本篇論文提出一個數位影像色彩校正與補償的系統。系統的第一個階段採用類神 經網路偵測影像的色彩偏差及亮度偏差。類神經網路的用途在建立一個人工智慧系統，
經由訓練後的類神經網路能模擬人類大腦中神經元架構及行為模式，因此將影像色彩資 訊輸入類神經網路後，可藉由類神經網路判斷輸入的影像是否需要色彩校正，及決定需 要校正的區域。接著在第二階段由模糊系統建立色彩校正補償演算法，模糊系統的邏輯 是模擬人類心智、推理等行為建立的法則，因此模糊系統的邏輯接近人類的思考行為，
藉由模糊系統的推理能力，能更精準地計算校正補償參數，以確實對必須校正的影像進 行處理。
色彩校正補償的部份設計採用模糊系統架構而成。根據模糊系統輸出的結果作為 校正補償時的濾波器係數，然後經由反覆的修正使校正補償後的影像具有更佳的視覺感 觀。同時在色彩補償的部份嘗試加入色偏校正，目的在使校正後的影像具有更佳的視覺 感觀。
在性質上，類神經網路比較相當於人工智慧的硬體架構，而模糊系統則相當於人 工智慧的軟體部份，經由結合類神經網路與模糊系統，可以將類神經網路的學習能力應 用在模糊系統，並將模糊系統的推理應用在類神經網路上，使所建立的系統更符合人工 智慧系統。
類神經網路的偵測效果非常依賴事前的訓練，因此在訓練資料的搜集、影像色彩 特徵的選取都顯得非常重要，同時訓練類神經網路也需要花費相當長的時間。未來的發 展在期望找到更具代表性的特徵向量，以減少訓練類神經網路的時間。此外，調整類神 經網路隱藏層的神經元個數及層數，使神經網路能加快運算及收斂的速度，並提高神經 網路的擴充性也是未來發展的工作之一。
而模糊系統的表現好壞，與歸屬函數、模糊邏輯法則及推理機制有關，因此如何 更正確地建立決定決策的模糊法則，及如何調整初始法則和其歸屬函數，也是本系統重 要的一環。因此另一件未來發展的工作，則是如何藉由類神經網路的適應性來產生模糊
系統的法則，並經由結構、參數的調整來自動調整模糊系統的法則及歸屬函數，以使整 體的系統更為強化。
某些特殊的影像，如在燈會、煙火等活動中所拍攝的影像，由於這類影像在各區 塊間亮度因子的差異往往非常大，就單一區塊的校正結果通常堪稱理想，但組合成整張 影像再經過色彩補償後就可能變得非常不協調。因此未來的發展也期望能針對這類影像 的特性，開發一個更完整的補償演算法，使這類影像在經由校正補償後，可以使人的眼 睛觀看到更多的影像資訊，同時也使影像保有一定程度的視覺感觀效果。
參 考 文 獻
[1] J. Adams, “Interactions between color plane interpolation and other image processing functions in electronic photography,” Proc. SPIE Cameras and System for Electronic Photography and Scientific Imaging, vol. 2416, pp. 144-151, 1995.
[2] T. Kuno, H. Sugiura, and N. Matoba, “New interpolation method using discriminated color correlation for digital still camera,” IEEE Trans. on Consumer Electronics, vol. 45, no. 1, pp.
259-267, Feb, 1999.
[3] D. Cok, “Signal processing method and apparatus for producing interpolated chrominance values in a sampled color image signal,” U.S. Patent 4 642 678, 1987.
[4] T. W. Freeman, “Median filter for reconstructing missing color samples,” U.S. Patent 4 724 395, 1998.
[5] J. Hamilton and J. Adams, “Adaptive color plane interpolation in single sensor color electronic camera,” U.S. Patent 5 629 734, 1997.
[6] R. Kimmel, “Demosaicking: Image reconstruction from color CCD samples,” IEEE Trans. on Image Processing, vol. 7, no. 3, pp. 1221-1228, 1999.
[7] B. S. Hur and M. G. Kang, “High definition color interpolation scheme for progressive scan CCD image sensor,” IEEE Trans. on Consumer Electronics, vol. 47, no. 1, pp. 179-186, Feb. 2001.
[8] B. K. Gunturk, Y. Altunbasak, and R. M. Mersereau, “Color plane interpolation using alternating projections,” IEEE Trans. on Image Processing, vol. 11, no. 9, 2002.
[9] K. Hirakawa and T. W. Parks, “Adaptive homogeneity-directed demosaicing algorithm,” IEEE Trans. on Image Processing, vol. 14, pp. 360-369, Mar. 2005.
[10] H. S. Malvar, L. W. He and R. Cutler, “High-quality linear interpolation for demosaicing of Bayer-patterned color images,” IEEE Int. Conf. Acoustics, Speech and Signal Processing, vol. 3, pp. 485-488, May 2004.
[11] Z. Rahman, D. J. Jobson, G. A. Woodell, and G. D. Hines, “Image enhancement, image quality, and noise,” in Proc. Photonic Devices and Algorithms for Computing VII, SPIE, vol. 5907, 2005.
[12] G. D. Hines, Z. Rahman, D. J. Jobson, G. A. Woodell, and S. D. Harrah, “Real-time Enhanced Vision System,” in Proc. Enhanced and Synthetic Vision 2005, SPIE, vol. 5802, 2005.
[13] R. C. Gonzalez and R. E. Woods, Digital Image Processing, Prentice-Hall, New Jersey, 2002.
[14] 繆紹綱，數位影像處理－運用MATLAB，台灣，東華書局，2005年。
[15] K. Saarinen, “Comparison of decimation and interpolation methods in case of multiple repeated RGB-YCbCr colour image format conversions,” IEEE International Symposium on Circuits and Systems, 1994. ISCAS '94., London, UK, May 30 – Jun. 2, 1994, vol. 3, pp. 269-272.
[16] J. Huang and Y. Wang, “Compression of color facial images using feature correction two-stage vector quantization,” IEEE Trans. on Image Processing, Issue 1, pp. 102-109, Jan. 1999.
[17] E. Land, “An alternative technique for the computation of the designator in the retinex theory of color vision,” Proc. of the National Academy of Science, 83, pp. 3078-3080, 1986.
[18] E. Land, “Recent advance in retinex theory,” Vision Research 26 (1), pp. 7-21, 1986.
[19] D. J. Jobson, Z. Rahman, and G. A. Woodell, “Properties and performance of a center/surround retinex,” IEEE Trans. on Image Processing, vol. 6, no. 3, pp. 451-462, March 1997.
[20] Z. Rahman, D. J. Jobson, and G. A. Woodell, “Retinex processing for automatic image enhancement,” in Proc. Human Vision and Electronic Imaging VII, SPIE Symposium on Electronic Imaging, vol. 4662, pp. 390-401, 2002.
[21] Z. Rahman, D. J. Jobson, G. A. Woodell, and G. D. Hines, “Image enhancement, image quality, and noise,” in Proc. Photonic Devices and Algorithms for Computing VII, SPIE, vol. 5907, 2005.
[22] Gaurav Sharma, Digital Color Imaging Handbook, CRC Press, pp. 269-384, 2002.
[23] IEC/4WD 61966-2-1: Color Measurement and Management in Multimedia System and Equipment – Part 2-1: Default RGB Color Space – sRGB
[24] 林昇甫、洪成安，神經網路入門與圖樣辨識，台灣，全華科技圖書，1996年。
[25] J. Wesley and H. Lefteri, MATLAB supplement to Fuzzy and Neural approaches in engineering, New Work, Wiley-Interscience, 1997.
[26] 王文俊，認識Fuzzy，台灣，全華科技圖書，1997年。
[27] 林宗漢，「使用類神經網路偵測影像色偏及模糊系統修正影像色偏之研究」，國立交通大
學，碩士論文，民國94年7月。
[28] 汪惠健，模糊理論與應用，台灣，台灣培生教育，2006年。