《The Plant Phenome Journal》：A systematic color correction pipeline for controlled-environment imaging
编辑推荐：
本文综述了一项针对受控成像环境（如农业、食品检测）的系统性色彩校正(CC)流程研究。该研究提出了一个四步校正流水线，集成了平场校正(FFC)、伽马校正(GC)、白平衡(WB)校正和基于机器学习（线性、偏最小二乘PLS、神经网络NN）的色彩映射(CM)步骤。研究发现，照明质量和背景选择对色彩准确性至关重要，其中神经网络结合二次多项式扩展的CM方法表现最佳，可显著降低感知色差(CIEDE2000)。作者还提供了开源Python工具包和交互式用户界面，旨在弥合先进色彩校正方法与实际常规应用之间的差距，为需要高保真色彩分析的领域提供了可重复、易用的解决方案。
在科学研究和工业应用中，准确、客观的色彩分析不可或缺。特别是在园艺作物中，产品颜色直接影响其市场价值和消费者偏好。虽然数字成像技术已被广泛采用，但缺乏标准化协议、照明不均、相机特性差异以及背景干扰等因素，常常导致图像色彩与真实色彩存在显著差异，这严重影响了基于颜色的质量评估、成熟度判断和供应链管理决策。
为了应对这些挑战，本研究开发并验证了一个用于受控成像环境的系统性、逐步执行的色彩校正(CC)流程。该流程的核心是一个四步流水线，依次包括：平场校正(FFC)、伽马校正(GC)、白平衡(WB)校正和色彩映射(CM)。FFC首先通过拍摄空白白板图像并拟合二维五次多项式表面，来校正由镜头渐晕、照明几何形状和非均匀性导致的空间乘性偏差。GC则采用一种与相机无关的图表法，将相机的伽马编码输出转换为线性表示，为后续步骤提供正确的数据域。WB利用色彩校正图表中的中性色块计算缩放因子，以消除光源引入的色偏。最后，CM阶段使用机器学习回归模型，将经过前述步骤处理的图像RGB值映射到标准色彩参考值。研究比较了多种CM方法，包括传统的全局最小二乘法(Conv.)、线性回归、偏最小二乘(PLS)回归和神经网络(NN)回归，并测试了不同阶数的多项式扩展对性能的影响。
研究对成像环境的关键变量进行了系统测试。在照明评估方面，测试了四种LED光源（标称为D50和D65）。测量发现，并非所有光源都符合其标称规格，其中两种高质量光源（Illuminant 2和3）的相关色温(CCT)、显色指数(CRI)更接近标准值，能提供更好的初始色彩再现。尽管如此，应用提出的CC流程后，所有四种光源下的图像色彩差异(CIEDE2000)均显著降低（p ≤ 0.05），表明该流程即使在次优照明下也能有效工作。在照明位置测试中，比较了37°、45°角度照明和顶部安装的区域照明。未校正时，常见的45°几何结构能产生相对较好的图像；但当结合FFC后，顶部照明配置实现了最低的CIEDE2000和均方误差(MSE)，成为校正后色彩保真度最佳的选择。
成像环境材料也被证明至关重要。研究评估了不同背景色（黑、白、灰、绿、蓝）和侧壁（黑色棉布或白色PTFE板）的影响。结果显示，漫反射白色背景和侧壁能产生最好的色彩保真度，而彩色背景和墙壁会导致色彩污染和保真度下降。
关于色彩映射方法，神经网络(NN)模型在结合二次多项式扩展时， consistently outperformed 其他方法，在测试图像上产生了最低的CIEDE2000值，并且对高阶多项式过拟合表现出更强的鲁棒性。分析还发现，对于传统的Conv.方法，进行GC和WB预处理能显著提升性能；而对于线性、PLS和NN方法，在本次受控设置中，GC和WB的增益不明显甚至可能轻微降低性能，这表明这些更先进的模型能够在一定程度上隐式学习并补偿这些因素。然而，当测试其他相机系统时，完整的预处理流程仍被推荐以确保普适性。
管道步骤的贡献是循序渐进的。数据显示，FFC虽然对整体色彩误差的降低贡献看似不大（主要作用是提高空间均匀性），但GC和WB步骤带来了显著的CIEDE2000下降。完整的四步流程显著优于单独使用传统CC方法。
该研究还将流程应用于多种水果样本（白葡萄、红葡萄、康科德果汁葡萄、红树莓）的成像。结果显示，提出的流程使不同光源下拍摄的水果颜色看起来更加一致，即使原始照片因光源差异而显示出很大不同。这证明了该流程在提高实际样品颜色测量一致性方面的潜力。
为了促进方法的可重复性和广泛应用，研究者提供了完整的开源资源，包括实现该流程的Python软件包、交互式桌面用户界面(UI)、Docker镜像以及所使用的数据集。这些资源使其他研究者能够复现分析结果，并轻松地将该流程适配到其他受控成像任务中。
综上所述，这项研究提出并验证了一个强大、系统化的色彩校正流程，它通过优化硬件设置（照明与背景）和采用先进的软件算法（特别是基于神经网络的色彩映射），显著提高了数字图像在受控环境下的色彩再现和测量准确性。该工作有助于在复杂的色彩校正方法与实际、常规的应用之间搭建桥梁，为农业、食品科学、质量监控等依赖高保真色彩信息的领域提供了宝贵的工具和见解。
