将一个相机的颜色配置文件映射到另一个
Map one camera's colour profile to another
我有两个相机（A 和 B），我拍摄了校准场景的照片，然后校正了失真并使用特征映射来获得像素精确配准，结果如下：
如您所见，颜色响应大不相同。我现在想做的是用 A 拍一张新照片并回答问题：如果我用相机 B 会是什么样子？
是否有一些现有的技术或算法可以在两个相机的颜色之间进行转换spaces/profiles？
根据您提供的图像，不难将它们分割成小方块。之后取两个图像中每个方块的平均值（或更好的中值）。现在你有 2*m*n 个值，如下所示：MeansReference_(m*n)，MeansQuery_(m*n)。使用线性颜色校正矩阵为：
你可以构建这个线性系统：
MeansReference[i][j]= C * MeansQuery[i][j]
其中：
MeansReference[i][j] 是 Reference 图像中正方形 [i,j] 颜色 (R,G,B) 的向量 (3*1)。
MeansQuery[i][j] 是 Query 图像中正方形 [i,j] 颜色 (R,G,B) 的向量 (3*1)。
C 是 3*3 矩阵 (a11,a12,... ,a33)
现在，对于每个 i,j，您将得到 3 个线性方程（对于 R,G,B）。由于有 9 个变量 (a11...a33)，您至少需要 9 个等式，这意味着至少有 3 个正方形（每个正方形为您提供 3 个等式）。然而，你构建的方程式越多，你获得的准确性就越高。
如何求解方程个数多于变量个数的线性方程组？使用 Batch-LSE。您可以在 Neuro-Fuzzy-and-Soft-Computing-Jang-Sun-Mizutan 书籍或任何在线资源中找到有关它的详细信息。
找到 9 个变量后，您就有了一个颜色校正矩阵。只需将它应用到新相机的任何图像上，您就会得到一张看起来像旧相机拍摄的图像。如果您想要相反的结果，请改为应用 C^-1。
祝你好运！
我有两个相机（A 和 B），我拍摄了校准场景的照片，然后校正了失真并使用特征映射来获得像素精确配准，结果如下：
如您所见，颜色响应大不相同。我现在想做的是用 A 拍一张新照片并回答问题：如果我用相机 B 会是什么样子？
是否有一些现有的技术或算法可以在两个相机的颜色之间进行转换spaces/profiles？
根据您提供的图像，不难将它们分割成小方块。之后取两个图像中每个方块的平均值（或更好的中值）。现在你有 2*m*n 个值，如下所示：MeansReference_(m*n)，MeansQuery_(m*n)。使用线性颜色校正矩阵为：
你可以构建这个线性系统：
MeansReference[i][j]= C * MeansQuery[i][j]
其中：
MeansReference[i][j] 是 Reference 图像中正方形 [i,j] 颜色 (R,G,B) 的向量 (3*1)。
MeansQuery[i][j] 是 Query 图像中正方形 [i,j] 颜色 (R,G,B) 的向量 (3*1)。
C 是 3*3 矩阵 (a11,a12,... ,a33)
现在，对于每个 i,j，您将得到 3 个线性方程（对于 R,G,B）。由于有 9 个变量 (a11...a33)，您至少需要 9 个等式，这意味着至少有 3 个正方形（每个正方形为您提供 3 个等式）。然而，你构建的方程式越多，你获得的准确性就越高。
如何求解方程个数多于变量个数的线性方程组？使用 Batch-LSE。您可以在 Neuro-Fuzzy-and-Soft-Computing-Jang-Sun-Mizutan 书籍或任何在线资源中找到有关它的详细信息。
找到 9 个变量后，您就有了一个颜色校正矩阵。只需将它应用到新相机的任何图像上，您就会得到一张看起来像旧相机拍摄的图像。如果您想要相反的结果，请改为应用 C^-1。
祝你好运！