關於顏色：如何構建測試圖像

前言：本文主要針對企業當中對於顏色測試的樣本構建問題進行探討，試圖從更加系統科學的角度進行闡釋，希望對你有幫助

代表顏色值, 表示光源光譜， 代表物體光譜反射比， 表示感應曲線。那麼，影響顏色值的三要素很清晰，分別是光源，物體和sensor，同樣地，構建測試樣本也應該注意這三個因素，下面我將分別陳述。

1 光源

光源需要儘可能的全面，覆蓋整個色溫曲線及相關色溫的範圍。色溫曲線比較容易確定，即通過在燈箱中測量三個色溫的顏色值然後在坐標中畫出即能夠確定。其餘色溫，可以參考圖1所示[2]進行測量，通常來說，光源宜少不宜多（當然是在滿足基本色溫範圍的情況下）。因為對於AWB的很多演算法來說，訓練光源的增多意味著測試時找錯光源的概率越大。當然，對於特殊場景，可以適當增多，比如專門用於潛水的運動相機，需要測量更高的色溫。有條件的企業可以考慮入手日光模擬器，價格不菲但是這樣可以節約很多調試的時間。

2 物體

很多企業七拼八湊的把不同顏色的物體放在一起就直接進行測試，並沒有系統科學的思維去構建測試物體集，須知，我們是為了檢驗演算法在不同反射比下的效果，反射比種類當然是越多越好，如果不同物體反射比相同或者相似都是不必要的。圖2所示是理論研究中常用到的比較權威的光譜集[1]，們看一下它包含哪些物品：24個Macbeth ColorChecker patches、1269

這樣看可能不夠直觀，我們看一下SFU321數據集所使用的物品，如圖3所示

總結一下，構建一個比較完備的物體集需要的物體有——

色卡：Macbeth Color Checker+Munsell chips+Dupond paint chips；

漫反射人造物體：各種顏色的布+課本等；

高光人造物體：有顏色的膠帶+安全帽等；

自然物體：各顏色水果等；

3 sensor

在科研領域，新加坡國立大學新收集的數據集就是考量了這一點，其認為一個好的演算法在不同sensor相機上得表現也應該是好的，於是相同場景使用八個不同sensor (Canon 1DS Mark ⅢCanon 600D Fujifilm XM1, Nikon D5200, Olympus EPL6, Sony α57and Nikon D40)得到了八個集合，該數據集目前也逐漸成為流行的數據集。

在工業里，每新到一款sensor，IQ人員總要將其在各個場景下拍照，最後得到其適用的參數，所以，在我看來，Tuning，IQ工作的本質就是將硬體和演算法最好的進行適配。這一點倒沒什麼可說的。

總結：

理論研究中的數據集收集的脈絡也是依照此三點因素逐漸齊全的：

考慮室內光源的SFU321——>室內室外光源+更多物體的Grey ball——>開始使用兩個sensor的室內室外數據集Colorchecker——>使用8個sensor的nus數據集

希望本文能夠對企業中關於顏色測試的圖像構建有啟示意義。

Reference

[1] Barnard K, Martin L, Funt B V, et al. A Data Set for Color Research[J]. Color Research and Application, 2002, 27(3): 147-151.

[2] Color temperature