颜色恒常性是指人类视觉系统对物体颜色感知的不变性,而成像系统的成像结果则会随着环境光的变化而变化。如果能赋予计算机颜色感知不变性,可以帮助解决与颜色特性高度相关的图像处理问题。在过往几十年关于计算颜色恒常性的研究中,重点解决单光源、正常照度场景下的颜色恒常问题,而忽略了低照度、不均匀光照等复杂但常见的场景,同时,也缺少与之相关的数据集。为此,本文建立了一个全新的低照度、非均匀光照数据集,并提供标准光源。然后基于眼动实验设计了一个基于亮像素的区域选择算法,提升颜色恒常算法在低照度图像上的性能和鲁棒性。本文创建了一个基于夜间场景的全新颜色恒常相关数据集,创建的数据集的主要特性是低亮度。数据集使用两部不同的相机拍摄,共收集459张线性图片。夜间光源多为路灯、车灯、灯牌等辐射范围有限的局部光源,导致整幅图像光照不均匀,夜间图像会存在大量阴影区域。同时,在夜间成像时相机会使用高感光度（ISO）,夜间图像噪声水平较高。因此,如果直接使用现有颜色恒常算法作用于低照度图像,算法效果将远低于预期。本文方法的研究动机来自于一个颜色恒常性相关的眼动实验,基于该实验,本文以亮度信息为导向,提出了基于区域选择的计算颜色恒常性方法。该方法既能有效剔除原图中的大量高噪声像素点,又能保留局部空间特征。本方法首先利用亮度信息选择图像低噪声、利于光源估计的区域,然后在选定的局部区域上对图像反射率进行约束,在图像上的不同位置计算出多个光源。在多光源估计问题中,本文利用各个像素与多个光源间的空间距离和反射相似性为整幅图像分配光源权重,计算出逐像素点的估计光源。最后,本文不仅在自建低照度数据集上验证该算法的可行性,还分别在公开单光源数据集和多光源数据集进行测试,以说明该方法的普遍适用性。实验结果表明,在使用颜色恒常算法之前先对输入图像进行区域选择,不仅能大幅提高计算颜色恒常性算法性能,还能提升算法鲁棒性。