人类的视觉系统具有着卓越的颜色恒常性功能,可以消除或减轻因光照变化对场景中物体表面颜色的影响,进而可以帮助人们获得物体表面的真实颜色属性信息。然而,遗憾的是成像设备,如数码相机、智能手机等,却并不具备这种“智能”的颜色调节能力,这会导致所获取的数字图像产生偏色的现象。因此,数字图像颜色校正的研究工作受到了相关领域的广泛关注并有着十分重要的意义。本文通过对无监督的数字图像颜色校正方法和有监督的数字图像颜色校正方法进行研究,借助于标准色卡的颜色信息作为监督学习的训练样本,来对偏色图像进行颜色校正,并从主观评定和客观评定两个方面对实验结果进行评价。本文的主要工作内容如下:1.当场景中的颜色信息匮乏时,灰度世界算法通常会产生过度校正以及算法性能不足的问题。本文在经典的灰度世界算法的基础上,针对上述问题,设计并实现了一种基于标准差加权和图像熵约束的无监督数字图像颜色校正算法。实验结果表明,相较于传统的灰度世界颜色校正算法,该方法具有较好的颜色校正效果,并且性能得到了较为明显的提升。2.通常情况下,需要借助于标准色卡中的颜色信息来获取未知光照条件到标准光照条件之间的颜色映射模型。目前,通常采用人机交互的方式来识别场景中的色卡并提取颜色信息,但这种方式却需要耗费大量的时间和精力。因此,结合SIFT算法的优点,设计并实现一种标准色卡自动识别和颜色信息提取的方法。实验结果表明,该方法可以准确且有效地识别场景中的色卡并提取颜色信息。3.在基于神经网络的有监督数字图像颜色校正方法中,反向传播神经网络（BP）算法训练速度较慢,并且容易陷入局部最优;支持向量回归（SVR）算法的核函数以及其相关参数的选择十分繁琐,仅能依靠经验和不断的尝试来进行调节,并且学习速率相对也比较缓慢。针对上述不足,由于极限学习机（ELM）算法具有参数简单、速度快、多输出以及良好的泛化能力等优点,因此借助于场景中标准色卡的颜色信息作为训练数据,将极限学习机算法引入数字图像的颜色校正工作中。实验结果表明,基于极限学习机的有监督数字图像颜色校正方法不但计算速度快,而且其性能和颜色校正效果要优于基于BP和SVR的颜色校正方法。