颜色归一化是计算机视觉中一个与人工颜色视觉和物体识别相关的主题。通常，图像中颜色值的分布取决于光照，而光照可能因照明条件、相机等因素而变化。颜色归一化使得基于颜色的物体识别技术能够补偿这些变化。其目标是生成一种对光照变化不变的图像表示，从而使算法能够根据物体的固有颜色属性而非图像拍摄时的条件来识别物体。
该领域借鉴了人类视觉系统在不同光照下一致感知颜色的能力，这一现象被称为颜色恒常性。通过计算方式模拟这一能力，颜色归一化支持从机器人技术到医学成像等一系列应用，在这些应用中，可靠的基于颜色的分类至关重要。然而，归一化算法的选择取决于具体任务，因为不同方法各有优缺点。
颜色恒常性
颜色恒常性是人类内部感知模型的一个特征，它为人类提供了即使在不同光照条件下也能将物体赋予相对恒定颜色的能力。这有助于物体识别以及环境中光源的识别。例如，无论阳光明亮还是暗淡，人类看到物体时其颜色大致相同。这种感知稳定性源于复杂的神经处理过程，该过程估计光照并相应调整感知到的颜色。在计算机视觉中，颜色归一化算法试图通过转换像素值以去除光照的影响来复制这种行为。这对于物体识别和图像分割等任务尤为重要，因为颜色是区分性特征。如果没有归一化，同一物体在不同光照下拍摄可能会产生截然不同的颜色分布，从而混淆识别系统。
应用
颜色归一化已被用于机器人技术、生物信息学和一般Artificial intelligence领域中彩色图像的物体识别，尤其是在需要从图像中去除所有强度值而保留颜色值的情况下。一个例子是监控摄像头在一天中拍摄的场景，此时去除相同颜色像素上的阴影或光照变化并识别经过的人员非常重要。另一个例子是用于检测糖尿病视网膜病变以及癌症状态分子诊断的自动化筛查工具，在这些工具中，分类时包含颜色信息至关重要。在机器人技术中，颜色归一化帮助Machine learning模型在变化的环境中识别物体，例如阳光变化的户外场景或人工照明的室内场景。在生物信息学中，它使得对染色组织样本进行一致分析成为可能，否则染色强度的变化可能导致错误分类。该技术还用于Deep learning模型的Data Augmentation流程中，帮助生成对光照变化具有鲁棒性的训练数据。
已知问题
某些颜色归一化应用的主要问题是结果看起来不自然或与原始颜色相差太远。在重要方面存在细微差异的情况下，这可能是有问题的。更具体地说，副作用可能是像素变得发散，不能反映图像的实际颜色值。例如，归一化算法可能过度校正，产生过于饱和或偏移的颜色，这可能掩盖相似物体之间的细微差别。这在医学成像中尤其成问题，因为细微的颜色差异可能指示不同的组织类型或疾病状态。解决这一问题的一种方法是将颜色归一化与阈值处理结合使用，以正确且一致地分割彩色图像。阈值处理有助于将相关颜色区域与背景噪声分离，减少不自然颜色偏移的影响。此外，某些方法允许用户调整参数，以根据应用需求在归一化和自然外观之间取得平衡。
变换和算法
实现颜色归一化有大量不同的变换和算法，此处仅列出有限的一部分。算法的性能取决于任务，一种算法在某个任务中表现优于另一种，但在另一个任务中可能表现更差（无免费午餐定理）。此外，算法的选择取决于用户对最终结果的偏好，例如，他们可能希望获得更自然的彩色图像。常见方法包括灰度世界、直方图均衡化和直方图规定化，每种方法都有不同的假设和权衡。某些算法设计用于速度和简单性，而其他算法则旨在以计算复杂度为代价实现更高的准确性。在实践中，从业者通常会尝试多种方法，以找到最适合其特定数据集和目标的方法。
灰度世界
灰度世界归一化假设光照光谱的变化可以通过应用于颜色红、绿、蓝通道的三个常数因子来建模。更具体地说，光照颜色的变化可以建模为R、G、B颜色通道中的缩放α、β和γ，因此灰度世界算法对光照颜色变化具有不变性。因此，可以通过将每个颜色通道除以其平均值来实现恒常性解。该方法有效地假设场景的平均颜色是灰色的，这对于许多自然图像成立，但对于以单一颜色为主的场景可能失败。如上所述，灰度世界颜色归一化对光照颜色变化α、β和γ具有不变性，但它有一个重要问题：它不能解释所有光照强度变化，并且不是动态的；当场景中出现新物体时，它会失败。为了解决这个问题，灰度世界算法有几种变体，例如使用加权平均值或局部应用该方法。此外，还有灰度世界归一化的迭代变体，但未发现其性能显著更好。
直方图均衡化
直方图均衡化是一种非线性变换，它保持像素排名，并能够对任何单调递增的颜色变换函数进行归一化。它被认为是一种比灰度世界方法更强大的归一化变换。该技术通过重新分布像素强度，使输出图像的直方图近似均匀，从而增强对比度并揭示细节。然而，直方图均衡化的结果往往具有夸张的蓝色通道，看起来不自然，因为在大多数图像中，像素值的分布通常更类似于高斯分布，而不是均匀分布。这可能导致视觉上不吸引人的颜色偏移，尽管该方法因其简单性和在某些情况下的有效性而仍然流行。在Computer vision流程中，直方图均衡化通常作为特征提取或分类之前的预处理步骤应用。
直方图规定化
直方图规定化将红、绿、蓝直方图变换为匹配三个特定直方图的形状，而不是简单地均衡化它们。它指的是一类图像变换，旨在获得直方图具有所需形状的图像。这允许对输出进行更多控制，因为可以根据应用需求选择目标直方图，例如匹配参考图像的颜色分布。该过程首先对输入图像进行均衡化，然后应用所需直方图的累积分布函数的逆函数。当需要在图像集之间保持一致的颜色外观时，例如在医学成像或遥感中，该方法特别有用。然而，它需要选择适当的目标直方图，这可能是一项非平凡的任务，可能需要领域专业知识。