>假设我们在图像中有 5 个圆圈的 l，a，b 值。这些值是使用 OpenCV 计算的。
imlab=cv2.cvtColor(circle_img_only,cv2.COLOR_BGR2LAB).astype("float32")
实际上，我们从每个圆圈中随机取 100 个像素，并计算每个圆的正常平均 LAB 值(我不确定这是正确的方法)
值是类似于以下内容的 np.array：
LAB Measured Colors Values =
[[ 27.553 -26.39 7.13 ]
[ 28.357 -27.08 7.36 ]
[ 28.365 -27.01 7.21 ]
[ 29.749 -27.78 7.42 ]
[ 28.478 -26.81 7.14 ]]
这些圆圈也使用色度计仪器测量。色度计生成参考值。
LAB Reference Colors Values =
[35.07, -24.95, 3.12]
[35.09, -24.95, 3.18]
[35.0, -25.6, 3.21]
[34.97, -25.76, 3.36]
[35.38, -24.55, 2.9]
将 LAB 测量的颜色值称为 m1将 LAB 参考颜色值称为 m2
我们有测量值和参考值。 我们如何计算 CCM - 色彩校正矩阵？
我使用以下方法执行此操作：
def first_order_colour_fit(m_1, m_2 , rcond=1):
"""
Colour Fitting
==============
Performs a first order colour fit from given :math:`m_1` colour array to
:math:`m_2` colour array. The resulting colour fitting matrix is computed
using multiple linear regression.
The purpose of that object is for example the matching of two
*ColorChecker* colour rendition charts together
Parameters
----------
m_1 : array_like, (3, n)
Test array :math:`m_1` to fit onto array :math:`m_2`.
m_2 : array_like, (3, n)
Reference array the array :math:`m_1` will be colour fitted against.
Simply: Creating and clculating CCM - Color Correction Matrix
"""
print('CCM - Color Correction Matrix = ')
ColorCorrectionMatrix = np.transpose(np.linalg.lstsq(m_1, m_2 , rcond)[0])
这将生成：
CCM - Color Correction Matrix =
[[-0.979 -2.998 -2.434]
[ 0.36 1.467 0.568]
[ 0.077 0.031 0.241]]
获得 CCM 后 - 我想在 m1(LAB 测量颜色)上应用 CCM，并对其进行更正。
我们该怎么做？
我正在执行以下操作，但是结果似乎不行：
def CorrectedMeasuredLABValues(measured_colors_by_app , ColorCorrectionMatrix , reference_LAB_colors_values ):
CorrectedMeasured_LAB_Values = np.zeros_like(measured_colors_by_app , dtype=object)
print('nnnn Corrected Measured LAB Values Matrix = ')
for i in range(measured_colors_by_app.shape[0]):
print(ColorCorrectionMatrix.dot(measured_colors_by_app[i]))
CorrectedMeasured_LAB_Values[i] = ColorCorrectionMatrix.dot(measured_colors_by_app[i])
我们得到以下结果：
Corrected Measured LAB Values Matrix =
[ 34.766 -24.742 3.033]
[ 35.487 -25.334 3.129]
[ 35.635 -25.314 3.096]
[ 36.076 -25.825 3.23 ]
[ 35.095 -25.019 3.094]
如果你这样做
ColorCorrectionMatrix = np.linalg.lstsq(m_1, m_2)[0]
然后
m_3 = np.matmul(m_1, ColorCorrectionMatrix)
应返回接近m_2的数组m_3。也就是说，第一行求解方程
m_1 x=m_2
在最小二乘意义上; 因此，m_1的简单矩阵乘以np.linalg.lstsq找到的x应该近似m_2。
这意味着您应该在计算ColorCorrectionMatrix时删除转置。
但！此更正将对缺少翻译的颜色应用转换。实验室空间中由 a 和 b 跨越的平面是色度平面。此平面原点处的点表示白色/灰色(无色)。如果图片需要白点调整(白平衡)，则意味着真正的白色不是该平面的原点。需要翻译才能将其移动到那里，再多的乘法也无法做到这一点。
需要求解的方程是
m_1 x+y=m_2
(其中y是白点校正)。如果我们在m_1和m_2中添加一列 1，这可以重写为单个矩阵乘法。这称为齐次坐标，请参阅此维基百科文章以了解其外观
。在 RGB 空间中计算颜色校正时，不会出现此问题。在RGB中，原点永远不会移动：黑色就是黑色。RGB 值始终为正数。白平衡是通过乘法完成的。
我建议您将色度计参考值转换为 RGB，而不是将图像像素转换为 Lab，并在 RGB 空间中执行色彩校正。请确保您记录的图像位于线性 RGB 空间中，而不是非线性的 sRGB(如果事实证明您的图像被保存为 sRGB，您将在线找到转换公式)。
在线性 RGB 空间中，以与在实验室空间中相同的方式平均像素值是完全可以的。