색정규화

이 기사는 고아입니다. 다른 기사는 연결되어 있지 않습니다.관련 기사에서 이 페이지에 대한 링크를 소개하십시오. 제안을 보려면 링크 찾기 도구를 사용하십시오. (2014년 4월)

색 정규화는 인공 색각 및 물체 인식과 관련된 컴퓨터 비전의 주제입니다.일반적으로 이미지의 색상 값 분포는 조명에 따라 달라지며 조명 조건, 카메라 및 기타 요인에 따라 달라질 수 있습니다.색 정규화를 사용하면 색을 기반으로 한 개체 인식 기술을 사용하여 이러한 차이를 보상할 수 있습니다.

주요 개념

색 항상성

색 불변성은 인간 내부 지각 모델의 특징으로, 인간이 다른 조명 조건에서도 상대적으로 일정한 색을 물체에 할당할 수 있는 능력을 제공합니다.이것은 환경에서 광원을 식별할 뿐만 아니라 물체 인식에도 유용합니다.예를 들어, 인간은 태양이 밝을 때나 태양이 어두울 때 물체를 거의 같은 색으로 봅니다.

적용들

색상 정규화는 색상 값을 보존하면서 이미지에서 모든 강도 값을 제거하는 것이 중요한 경우 로봇 공학, 생물 정보학 및 일반 인공 지능 분야에서 색상 이미지의 객체 인식에 사용되었습니다.하루 동안 감시 카메라에 의해 촬영된 장면의 경우, 동일한 색상의 픽셀에서 그림자나 조명 변화를 제거하고 ^[1]통과한 사람을 인식하는 것이 중요합니다.또 다른 예는 분류 중에 색상 정보를 포함하는 것이 중요한 암 ^[3]상태의 분자 진단뿐만 아니라 당뇨병^[2] 망막증의 검출에 사용되는 자동 선별 도구입니다.색 정규화가 일반적으로 사용되는 또 다른 영역은 병리학에서, 보다 구체적으로 조직학적 단면의 디지털화된 현미경 이미지가 염색될 수 있는 디지털 병리학에서, 가장 일반적인 절차 중 하나는 H&E 염색입니다.시약, 온도, 얼룩 조건, 준비 절차 및 이미지 획득과 같은 몇 가지 요인의 차이로 인해 색상이 달라질 수 있습니다.이 경우 정규화하는 것이 중요하지만 정규화는 분류 ^[4]방법에 영향을 미칠 수 있습니다.

알려진 문제

색 정규화의 특정 응용 프로그램에 대한 주요 문제는 최종 결과가 부자연스럽게 보이거나 원래 ^[5]색과 너무 멀어 보인다는 것입니다.중요한 측면 사이에 미묘한 차이가 있는 경우 문제가 될 수 있습니다.보다 구체적으로, 부작용은 픽셀이 분산되어 이미지의 실제 색상 값을 반영하지 못하는 것일 수 있습니다.이 문제를 해결하는 방법은 색상 정규화를 임계값과 함께 사용하여 색상 ^[6]이미지를 정확하고 일관되게 분할하는 것입니다.

변환 및 알고리즘

색 정규화를 달성하기 위한 다양한 변환 및 알고리즘이 있으며 제한된 목록이 여기에 제공됩니다.알고리즘의 성능은 작업에 따라 달라지며 한 작업에서 다른 작업보다 더 잘 수행되는 한 알고리즘은 다른 작업에서 더 잘 수행되지 않을 수 있습니다(공짜 점심 정리 없음).또한 알고리즘의 선택은 최종 결과에 대한 사용자의 선호도에 따라 달라집니다. 예를 들어, 사용자는 보다 자연스럽게 보이는 컬러 이미지를 원할 수 있습니다.

회색 세계

회색 세계 정규화는 적색,^[7] 녹색 및 청색 채널에 적용되는 세 가지 상수 요인에 의해 조명 스펙트럼의 변화를 모델링할 수 있다고 가정합니다.보다 구체적으로, 조명된 색상의 변화는 R, G 및 B 색상 채널의 스케일링 α, β 및 γ로 모델링될 수 있으며, 따라서 회색 세계 알고리즘은 조명 색상 변화에 불변합니다.따라서 다음 공식과 같이 각 색상 채널을 평균 값으로 나누면 항상성 솔루션을 얻을 수 있습니다.

$표시 스타일 \left(\alpha R,\beta B\right)\rightarrow \left({\frac{\frac{\alpha}{n}}\sum_{i}R},{\frac{\beta}G},{\frac{\gamma}{\right}}\right\right} }$

위에서 언급한 바와 같이 회색 세계 색 정규화는 조명된 색 변화 α, β 및 γ에 불변하지만 한 가지 중요한 문제가 있습니다. 조명 강도의 모든 변화를 설명하지 않고 동적이지 않습니다. 새로운 물체가 장면에 나타나면 ^[7]실패합니다.이 문제를 해결하기 위해 회색 세계 ^[7]알고리듬의 여러 변형이 있습니다.또한 회색 세계 정규화의 반복적인 변화가 있지만 성능이 크게 ^[8]향상되지는 않았습니다.

히스토그램 균등화

히스토그램 균등화는 픽셀 순위를 유지하고 단조롭게 증가하는 색상 변환 기능을 정규화할 수 있는 비선형 변환입니다.그레이 월드 방식보다 더 강력한 정규화 변환으로 간주됩니다.히스토그램 균등화의 결과는 대부분의 이미지에서 픽셀 값의 분포가 ^[6]균일하지 않고 일반적으로 가우스 분포와 더 유사하기 때문에 파란색 채널이 과장되고 부자연스럽게 보이는 경향이 있습니다.

히스토그램 규격

히스토그램 사양은 빨간색, 녹색 및 파란색 히스토그램을 세 가지 특정 히스토그램의 모양과 일치하도록 변환합니다.히스토그램이 원하는 ^[2]모양의 이미지를 얻는 것을 목표로 하는 이미지 변환 클래스를 말합니다.지정된 대로 먼저 특정 히스토그램을 갖도록 영상을 변환해야 합니다.이미지 x를 가정합니다.다음 공식은 이 이미지의 등화 변환입니다.

${\displaystyle y=f(x)=\int \display_{0}^{x}p_{x}(u)du}$

그런 다음 원하는 이미지 z를 가정합니다.이 영상의 등화 변환은 다음과 같습니다.

${\displaystyle y'=g(z)=\int \filename_{0}^{z}p_{z}(u)du}$

$물론{\displaystyle {}_{}}$ ${\displaystyle {pz}_{}}$(${\displaystyle u}$ )${\displaystyle p_{z}(u)$는 출력$$ 영상의 히스토그램입니다.위 변환의 역수를 구하는 공식은 다음과 같습니다.

${\displaystyle z=g^{-1}(y')}$

따라서 영상 y와 y'는 동일한 균등화 히스토그램을 가지기 때문에 실제로는 동일한 영상입니다. 즉, y = y'는 지정된 영상 x에서 원하는 영상 z로의 변환은 다음과 같습니다.

${\displaystyle z=g^{-1}(y')=g^{-1}(y)=g^{-1}(f(x))}$

히스토그램 사양은 히스토그램 균등화와 같이 파란색 채널을 과장하지 않으므로 보다 사실적으로 보이는 ^[9]이미지를 생성할 수 있는 장점이 있습니다.

포괄적인 색 표준화

포괄적인 색상 정규화는 색상 ^[8]인덱싱과 함께 지역화 및 객체 분류 결과를 증가시키는 것으로 나타났습니다.이것은 두 단계로 작동하는 반복 알고리즘입니다.첫 번째 단계는 강도가 정규화된 빨간색, 녹색 및 파란색 색 공간을 사용하여 각 픽셀을 정규화하는 것입니다.두 번째 단계는 각 색상 채널을 개별적으로 정규화하여 색상 구성 요소의 합계가 픽셀 수의 1/3과 동일하게 만드는 것입니다.이 반복은 수렴될 때까지 계속되며, 이는 추가적인 변경 사항이 없음을 의미합니다.공식적으로:

컬러 이미지 정규화

${\displaystyle f^{(t)}=[f_{ij}^{(t)}]_{i=1...N,j=1...M}}$

색상 벡터로 구성된 것입니다.

${\displaystyle f_{ij}^{(t)}=(r_{ij}^{(t)},g_{ij}^{(t)}}^{T}.}$

위에서 설명한 첫 번째 단계에 대해 다음을 계산합니다.

${\displaystyle S_{ij}=r_{ij}^{(t)}+g_{ij}^{(t)}+b_{ij}^{(t)}}}$

이로 인해

${\displaystyle r_{ij}^{(t+1)}={r_{ij}^{(t)}}{S_{ij}}},g_{ij}^{(t+1)}={ij}}}{S_{ij}}}}}$

그리고.

${\displaystyle b_{ij}^{(t+1)}=tftfrac {b_{ij}^{(t)}}{S_{ij}}}.}$

위에서 설명한 두 번째 단계에 대해 다음을 계산합니다.

${\displaystyle r'=novfrac {3}{NM}}\sum _{i=1}^{N}\sum _{j=1}^{M}r_{ij}^{(t+1)}}$

및 표준화

${\displaystyle r_{ij}^{(t+2)}=tftfrac {r_{ij}^{(t+1)}}{r'}}.}$

물론 b'와 g'에 대해서도 같은 과정이 진행됩니다.그런 다음 반복 t와 t+2 사이의 변화가 설정된 임계값보다 작을 때까지 이 두 단계를 반복합니다.

앞서 설명한 히스토그램 등화 방법과 마찬가지로 포괄적인 색 정규화를 사용하면 색 ^[5]값의 수가 감소하여 자연스럽게 보이지 않을 수 있습니다.

레퍼런스

서지학

• L.Csink; D. Paulus; U. Ahlrichs; B. Heigl (September 24, 1990). Color Normalization and Object Localization (PDF) (Report).

• Mark A. Rubin; Maciej P. Zerkowski; Robest L. Camp; Rainer Kuefer; Matthias D. Hofer; Arul M. Chinnaiyan; David L. Rimm (March 2004). "Quantitative Determination of Expression of the Prostate Cancer Protein a-Methylacyl-CoA Racemase Using Automated Quantitative Analysis (AQUA)". The American Journal of Pathology. 164 (3): 831–840. doi:10.1016/s0002-9440(10)63171-9. PMC 1613273. PMID 14982837.

• Maria Vanrell; Felipe Lumbreras; Albert Pujol; Ramon Baldrich; Josep Llados; J.J. Villanueva (October 7, 2001). Colour normalisation based on background information. Image Processing, 2001. Vol. 1. Thessaloniki, Greece. pp. 874–877. doi:10.1109/icip.2001.959185. ISBN 978-0-7803-6725-8. S2CID 206810375. INSPEC 7210999.

• Burger, Wilhelm; Mark J. Burge (2008). Digital Image Processing: An algorithmic introduction using Java. Springer. ISBN 978-1846283796.

• G.D. Finlayson; B. Shiele; J.L. Crowley (1998). "Comprehensive Colour Image Normalization" (PDF). Burkhard and Neumann: 475–490. INSPEC 7210999. Archived from the original (PDF) on March 4, 2016. Retrieved March 10, 2012.

• A. Osareh; M. Mirmehdi; B. Thomas; et al. (2002). Classification and localisation of diabetic-related eye disease. Proceedings of the European Conference on Computer Vision. Eccv '02. pp. 502–516. ISBN 9783540437482.

• Juan Sanchez; Xavier Binefa (200). Laurini, Robert (ed.). Color Normalization for Digital Video Processing. Lecture Notes in Computer Science. Vol. 2929. Springer. pp. 125–139. doi:10.1007/3-540-40053-2_17. ISBN 978-3-540-41177-2.
• Jose M. Buenaposada; Luis Baumela. Variations of Grey World for face tracking (PDF) (Report).
• Keith A. Goatman; A. David Whitwam; A. Manivannan; John A. Olson; Peter F. Sharp. Colour normalisation of retinal images (PDF) (Report).

외부 링크

• 2012년 1월 18일 웨이백 머신에서 보관된 대비 변환에 의한 이미지 향상.
• 색 상수 MIT