人脸识别技术研究.doc

《人脸识别技术研究.doc》由会员分享，可在线阅读，更多相关《人脸识别技术研究.doc（125页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date人脸识别技术研究人脸识别技术研究硕士研究生课程论文（或读书报告）课程名称： 模式识别 题 目： 人脸识别技术研究 题目类型（课程论文或读书报告）： 课程论文 学 院： 电气与信息工程学院 专业名称： 控制理论与控制工程 姓 名： 金 晶 学 号： 2010200343 任课教师： 郭家虎 授课时间：2012年2月14日2012年4月13日提交时间： 2012 年4月2

2、0日 人脸识别技术研究摘要人脸识别是计算机视觉和模式识别的一个研究热点。但是在复杂光照条件下，如何快速自动识别人脸，仍然是一个富有挑战性的问题。基于图像处理的知识，研究在复杂光照下利用计算机自动识别人脸的技术。在系统设计中详细阐述整个人脸识别系统的处理流程，比较系统地介绍了该系统的图像预处理、人脸检测、人脸特征定位、人脸特征提取、人脸识别等组成部分。通过对彩色图像的偏色进行分析，提出一种结合偏色纠正和改进Retinex的彩色图像增强算法。利用灰度世界和完美反射理论建立偏色纠正的数学模型，通过线性拟合对偏色图像进行偏色纠正。对彩色图像进行亮度和色度分离，多尺度Retinex算法对亮度分量增强并进

3、行自适应调整，通过获取的亮度增益矩阵对彩色图像的ROB三分量进行逐点增强。该算法解决了彩色图像增强后色彩变化的问题，对于存在偏色、低亮度等复杂光照下的彩色图像均有较好的增强效果。人脸图像具有稳定的肤色特征和灰度分布，运用结合肤色检测的AdaBoost算法检测人脸。利用肤色检测算法获得肤色区域信息，去除大量非人脸的背景部分，通过对肤色块的统计分析，得到可能人脸的尺寸范围。将人脸尺寸范围及肤色区域二值图像提供给AdaBoost人脸检测算法，从而减少搜索区域及搜索尺度范围。该人脸检测方法克服了人脸类肤色和检测速度慢的问题，能够快速有效地检测人脸。人脸特征定位容易受到光照的影响。针对灰度图像，提出一种

4、新的基于各向异性滤波的人眼定位方法。构造各向异性滤波器对图像进行滤波，消除光照影响；运用形态学操作突出眼睛的特征区域，并采用相关系数法对特征区域块进行匹配，获得眼睛粗定位；对粗定位区域进行重定位校正获得精确的眼睛中心点。对于彩色图像，提取三分量差分特征，二值化并滤波后，通过特征区域的相关匹配定位眼睛中心。根据彩色图像的眼睛中心点位置初步确定嘴的区域，提取红色度信息和RGB差分特征信息，定位嘴巴。基于各向异性滤波的人眼定位方法解决了复杂光照环境下的人脸定位问题。有效地提取人脸特征是人脸识别成功的关键。运用多尺度局部二进制模式提取人脸纹理特征。对图像进行小波分析，并运用局部二进制模式方法在不同尺度

5、的分块图像上提取人脸特征。多尺度局部二进制模式能够全面、准确地表达人脸图像的纹理特征，解决特征描述的准确性问题。人脸识别的核心在于寻找最优的分类特征。提出一种改进的正交拉普拉斯特征脸识别算法。该算法在保局投影的目标函数中融入类间离散度，运用Schur分解实现基向量的正交化。这种改进的算法利用类别信息提高分类性能。对人脸识别系统进行了测试，在光照变化的Yale B人脸库上，人脸的识别率达到9475，实验证明，人脸识别系统能够达到复杂光照下人脸识别的要求。关键词：图像增强；人脸检测；人脸特征定位；人脸特征提取；人脸识别ABSTRACTFace recognition technology is a

6、 hot topic for researchers on computer vision and pattem recognitionHowever,how to quickly and automaticly recognize face remains a challenging problem in complex illuminationAutomatic face recognition by computer technology is researched based on image processingIt elaborated the processing flow of

7、 the face recognition system in system designComponents of the system，such as image preprocessing，face detection,facialfeature location,facial feature extraction，face recognition，were systematically introduced An color image enhancement algorithm combined color offset corrected and the improved Reti

8、nex was proposed on the analysis of color offset for color image.The mathematical model for t11e color offset corrected was estabished by gray world and the perfect reflection theory，and the color offset of original color image was corrected by linear fittingThe brightness was separated from color i

9、mageBrightness component Wasenhanced by multi-scale Retinex enhancement algorithm and adapted itself。and the RGB three components of color image were enhanced point by point by brightness gain in matrix.The algorithm proposed solved the problem that the color Was changed after the color image enhanc

10、edThe algorithm proposed had a better performance for color image enhancement with the images under variable illumination such aS color offset，low-intensitylight and SO onThere are stable skin color feature and gray distribution for face imagesAdaBoost algorithm combined with skin color detection wa

11、s used to detect faceSkin color detection algorithm was used to obtain skin color information of skin regions and to remove a large number of non-face background，and the size range of faces Was got by analysis of skinblocksSize range of the human face and binary image of skin color region were provi

12、ded to AdaBoost algorithm for face detection，thereby the search area and search for scales reducedThe method for face detection solved the problem that non-face taken as face and low testingIt Can rapidly and effectively detect human facesFacial feature location is effected easily by illuminationAn

13、new method of eye location based on anisotropic filtering Was proposed for gray imageAnisotropic filters were constructed,and the image input was filtered to eliminate the influence of variant illumination；the features of eye areas were highlighted by morphological operation；the method of correlatio

14、n coefficient was used to match the feature area blocks to obtain eye rough location；to obtain the accurate center of the eyeme coarse positioning region was corrected and relocatedFor color images，differential features for RGB three component were extracted，and then eye centre points were located b

15、y the related matching of feature area after binarization and filterAccording to the center of eyes in color image，the initial location of the mouth was determinedAnd the mouth was located by combined with the information of red degree and RGB differential feature Extracting facial features effectiv

16、ely is the key to recognize face successfullyThe method of extracting face texture feature by multi-scale local binary pattern was usedIt used wavelet to transform image，and facial features were extracted by local binary pattern on image blocks of different scalesMulti-Scale local binary pattern can

17、 ben fully and accurately expresses the texture features of face images，solving the problem that features are accurately describedThe core technology of face recognition is to find the optimal classification featuresAn improved algorithm of orthogonal Laplace Eigenface was proposedThe algorithm adde

18、d class scatter fused into objective function of locality preserving projection and used Schur decompositionto get orthogonal basis vectorsThis improved algorithm can improve classification performance by using category informationThe system for face recognition Was tested，and the recognition ratio

19、was 9475in Yale B face database with changed illuminationExperiments show that the system for face recognition Can achieve the requirements of face recognition under complex illuminationKey words：image enhancement；face detection；facial features location；face recognition第一章绪论1.1研究的背景和意义人脸识别是模式识别和机器视觉

20、中一个非常活跃的研究热点。国内外各大学、著名研究所、大公司等都投入大量人力物力进行人脸识别技术的研究。人脸识别技术的研究之所以受到重视，是因为它具有重要的理论研究意义和巨大的潜在应用背景。计算机人脸识别涉及模式识别、图像处理、计算机视觉、生理学、心理学、认知科学等多个交叉学科。由于它的技术难度大，影响因素复杂，可为这些学科提供一个良好的研究对象，有利于建立学科领域的基础实验平台，试验新的理论和方法。促进学科的深入研究和发展。人脸识别技术具有广泛的应用前景。人脸识别技术是生物特征识别技术的一个重要分支。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。人脸

21、识别是生物特征鉴别技术的一个主要方向，与传统的身份验证技术相比，它利用人自身具有的特点，具有主动性、非侵犯性和用户友好等许多优点，可靠性高，安全性好，实用性强，多年来一直受到许多研究者的关注。自911后，人脸识别在国家安全领域中的应用前景越来越广阔，而电子商务的兴起又推动了个人身份确认的发展。人脸识别技术在国家安全、司法领域、金融安全、公共安全、身份验证和人机交互等方面都具有相当大的应用前景： (1)在银行金融系统中的应用。银行金融系统对安全防范控制系统有着极高的要求，人脸识别技术直观、准确、可靠，具有良好的可跟踪性，防止冒领、盗取的事件发生。 (2)在司法系统中的应用。比如在获得罪犯照片后，

22、可以通过在人脸识别技术，在存储的罪犯照片数据库中找到最为相象的几个人列为嫌疑犯，缩短破案时间。(3)公共安全。用于公共场所的监控，利用人脸识别技术来辅助对恐怖分子和违法犯罪嫌疑人的监控。(4)视频监视：在许多公司、银行都设有24小时的视频监视。 (5)证件验证：身份证、驾驶执照以及其他证件上都有照片，采用人脸识别技术，证件的验证工作就可交给机器完成，从而实现自动化智能管理。(6)信息安全：利用人脸识别技术实现计算机登录、权限控制和电子交易中的身份认证，等等。1.2国内外研究概况当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab，A

23、I lab，CMU的HumanComputer Interface Institute，Microsoft Research，英国的Department of Engineering in University of Cambridge等。人脸识别的研究已有很长的历史，可以追溯到上个世纪60年代团。早期的方法比较直观和简单，研究主要集中在人脸的几何特征提取，包括人脸特征器官的位置、面积、形状，以及人脸一些特征点的几何关系。从上世纪80开始，小波变换理论和神经网络理论的研究取得突破性进展，人们开始利用图像的灰度信息或变换域特征进行人脸识别。神经网络的发展，涌现了许多应用神经网络进行人脸识别的算法

24、。20世纪90年代以来，随着高速度性能计算机的出现，人脸识别方法有了重大突破，进入真正的机器自动识别阶段，人脸识别研究也得到了前所未有的重视。人们开始认识到，人脸图像各像素之间存在较强的相关性，并且人脸具有独特的自然特性和结构特性。人脸仅仅占据高维空间的一个子空间，以此为依据，Turk和Pentland首先提出了基于主元分析的特征脸方法，这就是著名的MIT媒体实验室在上个世纪90年代提出的PCA方法(也称“特征脸”方法)，它是人脸识别算法发展史上一个重要的里程碑。其后很多算法都与这个方法多少相关。特征脸法提取的是人脸的灰度信息，这种信息不一定与人脸中的特征点相关，这是该方法与以往方法的本质区别

25、。PCA方法通过对人脸样本进行统计分析，并利用主元分析进行有效地降维，使信息能量集中，有利于克服维数灾难。以特征脸方法为基础，延伸出众多的方法，如LDA(Linear Discriminate Analysis)，ICA(Independent Component Analysis)，LFA(Local Feature Analysis)等，使特征提取和维数压缩的手段更加丰富。经过多年的发展，人脸识别技术取得长足的发展，涌现出一大批具有代表性的技术。具有代表性的技术有：PCA方法；LDA方法M；弹性图匹配技术n1；支持向量机方法嗍，以支持向量机为代表的统计学习理论最近几年在模式识别领域取得巨大

26、成功，它通过最小化结构来求取最优分类平面，具有良好的泛化能力和分类能力。此外基于隐马尔科夫模型的人脸识别方法M，三维人脸识别方法等等都有广泛的应用。国内关于人脸识别的研究始于二十世纪80年代，90年代中后期以来，在NSFC、863计划等资助下，国内众多研究构的研究员开始对人脸识别进行研究，主要的研究单位有：清华大学计算机系、自动化系、电子系，哈尔滨工业大学计算机系，中科院计算所，中科院自动化所，复旦大学，北京科技大学，中山大学应用数学系等，一定的成果。在国内，众多科研院所、高校、企业也推出了许多的人脸识别系统，具有代表性的人脸识别系统有：中科院自动化所李子青研究员研究小组开发的奥运会人脸识别系

27、统；中科院计算所高文研究组开发的GodEye人脸识别系统；清华大学大学电子系丁晓青教授研究小组开发的ThfaceID系统；中国科学技术大学电子科学与技术系庄镇泉教授研究小组开发的人脸识别考勤系统KD-Face 20。中科院计算所人脸识别研究小组与上海银晨智能识别科技有限公司全面合作，专门研究和开发商业人脸识别系统。他们提出了一种新的基于SFS(Shape From Shading)的人脸识别方法，并基于该方法开发了一套实时人脸识别确认系统。另外，以成熟的“特征脸”技术为基础，尝试了基于人工神经网络，支持矢量机、线性判别分析、基于G瑚(Gaussian Mixture Models)的双子空间人

28、脸识别方法等，研究了基于Gabord,波变换和弹性图匹配的人脸识别技术，以及基于统计模式的人脸识别方法等。2005年1月，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家“十五攻关项目人脸识别系统通过了由公安部主持的专家鉴定。他们提出的多特征描述的人脸识别理论、基于最佳二维人脸的活动人脸检测与识别理论、bNP-PCA人脸识别方法以及大型人脸识别系统的设计方法，都具有独特的创新。13人脸识别存在的问题人脸识别涉及人脸检测，人脸特征定位，特征提取和分类器设计几个方面，人脸识别面临的主要问题是： (1)光照问题。光照问题是机器视觉的老问题，尽管研究人员提出了一些解决方案，但是在实际应用中

29、效果远没有达到理想程度。(2)大规模人脸识别问题。实际应用中，人脸数据库规模是很大的，如何提高大规模应用环境下人脸识别算法的识别率是一个很重要的问题。(3)样本缺乏问题。基于统计学习的人脸识别算法是目前人脸识别领域的主流算法，但是需要大量的训练。由于人脸被认为是高维空间中一个不规则的流形分布，得到的样本是一个低维空间的采样，如何解决小样本的统计学习问题有待深入研究。(4)海量数据的学习问题。传统的人脸识别算法如PCA、LDA等在小规模数据库中容易学习训练。但是对于海量数据的训练过程确难以进行。从问题产生的根源上讲，人脸识别问题集中在三个层面：一是信号层面，表现为数据获取不稳定；二是特征层面，采

30、集条件变化时特征描述的鲁棒性问题；三是决策层面，表现为核心识别算法的泛化能力问题，海量样本学习的可行性，统计学习方法的鲁棒性等。14研究的目的及内容141研究的目的人脸识别技术具有广泛的应用价值。各大公司、研究机构都对其进行了深入的研究，提出了许多的识别方法，使其识别精度越来越高。但在实际应用中，环境较为复杂，很多识别方法的效率会降低。对人脸识别的整过流程进行深入研究，在人脸检测和人脸特征定位后，对图像进行归一化，识别算法在环境和人脸本身变化的情况下仍然有效，向自动化识别目标迈进，正是基于这个目标，对人脸识别技术进行了研究和探讨。预处理模块，对常用的预处理进行实现对比，研究出适合于人脸检测的预

31、处理方法。人脸检测模块，结合肤色检测，简约特征，优化传统的Adaboost算法。人脸特征定位模块，研究一种定位准确率高的方法，不需任何人工干预。特征提取模块，研究如何有效的提取人脸的特征信息，正确表征人脸特征，同时减少数据向量的维数。识别分类器模块，研究一种有效的降维方法，使得特征描述和分类性能尽量达到最优。142人脸识别技术研究的主要内容针对人脸识别技术涉及的几个方面，对以下内容作了研究和探讨。 (1)在预处理方面，研究对比了多种彩色图像的增强理算法，并在此基础上提出了新方法。在彩色图像增强方面阶段提出了一种结合偏色纠正和改进的retinex的增强方法，实验结果证明了该方法的有效性。(2)在

32、人脸检测方面，采用结合肤色检测的Adaboost检测方法。肤色检测去掉大部分背景，并提供区域和窗口特征，Adaboost检测判别是否为人脸，(3)在人脸特征定位方面，提出了一种基于各向异性滤波的人眼定位方法，对彩色图像的定位采用各分量差分的方法，实验结果证明效果较好。(4)在特征提取方面，提出了多尺度的局部二进制模式特征提取方法。等价的局部二进制模式有效地减少了数据的维数，不同尺度分析能够表征人脸的局部和整体特征，两者的结合，更能有效的表征人脸特征。识别结果证明所提取特征的有效性。(5)识别算法设计方面，采用流形学习算法，在传统的保局投影基础上，加入类别的监督信息，并使向量正交化，改进正交拉普

33、拉斯特征脸算法对特征数据进行降维。最后采用最小近邻法识别人脸。实验结果表明识别率相对提高。第二章人脸识别系统设计人脸识别系统可分为五部分，图像预处理、人脸检测和人脸特征定位这三个模块主要对图像进行处理。，特征提取和人脸识别这两个模块主要对数据进行分析。基于自动识别人脸思想设计一个人脸识别系统。下面将介绍系统的处理流程和各个模块的功能和实现方法。21人脸识别处理流程介绍人脸识别流程主要有五个部分组成。(1)图像的预处理。其目的是对输入的待识别图片进行偏色纠正和图像增强，减少光源和光照的影响，为人脸检测做好准备。(2)人脸检测。其目的是判断图像中是否有人脸，如果有人脸存在，那么通过检测确定人脸在图

34、像中的大概位置，为下一步的人脸特征定位做好准备。(3)人脸关键特征定位。其目的是检测出人脸的关键特征位置，定位人脸，为下一步的图像归一化和特征提取做好准备。(4)人脸图像归一化和特征提取。其目的是通过归一化，较少角度，尺寸，光照的影响，然后提取相当于标准入脸图像的人脸特征，减少数据量，达到初步降维的目的。(5)人脸识别。其目的是对人脸特征数据再次降维，再进行人脸分类和识别。人脸识别流程如图21所示。图2-1 人脸识别流程图22人脸识别系统模块人脸识别系统包括多个功能模块，对人脸识别系统各个模块运用的算法进行研究并仿真实现。下面介绍人脸识别系统各模块的实现方法和功能。1图像预处理模块在人脸检测和

35、关键特征定位前，需要对待识别图像进行光源偏色预处理，色彩亮度增强的处理。根据待识别图像的特点，设计预处理算法，减少图像偏色和亮度不均的影响，以利于后面的人脸检测，提出一种结合偏色纠正和改进retinex的图像增强算法。首先判断彩色图像是否存在偏色。如果存在偏色，那么根据灰度世界和完美反射理论建立模型，以二元法实现图像的偏色纠正。基于改进的Retinex理论的图像增强，首先对彩色图像进行进行色彩与亮度的分离，对亮度部分的灰度图像，进行亮度增强，接下来对图像进行高斯低通滤波，获取图像的邻域信息，对邻域信息进行自适应增强，增强的结果和原亮度的灰度图像相比，得到彩色图像增强的增益矩阵，最后对彩色图像进

36、行逐点增益运算，实现各点同比增强。2人脸检测模块人脸检测对速度和准确率要求很高，一种算法很难同时兼顾这两方面的要求，因此采用不同特征相融合的方法不失为一个好策略。肤色检测具有简单和迅速的特点，但是对类肤色无能为力。Adaboost人脸检测准确率高，但是对样本需求量大，需要花费大量时间训练，图片尺寸增大，检测时间迅速增长。因此，采用结合肤色检测的Adaboost算法检测人脸。首先建立肤色模型，对彩色图像进行肤色检测，去掉大部分人脸图像背景，同时得到可能的人脸区域的大小，为Adaboost算法提供扫描窗口尺度和可能的人脸图像区域。级联算法主要是通过提取窗口图像的积分图特征，然后对每一个特征训练一个

37、弱分类器，若干个分类错误最小的弱分类器组成单个的强分类器，强分类器再组成级联分类检测器，检测某个窗口是否有人脸。3人脸特征定位模块在人脸识别应用中，人脸特征定位是非常关键的步骤，定位的准确与否影响到提取的特征能否配准。光照是影响灰度图像亮度的重要因素，定位灰度图像必须消除光照的影响。提出一种基于各向异性滤波的人眼定位方法，该方法首先构造各向异性滤波器，对图像进行去光照处理，保留人眼的基本特征，然后进行形态学滤波，突出眼睛的特征，并进行特征区域的初步匹配，最后依据精确定位算法定位人眼。对彩色图像，提取三分量差分特征，二值化后，依据各种规则去除大量不相关的区域，经过匹配定位眼睛。考虑嘴巴的闭合和张

38、开情况，结合红色度信息和差分特征，定位嘴巴。4图像归一化及特征提取模块人脸图像的归一化是特征提取的前提。特征提取都是在灰度图像上进行的，对图像进行位置校准和光照的归一化有利于特征提取。基于人脸定位的结果，采用旋转和插值放缩的方法对图像进行角度和尺寸的校准，最后采用Tan提出的光照归一化方法，经过伽马变换、高斯差分滤波和对比度规定化处理对图像进行光照归一化。归一化后得到标准的人脸图像。人脸图像的特征包括很多种，包括几何特征，频域特征，代数特征，纹理特征等。基于整体的特征提取方法表征整幅图像的特征，基于局部的特征提取方法强有力地表达细节信息。人脸图像的纹理特征能够表征人脸的特征信息，采用整体和局部

39、相结合的特征提取方法能够更加全面地描述人脸特征。对局部特征的描述，采用等价局部二进制模式；对整体特征的描述，采用小波多尺度分析，提取人脸的多尺度等价局部二进制模式特征，最后把两者综合起来，构成人脸的多尺度特征。5人脸识别模块人脸识别算法常用的有主成分分析(PCA)，线性判别分析LDA，神经网络，支持向量机SVM，最小近邻法等，基于多种识别算法相结合的方法常用于人脸识别，但是这些方法都没有找到人脸特征最优描述和分类意义最优的结合点。人脸图像近似处于一个非线性子流行上，借鉴混沌理论中分形的思想，寻找嵌入在高维数据模型的低维子流行是人脸识别降维的关键。流行学习方法是描述非线性子流行的有效方法。保局投

40、影和正交保局投影的方法成功应用于高维人脸图像降维，但是正交保局投影的方法正交化过程迭代运算过大，两者都没有利用类别信息，虽然能得到最优的特征描述，但是并非分类意义上最优。采用正交拉普拉斯特征脸识别算法，考虑类别信息，把类间离散度融入保局投影的目标函数，进行有监督学习，采用矩阵分解的方法，获取特征值，实现投影基向量的正交化，经过投影矩阵变换，实现降维，最后，采用最小近邻法识别人脸。本章概述人脸识别流程，对人脸识别系统的各模块做了全面的介绍。以每步的关键技术为出发点，研究相关技术，为人脸的自动化识别建立系统模型。第三章图像预处理从前面介绍的人脸识别处理流程可知，图像预处理是人脸识别处理流程的第一步

41、。图像预处理的目的是对偏色图像进行纠正和对光照不均的图像进行增强。本章提出一种结合偏色纠正和改进Retinex的彩色图像增强算法。利用灰度世界和完美反射理论建立偏色纠正的数学模型，通过线性拟合对偏色图像进行偏色纠正。对彩色图像进行亮度和色度分离，利用多尺度Retinex增强算法对亮度分量增强并进行自适应调整，通过获取的亮度增益矩阵对彩色图像的RGB三分量进行逐点增强。31偏色纠正311偏色检测和纠正方法概述偏色检测是对光源发出的光进行检测，判断是否偏色。常用的偏色检测方法主要包括直方图统计法、灰平衡法、白平衡法等。直方图统计往往可以给出此图像的整体颜色表现。颜色的直方图统计直接根据R、G、B三

42、通道的平均亮度值初步判断出图像是否偏色。灰平衡法是针对满足“灰度世界”假设，即整幅图像的R、G、B均值相等，体现为中性“灰”，统计3个通道的平均亮度，通过颜色空间转换，获得相对均匀的Lab坐标，计算与中性点的色度距离，从而判断是否存在偏色。白平衡法是针对存在镜面反射的图像，认为镜面反射或白色区域反射的高光部分能够反映光源的色度，统计3个通道的亮度极大值，通过颜色空间转换，获得相对均匀的Lab坐标，计算与理想光源的色度距离，从而判断是否存在偏色。传统的颜色校正方法主要有灰度世界颜色校正和完美反射颜色校正两种。(1)灰度世界颜色校正n副。该方法假设图像颜色丰富，图像的3个通道统计平均值相等， “表

43、现”为灰阶的颜色。对拍摄的图像进行统计求平均值，保持G分量不变，以R、B分量的均值作为颜色校正的依据。(2)完美反射颜色校正。物体本身并没有颜色，它是通过不同波长的光的吸收、反射或是投射，从而显示出颜色。若物体为白色，则表示所有的光都被反射。白色的物体或区域，称之为完美反射体。完美反射理论基础是假设在一幅图像中，可以把完美反射体视为标准白色。一个白色的物体，在任何光源色温下的图像，其R、G、B皆为极大值。以完美反射体为基准，对其他颜色进行校正。灰度世界和完美反射理论适用于大多数场合的颜色校正，但同时具有一定的局限性，不能正确再现物体的真实颜色。312二元法偏色纠正灰度世界和完美反射颜色校正方法

44、各有其优缺点，综合两种方法的优点，建立线性加权模型，能够实现二者间的平衡。在原有灰度世界和完美反射方法“线性”映射校正的基础上，以R通道为例，其校正表示为以下形式： （31)其中，a和b为通道的校正系数。根据灰度世界的假设，必须满足以下条件： (32)根据完美反射理论，必须满足以下条件： (33)由公式(31)， (32)， (33)可得相关通道校正系数a和b的矩阵形式为由求解出的颜色校正系数a和b对R通道进行颜色校正，G通道保持不变。同理对B通道进行校正系数计算和校正。图3-1为原图，二元法校正结果如图3-2所示。图3-1 原图 图3-2 偏色校正结果可以看出，原来图像偏黄，校正后偏黄部分基

45、本得到抑制，背景的白色得到再现。灰度世界方法在图像颜色丰富的条件下是可行的，而完美反射方法在存在白色物体的情况下也是可行，但是都具有局限性。结合两种方法的特点，当图像颜色丰富的时候，可以突出灰度世界法校正效果；当图像以单一颜色为主时，可以有效抑制灰度世界法过饱和处理的缺点。32彩色图像增强传统的图像增强算法有：直方图均衡化、空域滤波增强、频域滤波增强。这些算法都是全局图像处理算法，虽然图像的整体视觉处理效果有所增强，但会损失许多细节特征，而且主要是针对灰度图像，并不能直接应用到彩色图像增强中去。彩色图像的三基色分量相关性强，增强亮度和保持颜色不变相当困难。彩色图像增强算法分两类：一类是根据颜色

46、表示空间的多元化特征，将彩色图像转换到别的色调空间去，分离亮度和色调，再对亮度进行处理。另一类是从视觉特性出发，将色彩的恒常性应用于彩色图像的增强。基于Retinex理论的增强算法是典型的视觉特性不变增强算法n别。基于Retinex理论的算法影响深远。Land提出的Retinex理论可以用于动态范围压缩，Jobson等对Retinex理论进行改进提出了MSRCR(MultiScale Retinex with Color Restoration)n81，它利用象素周围的已处理象素的统计特性来计算象素值。321基于直方图均衡的光照补偿彩色图像增强的直方图均衡算法是常用的方法，算法描述如下：(1)

47、首先对彩色图像I(x，y)(M*N图像)进行灰度化处理得到g(x，y)。(2)对灰度图像进行直方图统计。 (35)其中，i=0，1，255。(3)假设临界系数为T=0.05，满足以下条件 (36)得到k值。令i=0，1，k，满足条件的像素的平均灰度值表示为， (37)(4)计算光线补偿系数并对彩色图像进行光照补偿。 (38)对图32进行直方图均衡光照补偿实验结果如图33所示。图3-3 光照补偿直方图均衡增强能很好保持图像的细节，这是一种整体增强算法，在要求不高的场合，却是一种简单、快速、有效韵算法。但是保留了高光区，对曝光过度无能为力，适应性不强，阴影区域依然存在。322 Retinex理论图像增强Land提出视网膜皮层理论，即Retinex理论。根据Land的理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，表示为 (39)入射光E直接决定了一幅图像中像素能达到的动态范围，被认为是图像L的低频分量。反射物体R决定了图像的内在性质。Retinex理论的目的就是从图像L中揭示物体的反射性质R取对数后可以表示为：log(R)=log(L)一log(E) (310)L