一、引言

i C A M 以F a i r c h i l d 在2 0 0 2 年提出的基本架构和基本处理方法为基础， 该模型将传统色貌模型扩展到包括人眼空间和时间特性， 预测复杂空间刺激的各种色貌知觉。F a i r c h i l d 在这个模型中还描述了i C A M 在色貌属性和色差计算中的表现及精度， 给出同时对比、扩展、勾边、高动态范围图像再现（ 后来基于i C A M 提出了i C A M 0 6 ） 和图像质量计算结果， 对模型扩展到时间域进行了讨论。

包括C I E C A M O 2 以及之前的传统色貌模型， 不能直接应用在图像这种复杂颜色刺激，因为存在下列问题：

① 没有考虑具有复杂空间结构的刺激， 以及人眼在空间域、时间域的视觉特性，不适合图像及视频等应用。

② 这些模型建立过程中使用的色貌和观察环境精度和准确度比实际视觉许可数据和观察环境的限制更复杂， 要求新一代图像色貌模型尽可能简单， 以便于实际应用。

③ 传统色差计算是通过复杂的色差公式， 并且从色貌模型中分离处理， 如建立在色差公式C I E L A B 的基础上C I E 9 4 和C I E D E 2 0 0 0 ， 这些公式虽然在颜色宽容度预测上比C I E L A B 色差公式有很大改进， 但是比现有视觉提供的实验数据允许的条件， 以及实际应用条件更复杂。

二、i C A M 的框架

第一步： 色适应变换。

i C A M 第一步处理是色适应变换。C I E C A M 0 2 中的色适应变换有很好的表现。因此， i C A M 则采用其变换方式。色适应变换是一个带有适应因子F 的线性V o n K r i e s 变换， 从图像锥响应空间R G B 变换到适应后的R C G C B C。利用低通滤波处理， 以预测不同适应程度的色适应结果， 处理后的色度值代表人眼实际感受的色度值。

第二步： 适应后的锥响应R C G C B C 变换到对立色空间I P T 。

适应后的锥响应R C G C B C 需要变换到计算色貌属性的色空间， 这个色空间的选择既考虑到变换的简单，又考虑到均匀性及精确性， 而且要考虑到图像处理中的适用性。图貌模型选择了E b n e r 和F a i r c h i l d 提出的I P T 对立色空间。

从C I E X Y Z 变换到对立色I P T 色空间包括一个线性变换到锥响应空间， 再进行一个指数运算， 最后是一个线性变换。与前面描述的从C I E X Y Z 变换到对立色空间不同的是， 增加了适应亮度F L 用来调节在I P T 变换中的非线性。

第三步： 计算色貌属性。

从I P T 对立色空间得到明度、彩度和色相（J C h）是通过一个直角坐标到柱坐标的标准变换。视明度和视彩度（ Q M ） 通过明度和彩度与亮度适应因子F L 相乘得到，饱和度通过C / J 或M / Q 计算。色差可以在明度-彩度或视明度- 视彩度空间计算。具体计算方程如下：

三、图像色貌模型的实际表现

在前面计算出图像色貌的基础上， 可以进行图像色差、图像质量、H D R 图像再现、预测色貌现象等不同的应用， 但不同应用又包含不同的处理模块。为此，F a i r c h i l d 提出“ 模块式” 结构的概念， 将各种处理作为各种模块， 根据应用选择模块进行组合。

1 . 高动态范围图像的再现

利用i C A M 0 6 型和i C A M 模型再现高动态范围图像。图一为默认参数下， i C A M 模型和i C A M 0 6 模型对2 幅H D R 图像的再现结果。对于三幅图像， 两种模型均是使用默认参数对原始图像进行再现的。其中（ 1 ）（ 2 ） 是“ m l _ p r o b e” 图像的再现结果：（ 3 ）（ 4 ） 是“ v i n e s u n s e t ” 的再现结果： 而（ 1 ）（ 3 ） 是i C A M 模型分别对图像的再现结果，（ 2 ）（ 4 ） 是i C A M 0 6 模型对图像的结果。从图一中， 可以看出（ 2 ）（ 4 ） 的再现效果明显好于（ 1 ）（ 3 ）。

图一 利用i C A M 和i C A M 0 6 模型再现H D R 图像

2 . i C A M 模型对色貌现象的预测

图二 S t e v e n s 效应和H u n t 效应预测

图二是i C A M 模型， 对H u n t 效应和S t e v e n s 效应的预测。通过改变照度L 大小来实现， 图像明度大小的改变。在图二中， ( a ) 的L A = 2 0 c d / m 2 ；( b ) 的L A = 2 0 0 c d / m 2 : ；( c ) 的L A = 2 0 0 0 c d / m 2 ； 。通过人眼视觉主观评价， 我们可以从图二中可以看出， 高亮度水平下图像的视彩度和对比度均有所增大。

四、结束语

总而言之， 需要对传统模型提出革命性改进， 新一代图像色貌模型要具有更广泛的应用， 不仅预测具有复杂空间结构、空间和时间特性的图像及视频色适应和色貌属性， 而且能说明勾边、扩增等色貌现象， 能够计算色差， 能够应用于H D R 图像再现、跨媒体颜色再现和质量评价等。i C A M 必将成为未来颜色科学领域的一个研究热点。