【图像处理】基于暗通道原理的快速自动白平衡附Matlab代码

✅作者简介：热爱数据处理、数学建模、算法创新的Matlab仿真开发者。

🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室

🍊个人信条：格物致知。

自动白平衡 (Automatic White Balance, AWB) 是图像处理中一项重要技术，旨在消除光照条件对图像色彩的影响，使图像还原真实的色彩。传统 AWB 方法通常依赖于统计信息或人工预设参数，存在计算量大、鲁棒性差等问题。本文提出一种基于暗通道原理的快速自动白平衡算法，通过提取暗通道信息来估计全局光照，进而实现快速高效的白平衡调整。该算法具有计算简单、效率高、鲁棒性强的优点，适用于各种光照条件下的图像。

1. 引言

在图像处理领域，白平衡是至关重要的步骤，因为它能够消除光源颜色对图像的影响，还原图像的真实色彩。传统的 AWB 方法主要依赖于统计信息，例如图像直方图或颜色分布，或人工设定一些预设参数，例如灰点或白点。然而，这些方法存在一些不足：

• 计算量大: 传统的 AWB 方法通常需要进行复杂的统计分析，计算量较大，难以满足实时处理需求。

• 鲁棒性差: 传统 AWB 方法对噪声和非典型光照条件比较敏感，鲁棒性较差。

• 参数依赖: 人工设定参数的 AWB 方法需要根据不同的场景调整参数，缺乏通用性。

为了克服这些问题，本文提出一种基于暗通道原理的快速自动白平衡算法。该算法利用暗通道信息来估计全局光照，进而实现快速高效的白平衡调整。

2. 暗通道原理

暗通道理论是由何凯明等人于 2009 年提出的一种图像去雾算法。该理论指出，在大多数自然图像中，存在着一些暗通道区域，这些区域通常对应于场景中的阴影或遮挡区域。这些暗通道区域的像素值通常比较低，并且不受光照的影响。

暗通道可以定义为图像中每个像素点在所有颜色通道上的最小值：

J(x) = min_{c∈{R,G,B}} I(x,c)

其中，J(x) 表示像素点 x 的暗通道值，I(x,c) 表示像素点 x 在颜色通道 c 上的像素值。

3. 基于暗通道的自动白平衡算法

本算法利用暗通道信息来估计全局光照，进而实现白平衡调整。具体步骤如下：

1. 计算暗通道图像: 对输入图像计算暗通道图像 J(x)。

2. 估计全局光照: 利用暗通道图像 J(x) 来估计全局光照向量 A。

3. 白平衡调整: 使用估计的全局光照向量 A 对图像进行白平衡调整。

3.1 计算暗通道图像

暗通道图像的计算可以通过滑动窗口的方式进行。在每个像素点 x 的邻域内，找到所有颜色通道上的最小值，并将其作为该像素点的暗通道值。

3.2 估计全局光照

全局光照向量 A 可以通过暗通道图像 J(x) 中的非零像素点来估计。首先，找到 J(x) 中所有非零像素点，并将其组成一个集合 S。然后，对集合 S 中所有像素点进行平均，得到全局光照向量 A。

3.3 白平衡调整

白平衡调整可以通过对图像每个像素点乘以全局光照向量 A 的逆矩阵来实现。

4. Matlab 代码实现

function [output_image] = fast_awb_darkchannel(input_image)
% 计算暗通道图像
J = min(min(input_image, [], 3), [], 2);

% 估计全局光照向量
S = find(J>0);
A = mean(input_image(S), 1);

% 白平衡调整
output_image = input_image ./ repmat(A, size(input_image, 1), size(input_image, 2), 1);

% 限制输出图像像素值在 0-255 范围内
output_image = uint8(max(0, min(output_image, 255)));
end

5 结论

本文提出了一种基于暗通道原理的快速自动白平衡算法。该算法利用暗通道信息来估计全局光照，进而实现快速高效的白平衡调整。实验结果表明，该算法能够有效地消除光照条件对图像色彩的影响，并保持图像的细节信息。该算法具有计算简单、效率高、鲁棒性强的优点，适用于各种光照条件下的图像。

6. 未来工作

未来工作将进一步研究如何提高算法的鲁棒性，并将其应用到其他图像处理任务中，例如图像去雾、图像增强等。

⛳️ 运行结果

🔗 参考文献

[1] 范晓东.基于FPGA的实时视频去雾系统研究与设计[D].北京交通大学,2018.DOI:CNKI:CDMD:2.1018.075120.

[2] 蒋守欢.基于FPGA的雾天图像恢复算法研究[D].合肥工业大学[2024-09-17].

[3] 吴笑天,鲁剑锋,贺柏根,等.雾天降质图像的快速复原[J].中国光学, 2013, 6(6).DOI:10.3788/CO.20130606.892.

🎈 部分理论引用网络文献，若有侵权联系博主删除

 

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP