Normalización del color

La normalización del color es un tema de la visión artificial del color y el reconocimiento de objetos. En general, la distribución de los valores de color en una imagen depende de la iluminación, que puede variar según las condiciones de iluminación, las cámaras y otros factores. La normalización del color permite que las técnicas de reconocimiento de objetos basadas en el color compensen estas variaciones.

La constancia del color es una característica del modelo interno de percepción humana, que proporciona a los seres humanos la capacidad de asignar un color relativamente constante a los objetos incluso en diferentes condiciones de iluminación. Esto resulta útil para el reconocimiento de objetos, así como para la identificación de fuentes de luz en un entorno. Por ejemplo, los seres humanos ven un objeto aproximadamente del mismo color cuando el sol brilla o cuando está oscuro.

La normalización del color se ha utilizado para el reconocimiento de objetos en imágenes en color en el campo de la robótica , la bioinformática y la inteligencia artificial en general , cuando es importante eliminar todos los valores de intensidad de la imagen mientras se conservan los valores de color. Un ejemplo es el caso de una escena captada por una cámara de vigilancia durante el día, donde es importante eliminar sombras o cambios de iluminación en los píxeles del mismo color y reconocer a las personas que pasaron. ^[1] Otro ejemplo son las herramientas de detección automatizadas utilizadas para la detección de la retinopatía diabética ^[2], así como el diagnóstico molecular de estados de cáncer, ^[3] donde es importante incluir información de color durante la clasificación.

El problema principal de ciertas aplicaciones de normalización de color es que el resultado parece poco natural o demasiado distante de los colores originales. ^[4] En los casos en que hay una variación sutil entre aspectos importantes, esto puede ser problemático. Más específicamente, el efecto secundario puede ser que los píxeles se vuelvan divergentes y no reflejen el valor de color real de la imagen. Una forma de combatir este problema es utilizar la normalización de color en combinación con el umbral para segmentar de manera correcta y consistente una imagen coloreada. ^[5]

Existe una amplia gama de diferentes transformaciones y algoritmos para lograr la normalización del color y aquí se presenta una lista limitada. El rendimiento de un algoritmo depende de la tarea y un algoritmo que funciona mejor que otro en una tarea puede funcionar peor en otra ( teorema de que no hay almuerzo gratis ). Además, la elección del algoritmo depende de las preferencias del usuario por el resultado final, por ejemplo, es posible que desee una imagen en color de aspecto más natural.

La normalización del mundo gris parte del supuesto de que los cambios en el espectro de iluminación se pueden modelar mediante tres factores constantes aplicados a los canales de color rojo, verde y azul. ^[6] Más específicamente, un cambio en el color iluminado se puede modelar como una escala α, β y γ en los canales de color R, G y B y, como tal, el algoritmo del mundo gris es invariante a las variaciones de color de la iluminación. Por lo tanto, se puede lograr una solución de constancia dividiendo cada canal de color por su valor promedio, como se muestra en la siguiente fórmula:

${\displaystyle \left(\alpha R,\beta G,\gamma B\right)\rightarrow \left({\frac {\alpha R}{{\frac {\alpha }{n}}\sum _{i}R}},{\frac {\beta G}{{\frac {\beta }{n}}\sum _{i}G}},{\frac {\gamma B}{{\frac {\gamma }{n}}\sum _{i}B}}\right)}$

Como se mencionó anteriormente, la normalización del color del mundo gris es invariable a las variaciones de color iluminadas α, β y γ, sin embargo tiene un problema importante: no tiene en cuenta todas las variaciones de intensidad de la iluminación y no es dinámica; cuando aparecen nuevos objetos en la escena, falla. ^[6] Para resolver este problema, existen varias variantes del algoritmo del mundo gris. ^[6] Además, existe una variación iterativa de la normalización del mundo gris, sin embargo, no se encontró que tuviera un rendimiento significativamente mejor. ^[7]

La ecualización de histograma es una transformación no lineal que mantiene el rango de píxeles y es capaz de normalizar cualquier función de transformación de color que aumente de forma monótona. Se considera una transformación de normalización más potente que el método del mundo gris. Los resultados de la ecualización de histograma tienden a tener un canal azul exagerado y a verse poco naturales, debido al hecho de que en la mayoría de las imágenes la distribución de los valores de los píxeles suele ser más similar a una distribución gaussiana que a una uniforme . ^[5]

La especificación del histograma transforma los histogramas rojo, verde y azul para que coincidan con las formas de tres histogramas específicos, en lugar de simplemente igualarlos. Se refiere a una clase de transformaciones de imágenes que apunta a obtener imágenes cuyos histogramas tengan una forma deseada. ^[2] Como se especifica, en primer lugar es necesario convertir la imagen para que tenga un histograma particular. Supongamos una imagen x. La siguiente fórmula es la transformación de ecualización de esta imagen:

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

Supongamos entonces que se desea la imagen z. La transformación de ecualización de esta imagen es:

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

Por supuesto, es el histograma de la imagen de salida. La fórmula para encontrar la inversa de la transformación anterior es: $estilo de visualización p_ {z}(u)}$

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

Por lo tanto, dado que las imágenes y e y' tienen el mismo histograma ecualizado, en realidad son la misma imagen, lo que significa que y = y' y la transformación de la imagen dada x a la imagen deseada z es:

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

La especificación del histograma tiene la ventaja de producir imágenes de aspecto más realista, ^[8] ya que no exagera el canal azul como la ecualización del histograma .

Se ha demostrado que la normalización integral del color aumenta los resultados de localización y clasificación de objetos en combinación con la indexación de color. ^[7] Es un algoritmo iterativo que funciona en dos etapas. La primera etapa consiste en utilizar el espacio de color rojo, verde y azul con la intensidad normalizada para normalizar cada píxel. La segunda etapa consiste en normalizar cada canal de color por separado, de modo que la suma de los componentes de color sea igual a un tercio del número de píxeles. Las iteraciones continúan hasta la convergencia, es decir, no hay cambios adicionales. Formalmente:

Normalizar la imagen en color

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

que consta de vectores de color

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

Para el primer paso explicado anteriormente, calcule:

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

Lo que conduce a

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

y

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

Para el segundo paso explicado anteriormente, calcule:

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

y normalizar

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

Por supuesto, se realiza el mismo proceso para b' y g'. Luego, estos dos pasos se repiten hasta que los cambios entre la iteración t y t+2 sean menores que un umbral establecido.

La normalización integral del color, al igual que el método de ecualización de histograma mencionado anteriormente, produce resultados que pueden parecer menos naturales debido a la reducción en la cantidad de valores de color. ^[4]

• L. Csink; D. Paulus; U. Ahlrichs; B. Heigl (24 de septiembre de 1990). Normalización del color y localización de objetos (PDF) (Informe).

• Mark A. Rubin; Maciej P. Zerkowski; Robest L. Camp; Rainer Kuefer; Matthias D. Hofer; Arul M. Chinnaiyan; David L. Rimm (marzo de 2004). "Determinación cuantitativa de la expresión de la proteína del cáncer de próstata a-metilacil-CoA racemasa mediante análisis cuantitativo automatizado (AQUA)". The American Journal of Pathology . 164 (3): 831– 840. doi :10.1016/s0002-9440(10)63171-9. PMC  1613273 . PMID  14982837.

• María Vanrell; Felipe Lumbreras; Alberto Pujol; Ramón Baldrich; Josep Llados; JJ Villanueva (7 de octubre de 2001). "Normalización de color basada en información de fondo". Actas de la Conferencia internacional de 2001 sobre procesamiento de imágenes (n.º de catálogo 01CH37205) . vol. 1. Salónica, Grecia. págs.  874– 877. doi :10.1109/icip.2001.959185. ISBN 978-0-7803-6725-8. S2CID  206810375. INSPECCION 7210999. {{cite book}}: |journal=ignorado ( ayuda )Mantenimiento de CS1: falta la ubicación del editor ( enlace )

• Burger, Wilhelm; Mark J. Burge (2008). Procesamiento de imágenes digitales: una introducción algorítmica con Java . Springer . ISBN 978-1846283796.

• GD Finlayson; B. Shiele; JL Crowley (1998). "Comprehensive Colour Image Normalization" (PDF) . Burkhard y Neumann : 475– 490. INSPEC 7210999. Archivado desde el original (PDF) el 4 de marzo de 2016 . Consultado el 10 de marzo de 2012 .

• A. Osareh; M. Mirmehdi; B. Thomas; et al. (2002). Clasificación y localización de la enfermedad ocular relacionada con la diabetes. Eccv '02. págs.  502– 516. ISBN 9783540437482. {{cite book}}: |journal=ignorado ( ayuda )

• Juan Sanchez; Xavier Binefa (200). Laurini, Robert (ed.). Normalización del color para el procesamiento de video digital . 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. Variaciones de Grey World para seguimiento facial (PDF) (Informe).
• Keith A. Cabra; A. David Whitwam; A. Manivannan; Juan A. Olson; Peter F. agudo. Normalización del color de imágenes de retina (PDF) (Reporte).

• Mejora de imágenes mediante transformación de contraste Archivado el 18 de enero de 2012 en Wayback Machine .
• Constancia de color MIT