目录
效果
背景
什么是白平衡？
实现原理
将指定图色调调整为参考图色调主要流程
示例代码
效果
将图一效果转换为图二效果色调：
调整后，可实现色调对换
背景
现有两张图像，色调不一致，对于模型重建会有影响。因此需要将不符合需求的image进行白平衡，色调统一。
什么是白平衡？
图像信号处理算法（Image Signal Process，ISP），对图像传感器输出的原始图像进行处理，得到较好的场景还原效果。
其中，3A算法包括：AWB(自动白平衡)、AE(自动曝光)、AF(自动对焦)。
白平衡White Balance,简称WB，是一种相机设置，用于校正照片或视频中的色彩。
白平衡通过调整红、绿、蓝三种颜色的比例，补偿光源的色片，使得图像中白色看起来是真正的白色，从而使整个图像的色彩更加自然准确。
将图像A转换为图像B的色调，这是一个色彩迁移（Color Transfer）的问题。色彩迁移旨在将源图像的颜色风格应用到目标图像中，使得目标图像看起来像是通过类似的光线或色调条件拍摄的。
实现原理
色彩迁移的基本原理是通过分析和调整图像的颜色分布，使源图像的颜色特征（如均值和方差）与目标图像匹配。通常，色彩迁移通过以下几个步骤实现：
- 颜色空间转换：将RGB图像转换到一种颜色空间，如LAB或LUV。这些颜色空间更适合进行色彩调整，因为它们将亮度与颜色信息分离。
- 统计特征匹配：计算源图像和目标图像在新颜色空间中的统计特征（如均值和方差）。然后，将源图像的颜色分布调整为与目标图像匹配。
- 颜色映射：将调整后的颜色分布映射回原始颜色空间，生成最终的图像。
- 颜色空间逆变换：将图像从LAB或LUV颜色空间转换回RGB，以获得最终结果。
将指定图色调调整为参考图色调主要流程
（1）图像从BGR转换到LAB颜色空间（因为LAB空间更适合进行颜色调整操作）
（2）分别计算参考图和源图 的 均值和标准差
（3）对源图进行标准化，并将参考图的均值和标准差 应用到源图
（4）将调整后的LAB图像转换回BGR颜色空间
示例代码
import cv2
import numpy as np
def match_color(source, reference):
# 将图像从BGR转换为LAB颜色空间
source_lab = cv2.cvtColor(source, cv2.COLOR_BGR2Lab)
reference_lab = cv2.cvtColor(reference, cv2.COLOR_BGR2Lab)
# 计算参考图像的均值和标准差
ref_mean, ref_std = cv2.meanStdDev(reference_lab)
ref_mean = ref_mean.reshape((1, 1, 3))
ref_std = ref_std.reshape((1, 1, 3))
# 计算源图像的均值和标准差
src_mean, src_std = cv2.meanStdDev(source_lab)
src_mean = src_mean.reshape((1, 1, 3))
src_std = src_std.reshape((1, 1, 3))
# 对源图像进行标准化，并应用参考图像的均值和标准差
lab_adjusted = (source_lab - src_mean) * (ref_std / src_std) + ref_mean
# 将调整后的LAB图像转换回BGR颜色空间
lab_adjusted = np.clip(lab_adjusted, 0, 255).astype(np.uint8)
result = cv2.cvtColor(lab_adjusted, cv2.COLOR_Lab2BGR)
return result
# 读取源图像和参考图像，将image_B色调调整为image_A色调
source_image = cv2.imread('image_B.png')
reference_image = cv2.imread('image_A.png')
# 调整色调
result_image = match_color(source_image, reference_image)
# 保存结果
cv2.imwrite('result_1.jpg', result_image)
