The term “colour constancy” denotes the human capability to recognise an object as the same entity even if its colours change due to illumination. Implementing such a human capability is highly desirable in computer vision to retrieve, detect, recognise and track objects regardless of the illumination. Many efforts have been made in this direction, leading to several “machine colour constancy” (MCC) algorithms, that is, routines inspired by human colour constancy (HCC) that are aiming to achieve an image representation independent of the light and thus invariant against light changes. Different to HCC, which is subject to illusions and only partially removes illuminant effects, MCC pursues the implementation of a perfect, total removal of light effects from images. Such an implementation represents a major challenge and is therefore a focus of ongoing research. In fact, the currently available MCC algorithms only work under constrained domains. Therefore, a priori knowledge about the image content is needed to choose the most appropriate MCC procedure and to properly set its parameters. Here, we present the main common assumptions underlying most of MCC algorithms. Our work shows that two main issues should be addressed in the future to ensure MCC is more efficacious and useable: first, the lack of a reliable MCC algorithm operating without supervision in multiple scenarios; and second, the difficulty which any user encounters when choosing the MCC procedure most appropriate for a particular application.

中文翻译：

---

机器色彩恒定度：正在进行中

术语“颜色恒定性”表示即使物体的颜色由于照明而改变，人类也能够将其识别为同一实体。在计算机视觉中，无论照明如何，实现这种人类能力都是非常需要的，以检索，检测，识别和跟踪对象。在这个方向上已经做出了许多努力，从而导致了几种“机器颜色恒定性”（MCC）算法，即受人类颜色恒定性（HCC）启发的例程，旨在获得独立于光线的图像表示，因此针对灯光变化。与HCC不同，HCC容易产生幻觉，并且只能部分消除照明效果，因此MCC追求实现完全完全消除图像中的灯光效果。这样的实施是一个重大挑战，因此是正在进行的研究的重点。实际上，当前可用的MCC算法仅在受限域下工作。因此，需要有关图像内容的先验知识以选择最合适的MCC程序并正确设置其参数。在这里，我们介绍了大多数MCC算法的主要共同假设。我们的工作表明，为了确保MCC更加有效和实用，未来应解决两个主要问题：第一，缺乏可靠的MCC算法，在多种情况下都无需监督即可运行；其次，任何用户在选择最适合特定应用的MCC程序时遇到的困难。因此，需要有关图像内容的先验知识以选择最合适的MCC程序并正确设置其参数。在这里，我们介绍了大多数MCC算法的主要共同假设。我们的工作表明，为了确保MCC更加有效和实用，未来应解决两个主要问题：第一，缺乏可靠的MCC算法，在多种情况下都无需监督即可运行；其次，任何用户在选择最适合特定应用的MCC程序时遇到的困难。因此，需要有关图像内容的先验知识以选择最合适的MCC程序并正确设置其参数。在这里，我们介绍了大多数MCC算法的主要共同假设。我们的工作表明，为了确保MCC更加有效和实用，未来应解决两个主要问题：第一，缺乏可靠的MCC算法，在多种情况下都无需监督即可运行；其次，任何用户在选择最适合特定应用的MCC程序时遇到的困难。我们的工作表明，为了确保MCC更加有效和实用，未来应解决两个主要问题：第一，缺乏可靠的MCC算法，在多种情况下都无需监督即可运行；其次，任何用户在选择最适合特定应用的MCC程序时遇到的困难。我们的工作表明，为了确保MCC更加有效和实用，未来应解决两个主要问题：第一，缺乏可靠的MCC算法，在多种情况下都无需监督即可运行；其次，任何用户在选择最适合特定应用的MCC程序时遇到的困难。