渐进式多尺度特征级联融合颜色恒常性算法

颜色恒常性是实现目标检测、三维物体重建、自动驾驶等计算机视觉任务的重要前提。为充分利用图像中不同尺度的特征信息估计光源,提出渐进式多尺度特征级联融合颜色恒常性算法,通过三个卷积网络分支从不同尺度提取图像中的特征信息,通过特征融合得到更加丰富的特征信息,通过级联方式将图像中的浅层边缘信息和深层细粒度特征信息进行融合,提高了颜色恒常性算法的精确性。渐进式网络结构基于加权累计角度误差损失函数提高了算法在面对极端场景光照下光源估计的鲁棒性。在重处理的ColorChecker和NUS-8数据集上的实验结果表明,本文算法在各项评价指标上均优于目前的颜色恒常性算法,可应用于需要进行颜色恒常性预处理的其他计算机视觉任务。     

渐进式多尺度特征级联融合颜色恒常性算法

为测试CIE推荐各颜色匹配函数（CMFs）CIE1931、CIE1964和CIE2006的计算性能,首先使用前期研究中两组基于配对比较法实验采集到的年轻和老年观察者异谱反射色色差比较数据,检验了CIE现有各CMFs的表现。研究发现CIE2006（22,4°）和CIE1931 2°的计算色差ΔE₀₀分别与56名年轻和40名老年观察者的目视色差ΔV间的STRESS值最小,一致性最好。在RAL K5色卡中选择了明度值L^*₁₀在34.4～71.6范围内的5个不同非彩色作为目标色,使用Epson喷墨打印机围绕每个目标色分别制作了16个异谱样本。组织了26名年轻观察者基于灰梯尺法进行80对样本的色差比较,结果表明目视色差ΔV与CIE2006（22,2°）CMFs的计算色差ΔE₀₀间STRESS值最小。本次实验的观察视场为8.17°×16.26°,现有CIE2006 CMFs在大视场下对异谱反射色间色差的计算性能还需要进一步改进。