1. 算法原理
这三种办法应该是比拟根底的匀色解决算法
三个算法的原理比较简单，具体原理大家能够本人百度
（1）wallis 匀色原理次要在于利用 Wallis 滤波器使原始图像的均值和标准差与参考影像相当，从而使原始影像和参考影像具备相近的色调。
（2）直方图匹配是利用累计散布函数扭转原始影像的直方图，使其与参考影像的直方图形态相近，从而达到匀色目标。
（3）色彩转移最开始是在 Lαβ 色彩空间外面 也是调整均值标准差 起初有人提出在相干色彩空间中进行色彩转移，特地是在罕用的 RGB 色彩空间中，该办法的本质是通过缩放、旋转和平移来挪动原始影像的数据点，以适应 RGB 色彩空间中参考影像的数据点簇（这个数据点簇就是上篇文章外面的三维数据点簇）。集体认为这是从二维（直方图匹配是匹配直方图形态）到三维（RGB 三维色彩空间数据点簇的匹配）的一个演变 上面所说的色彩转移均是 RGB 色彩空间下的数据点簇形态地位匹配
2. 次要处理结果比拟
（1）先看比拟失常的
对于这种地物不太简单的 散布较为平均的 这三种办法成果差不多 都可能让原始影像和参考影像具备相近的色调
（2）这张 有高亮建筑物的 看起来色彩转移技术较靠近 ref 参考图像 然而外面建筑物略微亮一点
（3）ref 参考图像外面 背景变为蓝色 直方图匹配后果失真了 wallis 看起来好点 然而和 ref 还是有差距 色彩转移也是和 ref 有差距 然而相比而言好多了
3 总结
（1）总的来说 wallis 是通过调整一个区域的均值标准差 当区域外面有 均值反差较大的地物时 wallis 解决成果相应来说会差些（所以说很多匀色论文外面的瞻望方向都是未能思考非凡区域比方高亮水域建筑物 暗影等 这些区域应该先辨认再独自解决 这个在武大吉奥的软件 GeoDoging 外面有体现）全局 wallis 适宜解决 地物散布较为平均的影像
（2）直方图匹配个别是拉伸直方图形态 有的尽管使灰度范畴变大 然而容易使两头灰度级失落，产生失真
（3）基于 RGB 相干色彩空间的色彩转移办法 整体来说成果还行 然而没有一种办法是万能的（有一种参考影像是 红色建筑物 + 绿地的武汉市建筑物影像 原图下面是 一层相似暗影的亮度较低的影像 色彩转移解决成果就不好 可能这两张图像差距太大 三维散点图匹配成果不好）
（4）我还试过基于 lab HSV YUV 等色彩空间的这几种办法 都大差不差 没有什么改良意义