企业官网建设流程全解析

OpenCV Color Correction 色彩校正系列：线性化变换（Linearization Transformation）原理、公式与源码实现解析

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

色彩校正（Color Correction）的第一步，往往就是把检测到的颜色"线性化"。本文以 OpenCVphoto模块中 Color Correction Model（CCM）的官方教程文档 linearization_transformation.markdown 为主体，系统讲解**恒等变换（Identical Transformation）、Gamma 校正、多项式拟合（含逐通道拟合、灰度多项式拟合、对数多项式拟合）**三类线性化方法的数学原理与适用场景，并结合本仓库 modules/photo/src/ccm 的linearize源码实现，说明每一类方法在cv::ccm中究竟如何被建模、拟合与调用。读完本文，你将能够正确理解 CCM 流水线中线性化环节的作用，掌握各线性化方法的公式与参数含义，并能在自己的 C++/Python 项目中准确配置LinearizationType完成图像颜色校正。

本篇是色彩校正系列中的"线性化"篇，完整的端到端模型使用请参考姊妹文档 Color Correction Model 教程。

概览：为什么要先做线性化？

在颜色校正流程里，线性化（Linearization）是第一个步骤：先把相机检测到的颜色转换为与亮度成线性关系的值。之所以需要这一步，是因为输入色彩空间（input color space）通常未经过标定，CCD/CMOS 传感器采集到的原始响应与真实光强之间往往存在非线性失真；只有在线性化的 RGB 空间里，才能用一个简单的 $3\times 3$ 颜色校正矩阵（CCM）把设备颜色映射到参考颜色。

由于输入色彩空间未知，无法直接套用标准色彩空间的"解码函数"，因此实际工程中普遍采用**经验方法（empirical methods）**完成线性化，最常见的有三种：

1. 恒等变换（Identical Transformation）—— 不做任何改动，适用于输入本身已线性（如 RAW）；
2. Gamma 校正（Gamma Correction）—— 用幂函数做非线性补偿，$gamma$ 通常取 2.2；
3. 多项式拟合（Polynomial Fitting）—— 用检测色拟合参考色，得到逐元素映射多项式，派生出资深变体：逐通道拟合、灰度拟合、对数拟合。

线性化本质上是一个逐元素（element-wise）函数，即对每个颜色通道独立做标量映射。原文档给出了如下统一符号约定：

即：下标 $s$ 表示相机实测数据，$dl$ 表示来自色卡/参考光源的标准线性值；线性化的目标就是寻找映射 $f$，使得 $C_{sl}=f(C_s)$ 尽量逼近 $C_{dl}$。

恒等变换（Identical Transformation）

公式：

$$ C_{sl}=C_s $$

即输入什么、输出什么，不做任何改变。其使用前提是：输入 RGB 图像的三刺激值（tristimulus values）已经与亮度成正比，无需再线性化。

最典型的场景是RAW 格式的测量数据：RAW 数据在读出阶段只做模拟增益与量化，尚未经过相机内部的 Tone Mapping、Gamma 编码等非线性处理，因此本身就处于线性光域，可直接进入后续矩阵拟合环节。

对应到源码，这一策略被建模为LinearIdentity类（linearize.hpp），其linearize()直接返回输入（linearize.cpp）：

Mat Linear::linearize(Mat inp) { return inp; };

Gamma 校正（Gamma Correction）

Gamma 校正是对 RGB 空间施加非线性的一种常用手段。关于 Gamma 的更完整背景（编码 Gamma 与解码 Gamma 等）可参见 Color Space 相关文档；在线性化环节里，Gamma 校正是"用幂函数反推线性值"的经验近似。

在线性化应用中，$gamma$ 通常取2.2，同时允许用户自定义数值（例如某些相机的 OETF 曲线接近 1/1.8 或 1/2.0 时可按需调整）。

公式（分段定义，保证负值也有定义）：

$$ \begin{aligned} C_{sl}=C_s^{\gamma},&\qquad C_s\ge 0\ C_{sl}=-(-C_s)^{\gamma},&\qquad C_s< 0 \end{aligned} $$

即对非负输入直接做幂运算，对负输入先取反、做幂、再取负，从而保证整个实数域上映射连续且有符号一致。

源码实现：cv::ccm::gammaCorrection

OpenCV 在 modules/photo/include/opencv2/photo/ccm.hpp 中将 Gamma 校正作为公开 API 导出：

CV_EXPORTS_W void gammaCorrection(InputArray src, OutputArray dst, double gamma);

其实现位于 modules/photo/src/ccm/utils.cpp，内部实现要点非常值得注意：

• 使用CV_Assert(gamma > 0)强制 gamma 必须大于 0；
• 依据图像深度选择归一化最大值maxVal：CV_8U为 255.0、CV_16U为 65535.0、CV_16S为 32767.0、CV_32F/CV_64F为 1.0，其他深度直接抛出StsUnsupportedFormat；
• 对CV_8U图像做了查找表（LUT）优化：预先构造 256 项lut[i]=pow(i/255.0, gamma)*255.0，再调用cv::LUT完成整幅图像映射，速度远快于逐像素pow；
• 其他深度则先把像素归一化到 $[0,1]$，cv::pow后按maxVal还原为原深度。

在 CCM 线性化框架中，Gamma 方法由LinearGamma类封装（linearize.cpp），其linearize()就是直接调用上面这个gammaCorrection：

Mat LinearGamma::linearize(Mat inp) { Mat out; gammaCorrection(inp, out, gamma); return out; };

多项式拟合（Polynomial Fitting）

当设备响应曲线比单一幂函数更"扭曲"时，可以用多项式逼近任意单调曲线。多项式拟合类线性化直接把线性化函数建模为一个多项式：

$$ f(x)=a_nx^n+a_{n-1}x^{n-1}+\dots+a_0 $$

则线性化输出为：

$$ C_{sl}=f(C_s) $$

使用约束：

• 次数一般取 $n \le 3$，以避免过拟合（overfitting）；
• 拟合需要"线性化后的参考色"与对应的"检测色"成对参与；
• 并非所有色块都能参与计算——检测结果中发生**饱和（saturation）**的颜色必须被剔除，详见算法介绍文档（在 ColorCorrectionModel 中对应setSaturatedThreshold与coloredPatchesMask）。

多项式拟合在原文档基础上按拟合方式细分为三种子方法，下面逐一展开并对照源码。

逐通道多项式拟合（Fitting Channels Respectively）

对 RGB 三通道分别使用三个独立多项式 $r(x), g(x), b(x)$：

$$ \begin{aligned} R_{sl}&=r(R_s)\ G_{sl}&=g(G_s)\ B_{sl}&=b(B_s) \end{aligned} $$

每个多项式的生成准则是：最小化检测数据与线性化参考数据之间的残差平方和（RSS）。以 R 通道为例：

$$ R=\arg\min_{f}\left(\sum\left(R_{dl}-f(R_s)\right)^2\right) $$

这等价于对下面这组方程做最小二乘回归：

$$ \begin{aligned} f(R_{s1})&=R_{dl1}\ f(R_{s2})&=R_{dl2}\ \dots \end{aligned} $$

将多项式形式代入后，方程可写成 Vandermonde 矩阵形式：

$$ \begin{bmatrix} R_{s1}^{n} & R_{s1}^{n-1} & \dots & 1\ R_{s2}^{n} & R_{s2}^{n-1} & \dots & 1\ \vdots & \vdots & \ddots & \vdots \end{bmatrix} \begin{bmatrix} a_{n}\ a_{n-1}\ \vdots \ a_0 \end{bmatrix}

\begin{bmatrix} R_{dl1}\ R_{dl2}\ \vdots \end{bmatrix} $$

即矩阵方程：

$$ AX=B $$

系数通过正规方程求解：

$$ X=(A^TA)^{-1}A^TB $$

在 Python/numpy 中可直接用numpy.polyfit得到系数：

R = polyfit(R_s, R_dl)

关于单调性（monotonicity）的重要说明：理论上我们希望得到的多项式在区间 $[0,1]$ 上严格单调递增（这样才不会出现"颜色越亮、输出越暗"的荒谬反转），但约束单调性需要用非线性优化方法生成多项式，这会大幅增加程序复杂度。由于单调性并不影响颜色校正程序的正确运行（拟合多项式只用于把检测色映射到近似线性域，后续还有 CCM 矩阵与距离度量把关），所以工程实现仍采用普通polyfit。G、B 通道参数可用同样的方式分别导出。

源码实现：Polyfit 类与 LinearColor 模板

Polyfit类（linearize.hpp、linearize.cpp）忠实复现了上述矩阵求解过程：

Polyfit::Polyfit(Mat x, Mat y, int deg_) : deg(deg_) { int n = x.cols * x.rows * x.channels(); x = x.reshape(1, n); y = y.reshape(1, n); Mat_<double> A = Mat_<double>::ones(n, deg + 1); // Vandermonde 矩阵 for (int i = 0; i < n; ++i) for (int j = 1; j < A.cols; ++j) A.at<double>(i, j) = x.at<double>(i) * A.at<double>(i, j - 1); Mat y_(y); cv::solve(A, y_, p, DECOMP_SVD); // 最小二乘求解 AX=B }

与文档中 $X=(A^TA)^{-1}A^TB$ 的闭式解不同，源码实际调用cv::solve(..., DECOMP_SVD)用SVD 分解做数值稳定的最小二乘求解，结果等价但更稳健。系数存于p，推理时对每个标量执行 $p_0+p_1 x+p_2 x^2+\dots$ 的霍纳式累加（fromEW）。

逐通道拟合本身由模板类LinearColor<T>承担（linearize.hpp）：构造阶段把检测色src与参考色按mask取出后split成三个单通道，对 R/G/B 分别T(schannels[i], dchannels[i], deg)拟合出pr/pg/pb；推理阶段同样split输入、分别套用pr/pg/pb后再merge回三通道图像。这里T既可以是上面的Polyfit（对应LINEARIZATION_COLORPOLYFIT），也可以是下面的LogPolyfit（对应LINEARIZATION_COLORLOGPOLYFIT）。

灰度多项式拟合（Grayscale Polynomial Fitting）

该方法只用一个多项式作用于所有通道，仍然是把检测色向线性化参考色做polyfit，但只有参考色中的灰色块（gray patches）可以参与计算——因为彩色块的通道值差异会使单变量多项式无法同时拟合。

由于与参考色灰色块对应的检测色未必是灰色（相机白平衡/通道增益可能偏色），需要先把检测色"灰度化（grayed）"。原文档指出：灰度本应指 XYZ 色彩空间的Y 通道（亮度），但检测数据的色彩空间未定、无法精确转换到 XYZ，因此用sRGB 亮度公式近似：

$$ G_{s}=0.2126R_{s}+0.7152G_{s}+0.0722B_{s} $$

得到灰度后即可拟合：

$$ f=\mathrm{polyfit}(G_s,\ G_{dl}) $$

得到 $f$ 后，对所有像素/通道统一执行 $C_{sl}=f(C_s)$ 完成线性化。

源码实现：LinearGray 模板

LinearGray<T>（linearize.hpp）的实现与文档一一对应：

LinearGray(int deg_, Mat src, Color dst, Mat mask, RGBBase_ cs) : deg(deg_) { dst.getGray(); // 计算参考色的灰度掩码 grays Mat lear_gray_mask = mask & dst.grays; // 只保留"非饱和 ∧ 灰色"的色块 Mat gray; cvtColor(src, gray, COLOR_RGB2GRAY); // 检测色用 OpenCV 灰度转换近似 gray.copyTo(src); Mat dst_ = maskCopyTo(dst.toGray(cs.illumobserver), lear_gray_mask); calc(src, dst_); // polyfit(G_s, G_dl) }

几个值得注意的实现细节：

• 参考色的灰色掩码由Color::getGray()（color.hpp）在构造Color时预先算好；
• 检测色的灰度化直接使用cv::cvtColor(src, gray, COLOR_RGB2GRAY)，其内置加权系数正是文档给出的 $0.2126/0.7152/0.0722$（sRGB/Rec.709 亮度系数），是文档公式在 OpenCV 中的直接落地；
• 而参考色则通过dst.toGray(cs.illumobserver)转换到 XYZ 的 Y 通道（真正的标准灰度），可见"检测色用 sRGB 近似、参考色用标准 XYZ Y"这一不对称处理与文档描述完全一致；
• 最终只有一个多项式 $p$，linearize()对任意输入直接return p(inp);。

对数多项式拟合（Logarithmic Polynomial Fitting）

Gamma 校正取对数后是一个线性关系：

$$ \ln(C_{sl})=\gamma\ln(C_s),\qquad C_s\ge0 $$

可见 $\ln(C_s)$ 与 $\ln(C_{sl})$ 之间存在线性关系。因此可以认为对数域公式是多项式关系的近似：存在多项式 $f$，使得：

$$ \begin{aligned} \ln(C_{sl})&=f(\ln(C_s)),\qquad C_s>0\ C_{sl}&=0,\qquad C_s=0 \end{aligned} $$

为什么要单独把 0 映射为 0？因为 $\exp(\ln(0))\to\infty$，对数值无法处理 0；所以公式规定通道分量为 0 时直接映射为 0。

拟合过程：对数值做polyfit：

$$ \begin{aligned} r&=\mathrm{polyfit}(\ln(R_s),\ \ln(R_{dl}))\ g&=\mathrm{polyfit}(\ln(G_s),\ \ln(G_{dl}))\ b&=\mathrm{polyfit}(\ln(B_s),\ \ln(B_{dl})) \end{aligned} $$

注意事项：ln的参数不能为 0。因此在拟合前必须把 $R_s$ 与 $R_{dl}$、$G_s$ 与 $G_{dl}$、$B_s$ 与 $B_{dl}$ 中所有值为 0 的样本成对删除。最终的拟合方程（推理形式）为：

$$ \begin{aligned} \ln(R_{sl})&=r(\ln(R_s)),\quad R_s>0;\qquad R_{sl}=0,\quad R_s=0\ \ln(G_{sl})&=g(\ln(G_s)),\quad G_s>0;\qquad G_{sl}=0,\quad G_s=0\ \ln(B_{sl})&=b(\ln(B_s)),\quad B_s>0;\qquad B_{sl}=0,\quad B_s=0 \end{aligned} $$

对灰度多项式（对数版）同样有：

$$ f=\mathrm{polyfit}\left(\ln(G_{sl}),\ \ln(G_{dl})\right) $$

以及推理规则 $\ln(C_{sl})=f(\ln(C_s))\ (C_s>0)$，$C_{sl}=0\ (C_s=0)$。

源码实现：LogPolyfit 类

LogPolyfit（linearize.cpp）将文档中的两个约定落实为两处关键代码：

LogPolyfit::LogPolyfit(Mat x, Mat y, int deg_) : deg(deg_) { Mat mask_ = (x > 0) & (y > 0); // ① 剔除 R_s 或 R_dl 中为 0 的样本 Mat src_, dst_, s_, d_; src_ = maskCopyTo(x, mask_); dst_ = maskCopyTo(y, mask_); log(src_, s_); log(dst_, d_); p = Polyfit(s_, d_, deg); // ② 在对数域做普通多项式拟合 }

推理端（operator()）则构造inp >= 0的掩码，对每个像素执行 $\log \to p(\cdot) \to \exp$，并把原来 $\le 0$ 的位置用掩码直接置零，与文档中"零分量直接映射为零"的公式完全吻合。

枚举定义与工厂函数：如何在代码中选择线性化方法

原文档给出的枚举名为LINEAR_TYPE：

enum LINEAR_TYPE { LINEARIZATION_IDENTITY, // No change LINEARIZATION_GAMMA, // Gamma correction; requires gamma value LINEARIZATION_COLORPOLYFIT, // Polynomial fitting for each channel; requires degree LINEARIZATION_COLORLOGPOLYFIT, // Logarithmic polynomial fitting; requires degree LINEARIZATION_GRAYPOLYFIT, // Grayscale polynomial fitting; requires degree and dst_whites LINEARIZATION_GRAYLOGPOLYFIT // Grayscale logarithmic polynomial fitting; requires degree and dst_whites };

需要留意的是：在当前仓库的最新头文件中，该枚举的正式名字是cv::ccm::LinearizationType（见 ccm.hpp），枚举值名称与文档一致，均为LINEARIZATION_*前缀。如果阅读到使用LINEAR_TYPE名称的旧资料，应视为同一概念的早期命名。

六种类型与类实现的对应关系

这些枚举值在运行时由工厂函数getLinear()（linearize.cpp）映射到具体类：

getLinear()内部就是一个switch，把linearizationType逐一映射到对应类的make_shared构造，并对非法值抛出CV_Error(Error::StsBadArg, "Wrong linearizationType!")。通过模板参数T在Polyfit/LogPolyfit间切换，是 C++ 层面复用"逐通道/灰度"两种拟合策略的精巧设计。

ColorCorrectionModel 中的配套 API 与默认值

线性化环节被集成在ColorCorrectionModel中，其配套 setter 与默认值均定义于 ccm.hpp：

线性化在 compute() 流水线中的位置

在 ccm.cpp 的ColorCorrectionModel::compute()中可以看到线性化的完整调用链：

Mat saturateMask = saturate(p->src, p->saturatedThreshold[0], p->saturatedThreshold[1]); p->linear = getLinear(p->gamma, p->deg, p->src, p->ref, saturateMask, (p->cs), p->linearizationType); p->calWeightsMasks(p->weightsList, p->weightsCoeff, saturateMask); p->srcRgbl = p->linear->linearize(maskCopyTo(p->src, p->mask)); // ← 对检测色执行线性化 p->ref.colors = maskCopyTo(p->ref.colors, p->mask); p->dstRgbl = p->ref.to(*(p->cs.l)).colors; // 参考色转到线性 RGB

流程可归纳为四步：

1. saturate()依据饱和阈值生成saturateMask（对应文档"饱和检测色需要被移除"）；
2. getLinear(...)按用户选择的linearizationType构造线性化对象（含用非饱和样本完成Polyfit/LogPolyfit的系数拟合）；
3. calWeightsMasks(...)计算权重与参与拟合的有效掩码；
4. 对掩码后的检测色调用linear->linearize(...)得到线性检测色srcRgbl，与转换到同一线性 RGB 空间的参考色dstRgbl对齐，供后续 CCM 矩阵拟合与损失计算使用。

可见线性化质量直接影响后续 $3\times3$（CCM_LINEAR）或 $4\times3$（CCM_AFFINE）校正矩阵的拟合精度，是整条色彩校正链路的基石。

工程使用建议与验证线索

• 代码清单：所有线性化相关头文件与实现集中在 modules/photo/src/ccm/linearize.hpp、modules/photo/src/ccm/linearize.cpp 与 modules/photo/src/ccm/color.hpp，公共 API 见 ccm.hpp。引入方式即文档给出的：

  #include <opencv2/photo/ccm.hpp>

• 实践路径：需要真实运行的端到端示例时，可参考配套教程 Color Correction Model 及其在 samples/cpp 下通过@snippet引用的示例源码（检测色卡 + 拟合 +correctImage应用）。该示例会演示如何在"检测出色卡色块颜色"之后，调用ColorCorrectionModel并选择合适的线性化参数。

• 测试与回归：仓库内置 modules/photo/test/test_ccm.cpp 测试 CCM 模块整体行为，另有 modules/photo/perf/perf_ccm.cpp 做性能基准；修改或选用不同线性化方法后可通过这些测试做正确性回归验证。

• 选型小结：输入是 RAW 或已知线性的设备数据选LINEARIZATION_IDENTITY；多数消费级相机的 sRGB/JPEG 输出选默认LINEARIZATION_GAMMA（$\gamma=2.2$）；非线性较强或需要更精细标定时选LINEARIZATION_COLORPOLYFIT，次数从 3 起、配合饱和色剔除使用；灰度版（GRAYPOLYFIT与GRAYLOGPOLYFIT）在参考色卡缺少足够彩色块、只有灰阶可用时更为稳健；对数版则更适合暗部信息丰富、需放大低亮度拟合权重的场景。

参考资料

• 本文主体内容整理自 OpenCV 官方教程 linearization_transformation.markdown。
• 原文档引用的 [1-3] 为多项式拟合方法与经验研究，[4] 描述非线性多项式生成方法（单调性约束优化），[5] 为灰度计算的 sRGB 近似公式。
• 源码依据：modules/photo/src/ccm/linearize.cpp、modules/photo/src/ccm/linearize.hpp、modules/photo/src/ccm/utils.cpp、modules/photo/src/ccm/ccm.cpp 与 ccm.hpp。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv