基于最小二乘法的色彩校正失效问题排查求助

问题背景 #

尝试用最小二乘法实现图像色彩校正，但最终输出图像颜色仍不符合预期，操作流程如下：

• 导入CR3格式图像并转换至RGB空间，通过OpenCV的boundingRect与inRange函数裁剪出4个色块，将每个色块的像素RGB数据转为2维数组：

colour0 = np.vstack(coloursRect[0])
colour1 = np.vstack(coloursRect[1])
colour2 = np.vstack(coloursRect[2])
colour3 = np.vstack(coloursRect[3])

lstsq_a = np.array(np.vstack((colour0,colour1,colour2,colour3)))

• 定义RGB格式的参考色块颜色：

r_ref = [240,0,22]
y_ref = [252,222,10]
g_ref = [30,187,22]
b_ref = [26,0,165]
ref_patches = [r_ref,y_ref,g_ref, b_ref]

• 根据实际色块的像素数量复制对应参考颜色，构建参考值数组：

lstsq_b_0to255 = np.array(np.vstack(([ref_patches[0]]*colour0.shape[0],[ref_patches[1]]*colour1.shape[0],[ref_patches[2]]*colour2.shape[0],[ref_patches[3]]*colour3.shape[0]))) 

• 计算最小二乘解并应用于整幅图像：

lstsq_x_0to255 = np.linalg.lstsq(lstsq_a, lstsq_b_0to255)[0]

img_shape = img.shape
img_s = img.reshape((-1, 3))
img_corr_s = img_s @ lstsq_x_0to255
img_corr = img_corr_s.reshape(img_shape).astype('uint8')

问题原因及修复方案 #

1. 缺少偏置项（常数项） #

当前使用的变换模型仅为线性变换（校正后RGB = 原始RGB × 变换矩阵），未考虑全局亮度偏移，无法修正图像整体的明暗偏差。需要给输入矩阵添加一列全1的偏置项，将模型扩展为包含常数项的完整线性模型：Y = [X, 1] @ [W; B]（其中W为变换矩阵，B为偏置向量）。

修改后的核心代码：

# 给输入矩阵添加偏置列
lstsq_a_with_bias = np.hstack([lstsq_a, np.ones((lstsq_a.shape[0], 1))])
# 计算带偏置的最小二乘解（指定rcond=None避免警告）
lstsq_x_with_bias = np.linalg.lstsq(lstsq_a_with_bias, lstsq_b_0to255, rcond=None)[0]

# 应用校正时给图像像素也添加偏置列
img_s_with_bias = np.hstack([img_s, np.ones((img_s.shape[0], 1))])
img_corr_s = img_s_with_bias @ lstsq_x_with_bias

2. 未做数据归一化 #

RGB值处于0-255的整数区间，数值范围较大易导致最小二乘拟合的矩阵条件数过高，解的稳定性变差。建议先将原始RGB数据和参考值归一化到0-1区间，校正完成后再还原回0-255范围。

修改后的核心代码：

# 归一化原始数据与参考值到[0,1]区间
lstsq_a_normalized = lstsq_a / 255.0
lstsq_b_normalized = lstsq_b_0to255 / 255.0

# 添加偏置项并拟合
lstsq_a_norm_bias = np.hstack([lstsq_a_normalized, np.ones((lstsq_a_normalized.shape[0], 1))])
lstsq_x_norm = np.linalg.lstsq(lstsq_a_norm_bias, lstsq_b_normalized, rcond=None)[0]

# 校正图像并还原数值范围
img_s_normalized = img_s / 255.0
img_s_norm_bias = np.hstack([img_s_normalized, np.ones((img_s_normalized.shape[0], 1))])
img_corr_s_normalized = img_s_norm_bias @ lstsq_x_norm
# 截断超出0-255的数值并转换为uint8类型
img_corr_s = np.clip(img_corr_s_normalized * 255, 0, 255).astype('uint8')
img_corr = img_corr_s.reshape(img_shape)

3. 色块裁剪准确性问题 #

若inRange的阈值设置不合理，boundingRect裁剪出的色块可能包含背景、边缘杂色等无效像素，这些错误样本会严重干扰拟合结果。可通过以下方式验证与优化：

• 统计每个色块的RGB均值，确认是否接近目标色块的预期颜色；
• 调整inRange的阈值参数，确保仅选中目标色块的像素；
• 使用mask提取色块（而非仅靠boundingRect裁剪），避免包含边缘无关区域。

4. 参考颜色的合理性 #

确认参考色块的RGB值为标准色域（如sRGB）下的标准值，且与拍摄场景的光源条件匹配。若参考值本身不符合行业标准或拍摄环境，拟合结果自然会偏离预期。

内容的提问来源于stack exchange，提问作者Chloe