사진 및 이미지 처리에서 색상 균형은 색상의 강도 (일반적으로 적색, 녹색 및 파란색 기본 색상)의 전체적인 조정입니다. 이 조정의 중요한 목표는 특정 색상, 특히 중간 색상을 올바르게 렌더링하는 것입니다. 따라서 일반적인 방법은 회색 밸런스, 중립 밸런스 또는 화이트 밸런스라고도합니다. 색상 균형은 이미지의 전체 색상 혼합을 변경하고 색상 교정에 사용됩니다. 색상 균형의 일반화 된 버전은 중립 이외의 색상을 수정하거나 고의적으로 효과를 변경하는 데 사용됩니다.

센서에 의해 획득 된 이미지 데이터 (필름 또는 전자 이미지 센서)는 획득 된 값에서 색 재현 또는 표시에 적합한 새로운 값으로 변환되어야합니다. 획득 및 디스플레이 프로세스의 여러 측면은 이러한 색상 보정을 필수적으로 수행합니다. 즉, 획득 센서가 사람의 눈에있는 센서와 일치하지 않으며, 디스플레이 매체의 특성을 고려해야하며, 획득은 디스플레이 시청 조건과 다르다.

널리 사용되는 이미지 편집 응용 프로그램의 색상 균형 작업은 일반적으로 색상 감지 또는 재생 모델과 관계없이 빨강, 녹색 및 파랑 채널 픽셀 값에서 직접 작동합니다. 필름 사진 촬영에서 일반적으로 조명 밸런스 또는 카메라 렌즈에 색상 보정 필터를 사용하여 색상 균형을 얻습니다.

일반화 된 색상 균형
때로 중성을 중립으로 유지하는 조정을 화이트 밸런스라고하며, 색 균형이라는 용어는 표시된 이미지의 다른 색이 원래 색의 색과 동일한 일반적인 모양을 나타내는 조정을 가리 킵니다. 특히 장면의 중립적 인 (회색, 중성, 흰색) 색상이 재생산시 중립적으로 나타나는 것이 중요합니다.

광원 추정 및 적응
대부분의 디지털 카메라에는 수동 조명 선택, 자동 화이트 밸런스 또는 사용자 정의 화이트 밸런스를 사용하여 장면 조명 유형에 따라 색상 보정을 선택하는 방법이 있습니다. 이러한 프로세스를위한 알고리즘은 일반화 된 색 적응을 수행합니다.

색상 밸런싱을위한 여러 가지 방법이 있습니다. 카메라에 버튼을 설정하는 것은 사용자가 장면 조명의 특성을 프로세서에 알려주는 방법입니다. 일부 카메라의 또 다른 옵션은 회색 카드 또는 다른 중립적 인 색상의 물체를 카메라가 가리킬 때 누를 수있는 버튼입니다. 이렇게하면 주변 조명의 이미지가 캡처되어 디지털 카메라가 해당 빛에 대한 올바른 색상 밸런스를 설정할 수 있습니다.

어떻게 카메라 데이터로부터 주변 조명을 추정하고이 정보를 사용하여 이미지 데이터를 변환하는지에 대한 많은 문헌이있다. 다양한 알고리즘이 제안되었으며, 이들의 품질에 대한 논의가있었습니다.몇 가지 예와 그 안에있는 참고 문헌의 검토는 독자를 다른 많은 사람들에게 인도합니다. 예로 Retinex, 인공 신경 네트워크 또는 베이지안 방법이 있습니다.

색상
이미지의 색상 밸런싱은 중립뿐만 아니라 다른 색상에도 영향을 미칩니다. 색상 균형이 맞지 않는 이미지는 이미지의 모든 것이 하나의 색상으로 이동 된 것처럼 보이기 때문에 색상이 잡히게 된 것으로 알려져 있습니다. [페이지 필요] 색상 균형은이 색상을 제거하는 측면에서 생각할 수 있습니다.

색상 균형은 또한 색상 지속성과 관련이 있습니다. 색 불변성을 얻는 데 사용되는 알고리즘 및 기술은 색상 균형 조정에도 자주 사용됩니다. 색상 불변성은 차례로 색채 적응과 관련됩니다. 개념적으로, 컬러 밸런싱은 두 단계로 구성됩니다. 첫째, 이미지가 캡처 된 광원을 결정합니다. 둘째, 이미지의 구성 요소 (예 : R, G 및 B)를 스케일링하거나 그렇지 않으면 구성 요소를보기 광원에 따르도록 변환합니다.

Viggiano는 카메라의 기본 RGB 색상 모델에서 화이트 밸런싱이 4000 가지가상의 카메라 감도 세트에 대해 모니터 RGB보다 색상 얼룩이 적다는 것을 발견했습니다. 이 차이는 일반적으로 카메라 RGB에 비해 2 배 이상 큰 값입니다. 즉, 모니터에서 나중에 편집하는 것이 아니라 이미지를 캡처 할 때 바로 색상 밸런스를 얻는 것이 좋습니다. 나중에 색상 밸런스를 조정해야하는 경우 원시 이미지 데이터의 균형을 조정하면 모니터 RGB에서 균형을 유지하는 것보다 반음계 색상의 왜곡이 적게 생성됩니다.

컬러 밸런스 수학
컬러 밸런싱은 3×3 매트릭스를 사용하여 3 가지 구성 요소 이미지 (예 : RGB)에서 수행되는 경우가 있습니다. 이러한 유형의 변환은 이미지가 디지털 카메라에서 잘못된 화이트 밸런스 설정을 사용하여 캡처되거나 색상 필터를 통해 캡처 된 경우에 적합합니다.

스케일링 모니터 R, G 및 B
원칙적으로 이미지의 모든 상대적인 휘도를 스케일링하여 중립적 인 것으로 보이는 물체가 나타나게하려고합니다. 예를 들어 R = 240 인 표면이 흰색 물체라고 생각되면 255가 흰색에 해당하는 수이면 모든 빨강 값에 255/240을 곱할 수 있습니다. 녹색과 파란색을 유사하게 처리하면 적어도 이론적으로 색상이 균형 잡힌 이미지가됩니다. 이러한 유형의 변환에서 3×3 행렬은 대각 행렬입니다.

여기서 R, G 및 B는 이미지의 픽셀의 컬러 밸런스 된 빨강, 녹색 및 파랑 구성 요소입니다. R ‘, G’및 B ‘는 컬러 밸런싱 전의 이미지의 적색, 녹색 및 청색 성분이고, R’_ {w}, G’_ {w} 및 B’_ {w}는 적색 , 녹색 및 청색 성분을 포함 할 수 있으며, 이는 색 밸런싱 이전에 이미지의 백색 표면으로 여겨진다. 이것은 빨강, 녹색 및 파랑 채널을 간단히 조정하므로 Photoshop과 김프의 색상 균형 도구에 흰색 스포이드 도구가있는 이유입니다. sRGB에 의해 가정 된 형광체 세트에서 화이트 밸런싱을 수행하는 것은 중성 표면을 완벽하게 중립적으로 만들 수 있음에도 불구하고 유채색에서 큰 오차를 생성하는 경향이 있음이 입증되었습니다.

X, Y, Z 크기 조정
이미지가 CIE XYZ 트리 스티 뮬러 스 값으로 변환 될 수 있으면 색 밸런스가 수행 될 수 있습니다. 이것은 “잘못된 폰 크리즈”변환이라고 불립니다. 모니터 RGB에서 균형을 잡는 것보다 일반적으로 좋지 않은 결과를 제공하는 것으로 입증되었지만 여기서는 다른 것들에 대한 다리로 언급됩니다. 수학적으로 계산식은 다음과 같습니다.

여기서 X, Y 및 Z는 색상 균형화 된 삼자 극치입니다. X_ {w}, Y_ {w} 및 Z_ {w}는 뷰 광원의 삼자 극치 (이미지가 변형되는 흰색 점)입니다. 색 보정되지 않은 이미지에서 흰색으로 간주되는 객체의 삼자 극치이며 X ‘, Y’및 Z ‘ ‘는 비 색상 균형 이미지의 픽셀의 삼자 극치 값입니다. 모니터 원색의 삼자 극치가 행렬 \ mathbf {P}에 있으면 다음과 같이됩니다.

L_ {R}, L_ {G} 및 L_ {B}가 감마 보정되지 않은 모니터 RGB 인 경우, 다음을 사용할 수 있습니다.

본 크리 스의 방법
100 년 넘게 색 감각의 지배적 인 설명으로 망막의 막대와 세 가지 색상에 민감한 콘 유형의 이론이 존속 한 Johannes von Kries는 색상을 LMS 색 공간으로 변환하는 방법에 동기를 부여하여 독립적으로 적응하는 것으로 모델링 된 긴, 중간 및 단파장 콘 유형. 3×3 매트릭스는 RGB 또는 XYZ를 LMS로 변환 한 다음 세 개의 LMS 기본 값을 중립의 균형을 맞춰 조정합니다. 색상은 원하는 최종 색상 공간으로 다시 변환 될 수 있습니다.

여기서, L, M 및 S는 컬러 밸런스드 LMS 콘 3 자극 값이다. 색 보정되지 않은 이미지에서 흰색으로 여겨지는 물체의 삼자 극치이며, L ‘, M’및 S ‘ ‘는 비 색상 균형 이미지의 픽셀의 삼자 극치 값입니다.

LMS 공간으로 변환 할 행렬은 von Kries에서 지정하지 않았지만 CIE 색 일치 함수와 LMS 색 일치 함수에서 파생 될 수 있습니다. 행렬은 참고 서적에서도 찾을 수 있습니다.

스케일링 카메라 RGB
Viggiano의 측정과 그의 가우시안 카메라 스펙트럼 감도 모델을 사용하면 대부분의 카메라 RGB 공간이 RGB 또는 XYZ를 모니터하는 것보다 더 잘 수행됩니다. 카메라의 원시 RGB 값을 알고있는 경우 3×3 대각선 행렬을 사용할 수 있습니다.

밸런싱을 한 후 sRGB 또는 Adobe RGB와 같은 작동중인 RGB 공간으로 변환하십시오.

선호되는 색채 적응 공간
다수의 서로 다른 RGB 공간에서 대각선 변환에 의해 균형 잡힌 이미지를 비교하면 여러 색상 외관 모델로 측정 한 것처럼 색 적응을 위해 카메라 또는 모니터 공간보다 다른 여러 공간보다 더 잘 작동하는 몇 개의 공간을 식별 할 수 있습니다. 사용 된 이미지 테스트 세트의 대다수에서 통계적으로나 최선을 다한 시스템은 “Sharp”, “Bradford”, “CMCCAT”및 “ROMM”공간이었습니다.

일반적인 광원 적응
광원의 변화에 ​​적응하기위한 최상의 컬러 매트릭스는 반드시 고정 된 컬러 공간에서 대각 매트릭스가되는 것은 아닙니다. 광원의 공간이 N 개의 기본 항을 갖는 선형 모델로 기술 될 수 있다면, 적절한 색 변환은 N 개의 고정 된 선형 변환의 가중 된 합일 것이며 오히려 일관되게 대각선 화 될 수없는 것으로 오랫동안 알려져왔다.