A normalização de color é um tópico na visão computacional que se preocupa com a visão de color artificial e o reconhecimento de objetos. Em geral, a distribuição dos valores de color em uma imagem depende da iluminación, que pode variar dependendo das condições de luz, câmeras e outros fatores. A normalização de color permite que técnicas de reconhecimento de objetos baseadas em color compensem essas variações. O objetivo é produzir uma representação de uma imagem que seja invariante às mudanças de iluminación, para que os algoritmos possam identificar objetos com base em suas propriedades de color intrínsecas, em vez das condições sob as quais a imagem foi capturada.
O campo se basea na capacidade do sistema visual humano de perceber cores de forma consistente sob diferentes iluminaciones, um fenômeno conhecido como constância de color. Ao imitar essa capacidade computacionalmente, a normalização de color apoia uma gama de aplicações, desde robótica até imagens médicas, onde a classificação confiable baseada em color é crítica. No entanto, a escolha do algoritmo de normalização depende da tarefa específica, já que diferentes métodos têm diferentes pontos fortes e fracos.
Constância de color
A constância de color é uma característica do modelo interno de percepção humana, que proporciona aos humanos a capacidade de atribuir uma cor relativamente constante aos objetos mesmo sob diferentes condições de iluminación. Isso é útil para o reconhecimento de objetos, bem como para a identificação de fontes de luz em um ambiente. Por exemplo, os humanos veem um objeto aproximadamente da mesma cor quando o sol está brilhante ou quando está escuro. Esta estabilidad perceptual surge de um processamento neural complexo que estima a iluminación e ajusta as cores percebidas em consecuencia. Na visão computacional, os algoritmos de normalização de color tentam replicar esse comportamento transformando os valores de pixel para eliminar a influência da iluminación. Isso é particularmente importante para tarefas como reconhecimento de objetos e segmentação de imagens, onde a cor é uma característica distintiva. Sem normalização, o mesmo objeto fotografado sob diferentes luces poderia produzir distribuciones de color muito diferentes, confundindo os sistemas de reconhecimento.
Aplicações
A normalização de color tem sido usada para reconhecimento de objetos em imagens coloridas no campo da robótica, bioinformática e inteligência artificial geral, quando é importante remover todos os valores de intensidade da imagem enquanto se preservan os valores de color. Um exemplo é o caso de uma cena filmada por uma câmera de vigilância ao longo do dia, onde é importante remover sombras ou cambios de iluminación em pixels da mesma cor e reconhecer as pessoas que passaram. Outro exemplo são as ferramentas de triagem automatizada usadas para a detección de retinopatía diabética, bem como para o diagnóstico molecular de estados de câncer, onde é importante incluir informações de color durante a classificação. Na robótica, a normalização de color ajuda os modelos de aprendizado automático a identificar objetos em ambientes variados, como cenas ao aire libre com luz solar cambiante ou cenas internas com iluminación artificial. Na bioinformática, permite uma análise consistente de muestras de tejido teñidas, onde variações na intensidad da tinción poderían levar a uma classificação errónea. A técnica também é usada em pipelines de aumento de datos para modelos de aprendizado profundo, onde ajuda a generar datos de entrenamiento robustos a cambios de iluminación.
Problemas conhecidos
O principal problema de certas aplicações da normalização de color é que o resultado parece não natural ou demasiado distante das cores originais. Em casos onde há uma variação sutil entre aspectos importantes, isso pode ser problemático. Más especificamente, o efeito secundario pode ser que os pixels se tornem divergentes e não refletan o valor de color real da imagem. Por exemplo, um algoritmo de normalização pode sobrecorregir, produzindo cores demasiado saturadas ou desplazadas, o que poderia obscurecer distinciones finas entre objetos similares. Isso é especialmente problemático em imagens médicas, onde diferencias sutiles de color podem indicar diferentes tipos de tejido ou estados de doença. Uma forma de combater este problema é usar normalização de color em combinación com limiarização para segmentar corretamente e de forma consistente uma imagem colorida. A limiarização pode ajudar a separar regiones de color relevantes do ruido de fondo, reduzindo o impacto de cambios de color não naturais. Além disso, alguns métodos permiten ao usuário ajustar parámetros para equilibrar entre normalização e apariencia natural, dependendo dos requisitos da aplicação.
Transformações e algoritmos
Existe uma vasta gama de diferentes transformações e algoritmos para lograr a normalização de color, e uma lista limitada é apresentada aqui. O desempeño de um algoritmo depende da tarefa, e um algoritmo que tem melhor desempeño que outro em uma tarefa pode ter desempeño peor em outra (teorema do almorzo gratuíto). Além disso, a escolha do algoritmo depende das preferências do usuário para o resultado final, por exemplo, podem querer uma imagem de color mais natural. Enfoques comuns incluyen normalização de mundo gris, equalización de histograma e especificación de histograma, cada um com suposiciones e compensaciones distintas. Alguns algoritmos são desenhados para velocidade e simplicidade, enquanto outros buscan maior precisión a costa de complexidade computacional. Na prática, os profissionais frequentemente experimentan com múltiples métodos para encontrar o melhor ajuste para seu conjunto de datos e objetivos específicos.
Mundo gris
A normalização de mundo gris faz a suposición de que os cambios no espectro de iluminación podem ser modelados por três fatores constantes aplicados aos canales de color vermelho, verde e azul. Más especificamente, um cambio na cor iluminada pode ser modelado como uma escala α, β e γ nos canales de color R, G e B, e como tal, o algoritmo de mundo gris é invariante às variações de color de iluminación. Portanto, uma solução de constância pode ser alcanzada dividendo cada canal de color por seu valor promedio. Este método efetivamente assume que a cor promedio de uma cena é gris, o que é válido para muitas imágenes naturais, mas pode falhar para cenas dominadas por uma única cor. Como mencionado acima, a normalização de color de mundo gris é invariante às variações de color de iluminación α, β e γ, no entanto, tem um problema importante: não contabiliza todas as variações de intensidad de iluminación e não é dinámico; quando novos objetos aparecen na cena, falha. Para resolver este problema, existem várias variantes do algoritmo de mundo gris, como usar promedios ponderados ou aplicar o método localmente. Além disso, há uma variação iterativa da normalização de mundo gris, no entanto, não se encontrou que tivesse um desempeño significativamente melhor.
Equalización de histograma
A equalización de histograma é uma transformação não linear que mantiene o rango de pixels e é capaz de normalizar qualquer função de transformação de color monotónicamente crescente. É considerada uma transformação de normalización más poderosa que o método de mundo gris. A técnica funciona redistribuyendo as intensidades de pixel para que o histograma da imagem de salida seja aproximadamente uniforme, o que pode aumentar o contraste e revelar detalles. No entanto, os resultados da equalización de histograma tenden a ter um canal azul exagerado e parecer não naturais, devido ao fato de que na maioria das imágenes, a distribución dos valores de pixel é geralmente más similar a una distribución gaussiana, em lugar de uniforme. Isso pode levar a cambios de color que são visualmente poco atractivos, embora o método permanezca popular por sua simplicidade e efetividade em certos contextos. Em pipelines de visão computacional, a equalización de histograma é frequentemente aplicada como um passo de preprocesamiento antes da extracción de características ou classificação.
Especificación de histograma
A especificación de histograma transforma os histogramas vermelho, verde e azul para que coincidan com as formas de três histogramas específicos, em lugar de simplesmente equalizarlos. Refere-se a uma classe de transformações de imagem que visan obter imágenes cujos histogramas tenham uma forma desejada. Isso permite um maior control sobre a salida, já que os histogramas objetivo podem ser escolhidos com base nas necessidades da aplicação, como coincidir com a distribución de color de uma imagem de referência. O processo envolve primeiro equalizar a imagem de entrada e depois aplicar a inversa da função de distribución acumulada do histograma desejado. Este método é particularmente útil quando se requiere uma apariencia de color consistente em um conjunto de imágenes, como em imagens médicas ou sensoriamento remoto. No entanto, requer a selección de histogramas objetivo apropiados, o que pode ser uma tarefa não trivial e pode requerir experiência no domínio.