随着信息科学技术的不断发展,数字图像技术已经在军事、农业、交通、航天、体育等众多领域的应用中得到了长足的进步,并显示出巨大的发展潜力。特别是彩色图像处理技术,已经成为机器视觉领域中一个研究热点内容。此外,机器视觉领域中的目标识别技术也在视频会议、安全监控、基于内容的图像视频检索等领域中获得了越来越广泛的应用。在这些应用当中一个很重要的问题就是要解决有关颜色的识别问题。对于机器视觉系统而言,颜色是隶属于物体的一个重要特征,在图像理解和目标识别中有着重要的作用,机器视觉系统在应用颜色信息时,往往需要物体表面光谱反射特性稳定的描述,这就涉及到颜色恒常性的问题。颜色恒常性是指不因外界环境变化而保持对客体颜色知觉不变的能力。针对光源渐变等因素在机器视觉中产生的相关问题,本文提出了一种基于神经网络的颜色恒常性算法。首先设计一个BP神经网络,通过优化网络参数,改进学习算法等克服了传统BP网络易陷入局部最小点、收敛速度慢等缺陷。之后通过合适的训练集对神经网络进行大量训练,得到光照变化前后图像对应像素点之间的映射关系,从而建立起在渐变光照环境下的颜色恒常性模型。这种方法不需要内建约束的自适应模型,对于输入的数据不需要对表面属性做特定假设,拥有自适应、自学习的特点。本文主要创新点在于通过符合人类视觉系统颜色恒常特性的Luv颜色模型表征物体颜色,将机器视觉系统所获得的原始图像颜色信息转化为基于亮度的图像信息和基于颜色的图像信息,将传统的颜色恒常性问题分解成为基于亮度信息的恒常性问题和基于颜色信息的恒常性问题。并且本文还对颜色恒常性的实现机理做出了假设,提出颜色恒常性是由视觉系统处理机子系统通过局部范围交换信息的结果。本文为了检验神经网络模型消除光源渐变因素影响的效果,在自然光照条件下对该模型进行大量的实验验证,实验结果表明,该模型对室内真实环境中渐变日光下颜色的识别表现出较好的颜色恒常性,说明该颜色恒常算法是一种非常有效的方法。