Coincidencia de histograma para unificar el color - Unificación tonal entre múltiples imágenes

Qué es la coincidencia de histograma - Hacer que el tono de una imagen coincida con otra

La coincidencia de histograma (también llamada especificación de histograma) ajusta la distribución de brillo/color de una imagen para que sea igual a la de una imagen de referencia. Permite que dos imágenes tomadas en condiciones diferentes tengan un estilo visual consistente.

Escenarios de aplicación:

• Panoramas: fotos adyacentes tomadas con diferentes exposiciones necesitan unificación tonal antes de la unión sin costuras
• Estabilización de vídeo: el parpadeo de brillo entre fotogramas consecutivos se elimina mediante coincidencia
• Imágenes satelitales: imágenes satelitales tomadas en diferentes momentos/estaciones necesitan normalización cromática para el análisis comparativo
• Corrección de color cinematográfica: unificar el tono de diferentes escenas al estilo de un plano de referencia

Principio matemático de la coincidencia de histograma

La coincidencia de histograma se implementa mediante el mapeo inverso de la CDF (función de distribución acumulada). Se mapea la CDF de la imagen fuente a la CDF de la imagen de referencia.

Pasos del algoritmo:

• Calcular el histograma y la CDF de la imagen fuente
• Calcular el histograma y la CDF de la imagen de referencia
• Para cada nivel de gris s de la imagen fuente, encontrar el nivel de gris r de la imagen de referencia cuyo valor de CDF sea el más cercano
• Construir la tabla de mapeo: s → r
• Aplicar la tabla de mapeo para transformar todos los píxeles de la imagen fuente

Comprensión intuitiva: la ecualización mapea el histograma a una distribución uniforme; la coincidencia mapea el histograma a cualquier distribución especificada (la distribución de la imagen de referencia). La ecualización es un caso especial de la coincidencia (donde la distribución de referencia es uniforme).

Implementación de coincidencia de histograma en imágenes a color

La coincidencia de histograma en imágenes a color debe realizarse en un espacio de color adecuado para evitar desviaciones cromáticas.

Método uno: coincidencia independiente por canal

• En el espacio de color LAB, realizar la coincidencia de histograma por separado en los tres canales L, a, b
• El canal L coincide con la distribución de brillo, los canales a/b con la distribución de color
• Simple pero puede producir combinaciones de color no naturales

Método dos: coincidir solo la luminancia

• Realizar la coincidencia solo en el canal de luminancia (L o Y), manteniendo el color de la imagen fuente sin cambios
• Adecuado para escenarios donde solo se necesita unificar la exposición/brillo manteniendo el color único de cada imagen

Método tres: transferencia de color (Reinhard)

• En el espacio LAB, ajustar la media y la desviación estándar de cada canal de la imagen fuente para que coincidan con la imagen de referencia
• Más suave y natural que la coincidencia píxel a píxel, pero con menor precisión

scikit-image: from skimage.exposure import match_histograms; matched = match_histograms(source, reference, channel_axis=-1)

Estrategias de unificación de color para múltiples imágenes

Cuando se necesita unificar el tono de un conjunto de imágenes (como secuencias panorámicas, time-lapse, catálogos de productos), es necesario elegir una referencia y una estrategia de coincidencia adecuadas.

Selección de imagen de referencia:

• Selección manual: elegir la imagen con la exposición y el color más ideales como referencia
• Composición de mediana: calcular el histograma mediano de todas las imágenes como referencia, evitando la influencia de valores extremos
• Coincidencia progresiva: las imágenes adyacentes se coinciden secuencialmente, evitando grandes ajustes en coincidencias a larga distancia

Estrategias de procesamiento por lotes:

• Referencia global: todas las imágenes se coinciden con la misma referencia. Simple pero las imágenes alejadas de la referencia requieren grandes ajustes
• Coincidencia en cadena: cada imagen se coincide con la anterior. Ajustes pequeños pero los errores pueden acumularse
• Coincidencia por grafo: construir un grafo de similitud entre imágenes, cada una se coincide con la imagen procesada más similar

Procesamiento de consistencia cromática en vídeo

Las fluctuaciones de brillo y color entre fotogramas adyacentes (parpadeo) en un vídeo afectan gravemente la experiencia de visualización. La coincidencia de histograma puede usarse para la estabilización cromática entre fotogramas.

Causas del parpadeo entre fotogramas:

• Retardo en el ajuste de la exposición automática
• Parpadeo de la fuente de luz (como el parpadeo de 50/60 Hz de los fluorescentes)
• Cambios de iluminación por nubes que cubren el sol

Métodos de procesamiento:

• Coincidencia entre fotogramas adyacentes: cada fotograma se coincide con el anterior, eliminando cambios bruscos. Pero en secuencias largas puede haber deriva
• Promedio de ventana deslizante: usar el histograma promedio de los N fotogramas anteriores y posteriores como referencia, para una transición suave
• Referencia por fotogramas clave: seleccionar fotogramas clave como referencia, los demás se coinciden con el fotograma clave más cercano

Procesamiento en tiempo real: el procesamiento de vídeo requiere una implementación eficiente. Usando tablas de consulta (LUT) precalculadas para el mapeo, cada fotograma solo necesita una operación de consulta, permitiendo el procesamiento en tiempo real.

色補正やカラーグレーディングの書籍は Amazon でも入手できます

Implementación y herramientas - Pipeline de coincidencia de histograma en Python

Construcción de un pipeline completo de coincidencia de histograma usando Python, desde la coincidencia de una sola imagen hasta el procesamiento por lotes.

Implementación básica:

• Implementación manual con NumPy: calcular CDF → construir tabla de mapeo → aplicar mapeo
• scikit-image: match_histograms(source, reference, channel_axis=-1) completa en una línea
• OpenCV: no tiene función integrada, requiere implementación manual o usar cv2.LUT para aplicar la tabla de mapeo

Script de procesamiento por lotes:

• Leer la imagen de referencia, calcular el histograma de referencia
• Recorrer todas las imágenes fuente, coincidirlas una a una y guardar
• Se puede paralelizar (multiprocessing) para acelerar tareas de gran volumen

Verificación de calidad:

• Después de la coincidencia, comparar los histogramas de la imagen fuente y el resultado para confirmar que las distribuciones están alineadas
• Inspección visual: confirmar que el color es natural, sin artefactos evidentes
• Calcular la distancia del histograma antes y después de la coincidencia (como Earth Mover Distance) para cuantificar el efecto