基于扩散模型的图像去白平衡结题报告.docVIP

基于扩散模型的图像去白平衡结题报告

一、研究背景与问题提出

在数字图像采集与处理领域，白平衡是影响图像视觉质量的关键因素之一。白平衡的本质是通过调整图像中红、绿、蓝三通道的比例，使场景中的白色物体在图像中呈现为真实的白色，从而还原场景的真实色彩。然而，在实际拍摄过程中，由于光照条件的复杂性（如不同色温的光源、混合光照环境）、设备传感器的固有特性以及拍摄参数的不合理设置，图像往往会出现白平衡偏差，表现为整体偏色，如偏红、偏蓝或偏黄等。这种偏色问题不仅会影响图像的视觉观感，还会对后续的计算机视觉任务（如目标检测、图像分割、人脸识别等）产生干扰，降低算法的准确性和鲁棒性。

传统的图像去白平衡方法主要包括基于物理模型的方法、基于学习的方法和基于统计的方法。基于物理模型的方法通过建立光照与图像像素值之间的数学关系，估计场景的光照参数，进而实现白平衡校正。这类方法的典型代表是GrayWorld算法和WhitePatch算法，它们分别假设图像中所有像素的平均颜色为灰色和图像中存在纯白像素。然而，这些方法依赖于严格的假设条件，在复杂场景下往往难以适用。基于学习的方法则利用机器学习模型（如支持向量机、随机森林、卷积神经网络等）从大量标注数据中学习白平衡校正的规律。虽然这类方法在一定程度上提高了去白平衡的性能，但它们通常需要大量的标注数据，且模型的泛化能力受到训练数据分布的限制。基于统计的方法通过