基于多参考点的Python图像色彩校正实现问询

当然可以用额外的纯红、纯蓝参考点来进一步优化色彩校正效果！你之前做的单参考点白平衡只能让白色区域统一，但要让整个图像的色彩完全对齐，多参考点能帮你建立更精准的色彩空间映射——毕竟我们有了三个已知的标准色彩锚点，足以定义一个完整的RGB色彩变换。

核心原理：线性色彩变换矩阵 #

单一白平衡是对每个RGB通道做独立缩放，这只适用于“所有通道光照衰减比例一致”的理想情况，但实际光照可能对不同颜色通道的影响不同。而三个参考点能让我们计算出一个3x3的线性变换矩阵，把当前图像的RGB值映射到标准色彩空间。

简单来说：

• 我们有三个参考点的实际测量值：比如白色区域的均值W_measured、红色区域的均值R_measured、蓝色区域的均值B_measured
• 我们知道这三个点的目标标准值：W_target = (255,255,255)、R_target = (255,0,0)、B_target = (0,0,255)
• 把测量值和目标值分别组成3x3矩阵（每一列是一个RGB向量），然后求解变换矩阵A，满足A * M = T（M是测量矩阵，T是目标矩阵），也就是A = T * M⁻¹（M的逆矩阵）
• 对图像中的每个像素(r,g,b)，应用变换：new_rgb = A @ (r,g,b).T

代码实现（基于你的原有代码扩展） #

下面是整合了三个参考点的色彩校正函数：

import cv2
import numpy as np

def multi_reference_color_correction(image_path, 
                                     white_ref=(42, 82), 
                                     red_ref=(100, 200), 
                                     blue_ref=(300, 150),
                                     ref_size=(10,10)):
    # 读取图像并转为浮点型，避免整数运算溢出
    image = cv2.imread(image_path).astype(np.float32)
    h, w = image.shape[:2]
    
    # 定义获取参考区域均值的辅助函数
    def get_ref_mean(ref_top_left):
        x, y = ref_top_left
        ref_region = image[y:y+ref_size[1], x:x+ref_size[0]]
        return np.mean(ref_region, axis=(0,1))
    
    # 获取三个参考点的实际测量均值
    w_meas = get_ref_mean(white_ref)
    r_meas = get_ref_mean(red_ref)
    b_meas = get_ref_mean(blue_ref)
    
    # 构建测量矩阵M和目标矩阵T
    M = np.array([w_meas, r_meas, b_meas]).T  # 3x3矩阵，每列对应一个参考点的RGB值
    T = np.array([[255,255,255], [255,0,0], [0,0,255]]).T  # 对应标准目标值的3x3矩阵
    
    # 计算变换矩阵A（添加小epsilon避免奇异矩阵导致的不可逆问题）
    try:
        M_inv = np.linalg.inv(M + 1e-8 * np.eye(3))
        A = T @ M_inv
    except np.linalg.LinAlgError:
        print("警告：参考点矩阵不可逆，自动退回到白平衡模式")
        scale_factors = 255.0 / w_meas
        balanced_image = cv2.merge([cv2.multiply(image[:, :, i], scale_factors[i]) for i in range(3)])
        return np.clip(balanced_image, 0, 255).astype(np.uint8)
    
    # 对整个图像应用变换矩阵
    pixels = image.reshape(-1, 3)
    corrected_pixels = pixels @ A.T  # 匹配矩阵乘法维度
    corrected_image = corrected_pixels.reshape(h, w, 3)
    
    # 裁剪到有效RGB范围并转回uint8格式
    corrected_image = np.clip(corrected_image, 0, 255).astype(np.uint8)
    
    return corrected_image

关键注意事项 #

• 参考点准确性：确保你的三个参考点确实是纯红、纯蓝、纯白，没有被前景/背景污染，区域大小可以根据实际情况调整（比如20x20）来减少噪声影响
• 矩阵不可逆问题：如果三个参考点的测量值线性相关（比如极端光照导致某两个点RGB比例完全一致），矩阵会不可逆，代码里加了容错处理，自动退回到白平衡模式
• 数据类型处理：先转成float32进行运算，避免整数溢出，最后再转回uint8的图像格式
• 适用场景：这个方法基于线性光照假设，完美匹配你这种“相同前景背景、仅光照差异”的场景，能有效解决色彩不一致问题

备注：内容来源于stack exchange，提问作者STEMQs