空间转换对于面阵CCD图像的颜色变换，我们可以利用MATLAB提供的颜色空间转换函数，比如rgb2gray和rgb2hsv，将图像转换到目标色彩空间。
2. 色彩增强一旦图像转换到目标色彩空间，就可以对图像进行色彩增强操作。
MATLAB中的imadjust函数可以帮助我们对图像的色彩进行调整，以实现颜色的变换和增强。
3. 色彩映射我们还可以利用MATLAB提供的颜色映射函数，比如ind2rgb和imfuse，将图像的颜色映射到其他色彩空间或者进行多通道的颜色融合。
四、MATLAB代码示例以下是一个简单的MATLAB代码示例，用于实现面阵CCD图像的颜色识别与变换：```matlab读取图像img = imread('ccdim.png');颜色空间转换img_hsv = rgb2hsv(img);颜色分割mask = img_hsv(:,:,1) > 0.5 img_hsv(:,:,2) > 0.3;显示结果subplot(1,2,1), imshow(img), title('原始图像');subplot(1,2,2), imshow(mask), title('颜色分割结果');```五、结论本文介绍了如何利用MATLAB实现对面阵CCD图像的颜色识别与变换，并给出了相应的代码和示例。
matlab中 gamma变换
matlab中 gamma变换（原创实用版）目录1.MATLAB 中 Gamma 变换的概述2.Gamma 变换的公式表示3.MATLAB 中实现 Gamma 变换的方法4.Gamma 变换在图像处理中的应用5.总结正文【1.MATLAB 中 Gamma 变换的概述】Gamma 变换是一种常用于图像处理的非线性变换，它可以改变图像的亮度和对比度，使图像更易于观察或者满足特定的应用需求。
在 MATLAB 中，我们可以使用内置函数实现 Gamma 变换。
【2.Gamma 变换的公式表示】Gamma 变换的数学公式表示为：out = in * (gamma * exp((-gamma * (in - 1)) / (gamma - 1)) 其中，in 表示输入图像，out 表示输出图像，gamma 表示变换的参数，取值范围通常在 0 到 1 之间。
【3.MATLAB 中实现 Gamma 变换的方法】在 MATLAB 中，我们可以使用以下步骤实现 Gamma 变换：1.创建一个输入图像（可以是灰度图像或者彩色图像）；2.使用`im2double`函数将图像转换为双精度浮点数；3.使用`exp`函数计算指数部分；4.使用` gammainv`函数计算 Gamma 变换后的值；5.使用`im2double`函数将结果转换回图像格式；6.显示或者保存输出图像。
【4.Gamma 变换在图像处理中的应用】Gamma 变换在图像处理中有广泛的应用，例如：1.增强图像对比度：通过增加 Gamma 值，可以使图像的亮度和对比度更高，便于观察；2.提高图像可视化效果：通过减小 Gamma 值，可以使图像的亮度和对比度更低，提高图像的美观性；3.图像特征提取：通过对图像进行 Gamma 变换，可以提取出图像的特征，用于图像分类、识别等任务。
【5.总结】Gamma 变换是图像处理中常用的一种非线性变换，可以通过改变图像的亮度和对比度，提高图像的可视化效果或者提取图像特征。
Matlab常用白平衡算法
灰色世界法（grey world method）要计算未知光源的特性必须从图片中提取相关的统计特性。
当我们能够仅使用一个统计特性就获得未知光源特性时，算法就变得非常简单了。
在这种情况下，未知光源必须在整幅图片上都是统一的。
均值于是就成为了此类方法之下最好的统计指标。
而灰色世界法正是利用了均值作为估算未知光源的关键统计量。
从物理意义上说，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”。
在给定图片的白平衡算法中，灰色世界假设图片中的反射面足够丰富，以至于可以作为自然界景物的一个缩影。
若这幅图片是在经典光源下拍摄的，其均值就应该等于灰色。
若这幅图是在非经典光源下拍摄的，那么均值就会大于或者小于灰色值。
而该均值对于灰色的偏离程度则反映了未知光源相对于已知光源的特性。
虽然这个方法比较简单，但是仍然可以从一些方面进行调整。
一个方面就是对于灰色的定义形式的选择。
包括对于光谱的定义、对于光谱成分的定义和在经典光源之下的RGB 的响应。
另一个更加重要的调整方面就是对于灰色的选择。
不管如何定义灰色，最佳的灰色之选必然是自然界实事上出现的灰色。
但是这个值是无法获得的（除非是合成数据），所以对于灰色的选择是不同的灰色世界算法的一个重要的区别点。
一个方法是假设这个灰色就是实事上的灰色。
也就是说反射光谱是均衡的。
给定光源之下的RGB 响应是纯白色对此光源的响应值的一部分。
比方说，可以使用50%作为反射率（虽然这个灰色值对于人眼视觉习惯而言可能过于明亮）。
另一种方法，就是根据大量的数据提炼出一个均值，并把它定义为灰色。
这种方法提炼的灰色值可能因为数据库使用的不同而有所不同。
最终提炼的灰色也能仅适用于原始的数据库，而对于数据库未包括的图片的适用度就会比较差一些。
确定下来的灰色表达形式可以用Grey i c来表示。
下标i 表示信道，上标c 为canonical 的首字母，表示经典光源。
白平衡 色坐标
白平衡色坐标白平衡是指调整数码相机或摄像机的色彩表现，以使拍摄的图像在相机显示器或是电脑上的显示器上呈现真实的颜色。
当我们使用数码相机或摄像机进行拍摄时，由于不同的光源或环境条件下，图像的颜色会出现偏差。
白平衡的作用就是校正这种颜色偏差，使所拍摄的图像色彩更为真实、自然。
在摄影和摄像中，我们常常使用"白色"进行校正，因为白色在光线下是不带有色彩的。
然而，不同的光源在发出的光线中所含的颜色成分是不同的，这就导致了图像出现色彩偏差。
白平衡的目的就是通过调整相机的参数，使得拍摄出来的白色真实呈现。
白平衡有几种常见的调整方式，分别是自动白平衡，预设白平衡和手动白平衡。
自动白平衡是指相机根据场景中的色彩情况自动调整白平衡参数。
这种方式适用于大多数情况下，能够在相对短的时间内自动完成对光源的识别和调整。
预设白平衡是指相机内置了一系列场景模式，用户可以根据实际拍摄情况选择相应的模式，相机会根据预设的场景参数进行白平衡的调整。
常见的预设模式有晴天、阴天、白炽灯、荧光灯等。
手动白平衡是指用户根据实际情况手动调整相机的白平衡参数。
这种方式适用于一些特殊场景下，如夜间拍摄、室内拍摄等。
用户需要根据实际的光源情况，调整相机的白平衡参数，以达到最佳的色彩效果。
在白平衡调整过程中，我们经常听到的是色温和色坐标的概念。
色温是指光源的发光色彩的冷暖程度，一般用单位"开尔文"（K）来表示。
常见的光源如自然阳光的色温在5500K左右，白炽灯的色温在2700K左右。
通过调整相机的白平衡参数，我们可以将色温设置得更加接近实际光源的色温，从而使拍摄出来的图像色彩更为真实。
而色坐标则是用来描述光源发出的光线在颜色空间中的位置。
在拍摄过程中，相机根据所选的白平衡参数，将光线的色坐标调整到合适的位置，以使拍摄出来的图像色彩更加真实自然。
色坐标用于描述光线的颜色，通常使用CIE（国际照明委员会）的标准颜色空间。
白平衡算法总结
Cb(i, j) − Mb ) N Cr(i, j) − Mr ) N
Dr =
i ，j (
为了提高算法的稳健性，将图片分为几个区域并且计算每个区域 的 Mb、Mr、Db、Dr，如果一个区域的 Db，Dr 太小，那么这个区域 就没有足够的色彩变化，就可以丢弃掉了。这样可以避免大面积的统 一色调对结果的影响。
8
%计算 Cb、Cr 的均值 Mb、Mr% Mb=sum(sum(Cb)); Mr=sum(sum(Cr)); Mb=Mb/(x*y); Mr=Mr/(x*y); %计算 Cb、Cr 的均方差% Db=sum(sum(Cb-Mb))/(x*y); Dr=sum(sum(Cr-Mr))/(x*y); %根据阀值的要求提取出 near-white 区域的像素点% cnt=1; for i=1:x for j=1:y b1=Cb(i,j)-(Mb+Db*sign(Mb)); b2=Cr(i,j)-(1.5*Mr+Dr*sign(Mr)); if (b1<abs(1.5*Db) & b2<abs(1.5*Dr)) Ciny(cnt)=Lu(i,j); tst(i,j)=Lu(i,j); cnt=cnt+1; end end end cnt=cnt-1;
9
iy=sort(Ciny,'descend');%将提取出的像素点从亮度值大的点到小 的点依次排列% nn=round(cnt/10); Ciny2(1:nn)=iy(1:nn);%提取出 near-white 区域中 10%的亮度值较 大的像素点做参考白点% %提取出参考白点的 RGB 三信道的值% mn=min(Ciny2); c=0; for i=1:x for j=1:y if tst(i,j)<mn tst(i,j)=0; else tst(i,j)=1; c=c+1; end end end R=im(:,:,1); G=im(:,:,2); B=im(:,:,3); R=double(R).*tst;
白平衡算法——gamma算子
传统CRT：
二、基于伽马变换的图像增强
原理步骤：
归一化
补偿
反归一化
二、伽马变换原理
归一化： y cr , r [0,1]
将像素值转换为 0 ～ 1 之间的实数。 算法如下 :r= ( i + 0. 5)/256 这里包含 1 个除 法和 1 个加法操作。对于像素 A 而言 , 其对应的归一化值为 0. 783203 。
LUT[i] = intTemp; }
二、程序的实现
//单通道 if (resultImage->nChannels == 1) {
for (int i = 0; i < resultImage->height; i++) {
for (int j = 0; j < resultImage->width; j++) {
假设像素值 i=200
1 1 0.4545
gamma 2.2 0.783203 0.894872
二、伽马变换原理
反归一化：
将经过预补偿的实数值反变换为 0 ～ 255 之间的整数值。具体算法为 : f*256 - 0.
5 此步骤包含一个乘法和一个减法运算。续前 例 , 将 A 的预补偿结果 0. 894872
float f = (i + 0.5f) / 255; f = (float)(pow(f, kFactor)); int intTemp = f*255.0f - 0.5f; if(intTemp<0) {
intTemp=0; } else if(intTemp>255) {
intTemp=255; }
第9章 焊缝边缘检测算法对比分析与MATLAB实现
2
第九章
MATLAB优化算法案例分析与应用
•9.3.4 形态学处理
图9- 4 形态学处理流程
第九章
edge magnitude edge magnitude extraction
MATLAB优化算法案例分析与应用
sobel Edge Detection
图9- 5 Sobel边缘检测
edge magnitude edge magnitude extraction Prewitt Edge Detection
第九章
MATLAB优化算法案例分析与应用
•9.1 转向架构架焊缝边缘检测研究现状
目前很多机械关键部件主要采用焊接加工制造，难免由于人为误差，导 致焊缝质量不合理，造成构架结构变形，性能下降，严重影响列车运行安 全性。随着计算机技术和电子技术的发展，在大规模生产中，广泛应用焊 接机器人。焊接缺陷识别是焊接生产自动化和提高焊接质量的关键。焊接 过程中，所摄焊缝图像往往存在很多噪声，图像预处理一般包括图像平滑 滤波和图像矫正等。边缘检测是图像测量、检测和位置阶跃变化的集合。 通常边缘检测算法有梯度检测，统计性方法，数学形态学，小波多尺度检 测、模糊算法、基于边缘检测方法的积分变换等等。现行的焊缝质量检测 手段有，对工程常见焊接缺陷（烧穿、夹杂、气孔等）基于X射线焊缝图 像缺陷自动提取与识别技术；采用超声相控阵检测图像特征与识别，统计 焊缝缺陷的特征规律，总结不同的典型缺陷特征；采用 Canny边缘检测算 法对焊缝边缘提取，通过直方图对比分析，判断焊缝是否合格。采用遗传 算法对焊缝图像边缘进行检测并提取焊缝边缘。广大学者多集中在构架的 强度分析和焊接温度场模拟以及焊缝内部检测上，对于转向架构架焊缝表 面质量检测，很少有学者进行图像检测和识别研究。
自动白平衡(AWB)算法
自动白平衡(AWB)算法色温曲线本文大体讲解了白平衡的算法流程,适用于想了解和学习白平衡原理的筒子们.一般情况下要实现AWB算法需要专业的图像和算法基础,本文力图通过多图的方式,深入浅出,降低初学者理解上的门槛,让大家都理解到白平衡算法流程.看到这里还在继续往下瞄的同学,一定知道了色温的概念,并且知道sensor原始图像中的白色如果不经AWB处理,在高色温(如阴天)下偏蓝,低色温下偏黄,如宾馆里的床头灯(WHY!OTZ) (如下图).下面这个T恤的图片非常经典,怎么个经典后续再说,不过大体可以看出有偏黄和偏蓝的情况.虽然如此,却已经是AWB矫正以后的效果.所以,为了眼前的女神白富美在镜头里不变成阿凡达和黄脸婆,这时就需要白平衡来工作了.流程原理很简单:1,在各个色温下(2500~7500)拍几张白纸照片,假设拍6张(2500,3500…7500),可以称作色温照.2,把色温照进行矫正,具体是对R/G/B通道进行轿正,让偏色的白纸照变成白色,并记录各个通道的矫正参数.实际上只矫正R和B通道就可以,这样就得到了6组矫正参数(Rgain,Bgain).3,上面是做前期工作,爱思考的小明发现,只要知道当前场景是什么色温,再轿正一下就可以了.事实上也就是如此.所以,AWB算法的核心就是判断图像的色温,是在白天,晚上,室内,室外,是烈日还是夕阳,还是在阳光下的沙滩上.或者是在卧室里”暖味”的床头灯下.之前拍了6张色温照以及6组矫正参数.可是6够么,当然不够, 插值一下可以得到无数个值,我们把点连成线, 得到了一个神奇的曲线------色温曲线.大概是下面这个样子.上面提到了三个值(RG,BG,色温),这应该是个三维的.没关系,我们再来一条RG跟色温的曲线,这样只要知道色温,就知道RG,知道RG,就知道BG,知道RG,BG就能轿正了,yes!至此,我们的前期工作已经全部做完了, 并得到了AWB的色温曲线,下一步只要计算得到当前色温,顺藤摸瓜就能得到当前的矫正参数(Rgain,Bgain),那白平衡的工作就作完了.(放心,当然没这么简单)第一部分先到这里,下一部分将讲解AWB算法的核心------计算图像色温.涉及到的知识点大致有图像分块, 判断白区, 根据色温曲线划分不同光源, 对不同光源加权平均得到实际色温.色温计算首先简单说一下流程:1, 取一帧图像数据,并分成MxN块,假设是25x25,并统计每一块的基本信息(,白色像素的数量及R/G/B通道的分量的均值).2, 根据第1步中的统计值, 找出图像中所有的白色块,并根据色温曲线判断色温.3, 至此,我们得出来了图像中所有的可能色温,如果是单一光源的话,可以取色温最多的,当作当前色温.比如25x25=625 个块中,一共找出了100个有效白色块, 里面又有80个白色块代表了色温4500左右, 那当前色温基本就是4500.根据4500色温得出的Rgain,Bgain来调整当前图像,就不会差(很多!).下面我们再详细讲解一下,每一步中需要做的工作:第1步, 计算每一块的基本信息.关于白色像素统计,大家知道sensor原始图像是偏色的,怎么统计块中的白色点呢,那只有设置一个颜色范围,只要在范围中,就可以认为是白色像素,范围见下图:统计白色像素个数的用处是,1,如果块中的白色像素太少,可以抛弃掉. 2,如果白色像素太多,多到每一个像素点都是,那也要抛弃掉,因为很可能在该区域过曝了接着把统计到的白色像素点R/G/B取均值, 并得到该block 的R/G, B/G值至此,我们得到了每一块的白点数目及R/G,B/G的值. (请自动对应第1部分中色温曲线).第二步计算当前色温这个比较复杂, 大自然绚丽多彩,景色万千. 上一步中统计的”白色点”难免会有失误的地方,比较常见的如黄色皮肤容易被误判为低色温下的白点,淡蓝色的窗帘,容易被误判为高色温下的白点,一张图中既有白色,也有黄色,也有蓝色的时候,是不是感觉情况有点复杂,其它的大家可继续脑补.这时我们需要一定的策略来正确的判断出到哪个才是真的白.通常我们会把取到的白色块,计算一下到曲线的距离,再设置相应的权重.话不多说,上个图大家就都明白了.假设有上面这样一幅图,该图是在没有开AWB的前提下截取的,可以看到左边白色地方略有偏绿,当前色温是室内白炽灯,大概4000~5000k左右.(请忽略颜色不正的问题,我们在讨论白平衡)下面我们就根据之前的统计信息和测量好的色温曲线进行白平衡矫正.首先要找出白区,如下图:上面这个图中的数字标示出了检测到的白色区域,数字相同的表示一个白区,根据统计信息(白点数,rg/bg值)来区分的.可以看到有误判的地方,比如色卡左上第二块的肤色块.还有最右边从上面数第二块也是容易被判断成低色温白块的情况.针对这种误判的情况,对不同块根据统计信息进行权重设置,以求让误判的区域对最终结果影响小一些.上面这个图标注了权重,基本是根据统计信息中白点数来确定的.可以看到图中一片白色被标识了高权重.其它情况被标识了低权重. 权重高低一是看块中白色点数量,二是看rg/bg到色温曲线的距离.通过上面两个图,大家就可以明显的找到白色区,并根据曲线来矫正,即使不通过曲线矫正,把白色区的r/g,b/g值向1趋近,让r=g=b,也会得到非常好的白平衡效果.如下图所示:至此,白平衡的基本流程就讲完了,有图有真相,大家一定看着也方便.总结一下:第一次做白平衡,感觉理论很简单,不用什么基础也能看懂.实际算法调试时,可谓差之毫厘,失之千里.总是感觉不由自主就走上歪路.中间参考了大量资料,比如网上有许多基于色温/灰度世界/白点检测的白平衡算法,实际个人感觉应该把它们都结合起来,让算法强壮,健康才是我们想要的.还记得第一章中开始的那两张白色T恤的图么,算了,我再贴一下:这张图可以理解为在多光源下的白平衡调整.阴影色温比阳光下色温要高一些,如果阳光下是5000k,阴影可能是7000k.有光就有影,它们经常出现在一个镜头里,对着其中一个色温调,另一边就会偏色.为了整体效果好,要把翘翘板平衡起来,可以加一些策略在里面.。