CCM的矩阵_ccm矩阵算法

CCM（Color Correction Matrix）的计算

sensor_RGB空间分别经过M（M =M2*M1）以及 γ(gamma) 校正完成到非线性sRGB空间。

sensorRGB空间我们称之为“源色彩空间"，非线性sRGB空间称之为“目标颜色空间”，目前，我们能够得到源色彩空间的“不饱和图”对应的24色色快，也有非线性sRGB空间的“饱和图”对应的24色色快，

那么，只需要将非线性sRGB空间的图片经过反 γ 校正然后再转换到XYZ空间，

那时就可以和sensorRGB数值联立从而求M，由于M1也是已知的，故可以求得M2

 多项式拟合：

sRGB(线性)=（sRGB(非线性)）^γ 

24矩阵：

sensor_RGB(m*n)*M(n*n)=sRGB线性

假设sensor_RGB是24个色块，每个色块分为3个颜色颜色分量

即矩阵|OriColor|(24*3)*Max(3*3)=|TarColor|(24*3)

关于MTK的CCM

【R，G，B】表示原始图像的每个像素的RGB的值，

【R',G',B'】表示经过CCM校正后后每个像素的RGB值；

M是由C11~C33组成的3*3的矩阵

 

 

 其中C11+C12+C13=1;C21+C22+C23=1;C31+C32+C33=1,

是因为灰色要保证RGB三个分量必须相等，MTK的CCM中设置的是等于512

所以3*3的矩阵又可以用6个数表示，即矩阵自由度从9变为6

矩阵修改方向：

若是提高整体的饱和度，则是C11，C22，C33的值增加，其他的值相应减小

当蓝色偏紫时（红多,红色+蓝色是紫色，红多蓝多），可以减少蓝色通道中的红色分量比例（即降低C13），同时为了满足灰色依旧是灰色，需要增加红色分量，即建议增加 C11红色本身分量，而不是C12，绿色通道中的红色分量；

当绿色偏黄时（红多，红色+绿色是黄色，红多绿多），可以减少绿色通道中的红分量比例（即降低C12），同时为了满足灰色依旧是灰色，需要增加红色分量，即建议增加 C11红色本身分量，而不是C13，蓝色通道中的红色分量；

当红色偏橙时（绿多，红色+绿色是黄色，黄色+红色是橙色，绿多），可以减少红色通道中的绿色分量比例（即降低C21），同时为了满足灰色依旧是灰色，需要增加绿色分量，即建议增加C22 绿色本身分量，而不是C23，蓝色通道中的绿色分量；

当红色偏橙时（蓝少，红色+黄色是黄色，黄色+红色是橙色，红多绿多蓝少），可以增加红色通道中的蓝色分量比例（即增加C31），同时为了满足灰色依旧是灰色，需要增加蓝色分量，即建议降低C33蓝色分量中的蓝色，而不是C32，绿色分量中的蓝色；

肤色偏黄，增加绿色中的蓝分量比例（C32）；

肤色偏红，增加蓝色中的红色分量比例（C13）；

黄色偏红，增加蓝色中的红分量比例（C13），或者减少蓝色中的绿色分量的比例（C23），

黄色偏绿反之

CCM优化算法：

最优化算法有很多可以使用，比如MATLAB中有fmincon函数，Python中可以使用SciPy.optimize.minimize。