颜色恒常性计算是一个多学科交叉性很强的研究课题,融合了计算机视觉、信号处理、人工智能和认知科学等学科的相关技术,用于解决计算机视觉中的物体识别、对象跟踪、视频监控、图像检索等问题。目前的颜色恒常性计算算法虽然对于特定的图像能够得到比较好的结果,但是还没有一个算法能够满足各种自然图像的颜色恒常性计算要求。针对不同的成像场景,大量不可预测的图像集,如何根据图像的物理特征选择最适合该图像的颜色恒常性算法或者算法的融合是颜色恒常性计算的又一个重要研究方向。为解决上述问题,本文给出了一种基于贝叶斯推理的颜色恒常性计算算法。本文的主要研究工作如下:(1)研究了色度学的基础理论和一些经典的颜色恒常性计算算法,对各个算法的优缺点进行了分析和比较。(2)给出了基于贝叶斯推理的颜色恒常性计算算法,该算法运用威布尔(weibull)分布对图像底层特征进行统计,根据贝叶斯(Bayesian)推理得到选择各个单一算法的概率。并根据计算结果给出了两种光照估计方案:一种是选择概率值最大的单一算法进行光源估计(单一算法选择);一种是根据概率值的大小按各个算法所占的权重计算估计光源(算法融合)。(3)最后给出了算法的详细实现步骤以及算法流程图,介绍了用于该实验的图像数据集,对本文提出的算法进行了实验,并对实验数据结果进行了客观地分析与说明,与现有算法进行比较和总结,并给出了实验结果的图像校正实例。通过对大量的自然图像(11000多幅)进行测试的实验结果表明,本文提出的算法能够满足大量真实图像集的要求,能够根据不同的成像场景选择合适的算法,并将这些算法融合起来,得到图像的光源估计。该算法计算复杂度低,快捷有效,具有较好的通用性,并且比现有的很多颜色恒常性算法具有更好的性能。