Histogram màu là gì và khác gì so với histogram độ xám?

Histogram màu là biểu đồ thống kê tần suất xuất hiện của các giá trị màu sắc trong không gian màu đa chiều (như RGB, HSV, Lab) của bức ảnh. Khác với histogram độ xám chỉ biểu diễn phân bố cường độ sáng đơn kênh, histogram màu phản ánh phân bố phổ màu và mối tương quan giữa các thành phần màu sắc.

Độ đo giao thoa Histogram Intersection hoạt động như thế nào?

Độ đo giao thoa do Swain và Ballard đề xuất tính tổng giá trị cực tiểu giữa các bin tương ứng của hai histogram rồi chia cho tổng số pixel của ảnh mẫu. Phương pháp này cho phép so sánh độ tương đồng màu sắc hiệu quả, đồng thời có khả năng bù trừ hiện tượng vật thể bị che khuất một phần hoặc thay đổi tỷ lệ kích thước.

Tại sao histogram màu toàn cục dễ thất bại khi so sánh bố cục không gian?

Histogram màu toàn cục chỉ đếm số lượng điểm ảnh thuộc từng khoảng màu mà hoàn toàn không lưu giữ toạ độ vị trí của các điểm ảnh đó. Do đó, hai bức ảnh có cùng tỷ lệ màu sắc nhưng bố cục hình học đối nghịch nhau vẫn có thể sinh ra histogram giống hệt nhau.

Làm thế nào để histogram màu có khả năng bất biến trước sự thay đổi ánh sáng?

Để giảm thiểu ảnh hưởng của nguồn sáng và bóng đổ, các nhà nghiên cứu áp dụng các không gian màu chuẩn hoá như rgb dưới mô hình bề mặt khuếch tán Lambertian, hoặc sử dụng các không gian màu bất biến l1l2l3 và kênh sắc độ H trong không gian HSV để loại bỏ ảnh hưởng của cả bóng đổ lẫn các điểm phản xạ chói bề mặt.

Histogram màu là gì? Cơ sở toán học và độ đo tương đồng

Histogram màu (color histogram) là biểu đồ phân bố xác suất hoặc tần suất xuất hiện của các giá trị màu sắc bên trong một bức ảnh số hoặc một vùng quan tâm, biểu diễn số lượng pixel tương ứng với từng khoảng màu (bin) xác định trong một không gian màu cụ thể. Khác với biểu đồ lược đồ xám chỉ phản ánh mật độ phân bố cường độ sáng đơn kênh, histogram màu mã hoá thông tin phân bố quang phổ đa chiều độc lập với các phép biến đổi hình học như tịnh tiến và quay mặt phẳng. Bài viết trình bày cơ sở toán học lượng tử hoá không gian màu, các phương pháp trích xuất biểu đồ, độ đo tương đồng và khoảng cách thống kê, các biến thể mở rộng không gian, giải pháp chống nhiễu chiếu sáng và các ứng dụng cốt lõi trong thị giác máy tính.

Cơ sở toán học và biểu diễn histogram màu

Trong xử lý ảnh số, một bức ảnh màu kỹ thuật số kích thước chiều rộng $W$ và chiều cao $H_y$ chứa tổng số $N = W \times H_y$ điểm ảnh. Mỗi điểm ảnh tại toạ độ không gian $(x, y)$ mang một véc-tơ màu sắc nằm trong không gian màu đa chiều. Để xây dựng histogram màu, không gian màu liên tục hoặc rời rạc bậc cao được chia thành tập hợp $K$ khoảng rời rạc rời nhau gọi là các bin màu.

Biểu đồ histogram màu rời rạc được xác định thông qua hàm đếm tần suất xuất hiện của các pixel được gán vào từng bin màu tương ứng:

h(k) = \sum_{x=1}^{W} \sum_{y=1}^{H_y} \delta(q(I(x, y)) - k)

Trong công thức toán học trên, đại lượng $h(k)$ là tần suất xuất hiện số lượng điểm ảnh rơi vào bin màu thứ $k$ , ký hiệu $K$ là tổng số lượng bin màu của biểu đồ với chỉ số $k$ chạy từ 1 đến $K$ , đại lượng $I(x, y)$ biểu thị giá trị véc-tơ màu của điểm ảnh tại toạ độ cột $x$ (hoành độ) và hàng $y$ (tung độ) với $x$ chạy từ 1 đến $W$ và $y$ chạy từ 1 đến $H_y$ , hàm $q(\cdot)$ là toán tử lượng tử hoá không gian màu ánh xạ mỗi véc-tơ màu vào một chỉ số bin nguyên duy nhất, và hàm $\delta$ là hàm delta Kronecker nhận giá trị bằng một khi đối số bằng không và nhận giá trị bằng không trong các trường hợp còn lại.

Để so sánh các bức ảnh có kích thước hình học hoặc độ phân giải khác nhau, biểu đồ histogram tần suất thô được chuẩn hoá thành phân phối xác suất rời rạc:

p(k) = \frac{h(k)}{N} = \frac{h(k)}{\sum_{j=1}^{K} h(j)}

Trong đó $p(k)$ là giá trị xác suất chuẩn hoá của bin màu thứ $k$ thoả mãn điều kiện không âm và tổng xác suất trên toàn bộ $K$ bin màu bằng đúng một, đại lượng $h(k)$ là số lượng điểm ảnh trong bin thứ $k$ , và $N$ là tổng số điểm ảnh của toàn bộ bức ảnh.

Phương pháp lượng tử hoá và lựa chọn không gian màu

Phương pháp phân chia không gian màu và số lượng bin quyết định trực tiếp đến dung lượng bộ nhớ, tốc độ tính toán và độ nhạy cảm của histogram đối với các biến đổi quang học:

Lượng tử hoá không gian màu kết hợp so với lượng tử hoá biên độc lập

Khi trích xuất đặc trưng màu sắc, hai chiến lược lượng tử hoá phổ biến được áp dụng:

Lượng tử hoá kết hợp 3 chiều (joint 3D histogram): Không gian màu được phân chia đồng thời trên cả ba trục toạ độ. Số lượng bin tổng thể bằng tích số của số mức phân chia trên từng kênh màu. Biểu đồ 3D lưu giữ toàn vẹn mối tương quan đồng thời giữa các thành phần màu sắc, mang lại năng lực phân biệt hình ảnh vượt trội nhưng đòi hỏi kích thước lưu trữ lớn và dễ gặp hiện tượng thưa thớt dữ liệu.
Lượng tử hoá biên độc lập (marginal 1D histograms): Mỗi kênh màu được tính toán một biểu đồ histogram riêng biệt rồi ghép nối thành một véc-tơ đặc trưng một chiều với số chiều bằng tổng số mức phân chia của từng kênh. Cách tiếp cận này tiết kiệm bộ nhớ nhưng làm mất hoàn toàn thông tin tương quan đồng thời giữa các kênh màu (ví dụ không thể phân biệt giữa một bức ảnh chứa một nửa số điểm ảnh màu đỏ tươi và một nửa số điểm ảnh màu xanh lục với một bức ảnh chứa một nửa số điểm ảnh màu vàng và một nửa số điểm ảnh màu đen, do phân bố giá trị trên từng kênh riêng lẻ của hai ảnh là hoàn toàn trùng khớp).

Ảnh hưởng của việc lựa chọn không gian màu

Biểu diễn histogram phụ thuộc chặt chẽ vào không gian màu cơ sở:

Không gian màu RGB: Không gian màu thiết bị trực giao cơ bản gồm ba kênh đỏ, lục, lam. Dù trực quan trong hiển thị phần cứng, ba kênh RGB có mức độ tương quan rất cao và cực kỳ nhạy cảm với sự thay đổi của cường độ chiếu sáng và góc nghiêng nguồn sáng.
Không gian màu HSV và HSL: Phân tách kênh độ sắc (Hue), độ bão hoà (Saturation) và giá trị độ sáng (Value). Kênh độ sắc $H$ mang tính chất góc phản ánh bước sóng màu chủ đạo, có tính bất biến tự nhiên trước sự thay đổi của cường độ ánh sáng chiếu tới, cho phép lượng tử hoá chi tiết kênh sắc độ trong khi giảm bớt độ phân giải của kênh độ sáng.
Không gian màu cảm nhận đồng đều CIE Lab và CIE Luv: Được thiết kế dựa trên mô hình thị giác người, trong đó khoảng cách Euclid giữa hai điểm màu phản ánh trực tiếp độ sai biệt màu sắc cảm nhận trực quan. Phân tách kênh độ chói $L^*$ với hai trục màu đối kháng $a^*$ và $b^*$ giúp tối ưu hoá các thuật toán so sánh ảnh trong hệ thống tìm kiếm nội dung.

Độ đo tương đồng và khoảng cách giữa các histogram màu

Để so sánh mức độ tương đồng giữa hai bức ảnh dựa trên histogram màu, các nhà nghiên cứu đã phát triển nhiều hàm khoảng cách và độ đo thống kê:

Độ đo giao thoa biểu đồ histogram

Trong công trình mang tính bước ngoặt khởi đầu cho ngành lập chỉ mục ảnh màu, Swain và Ballard (1991) đã giới thiệu độ đo giao thoa biểu đồ histogram (Histogram Intersection) để đánh giá mức độ tương đồng giữa một ảnh mô hình mẫu và một ảnh truy vấn:

S_{\cap}(I, M) = \frac{\sum_{k=1}^{K} \min(I(k), M(k))}{\sum_{k=1}^{K} M(k)}

Trong phương thức tính toán trên, ký hiệu $S_{\cap}(I, M)$ là giá trị độ tương đồng giao thoa giữa ảnh truy vấn $I$ và ảnh mô hình mẫu $M$ , đại lượng $I(k)$ là giá trị tần suất của bin thứ $k$ trong histogram ảnh truy vấn, $M(k)$ là giá trị tần suất của bin thứ $k$ trong histogram ảnh mô hình mẫu, ký hiệu $K$ là tổng số lượng bin màu, và mẫu số là tổng số lượng điểm ảnh của ảnh mẫu mô hình. Swain và Ballard (1991) đã chứng minh rằng độ đo giao thoa có khả năng bù trừ hiệu quả hiện tượng che khuất một phần (occlusion) và sự thay đổi tỷ lệ kích thước vật thể khi quan sát trên các tập dữ liệu vật thể đa dạng.

Bên cạnh độ đo giao thoa, Swain và Ballard (1991) còn đề xuất thuật toán chiếu ngược biểu đồ histogram (Histogram Backprojection), cho phép gán xác suất thuộc về vật thể mục tiêu cho từng pixel riêng lẻ trong ảnh nền phức tạp, từ đó xác định toạ độ không gian của vật thể cần tìm kiếm.

Khoảng cách Minkowski và khoảng cách Chi-bình phương

Các khoảng cách chuẩn Minkowski bao gồm khoảng cách Manhattan (chuẩn $L_1$ ) và khoảng cách Euclid (chuẩn $L_2$ ). Tuy nhiên, trong phân tích phân phối thống kê, khoảng cách Chi-bình phương ( $\chi^2$ ) thường mang lại kết quả phù hợp hơn do tính đến tỷ trọng tương đối của từng bin:

\chi^2(I, M) = \frac{1}{2} \sum_{k=1}^{K} \frac{(I(k) - M(k))^2}{I(k) + M(k)}

Trong phương trình trên, đại lượng $\chi^2(I, M)$ là khoảng cách Chi-bình phương giữa hai histogram phân phối xác suất chuẩn hoá $I$ và $M$ , đại lượng $I(k)$ và $M(k)$ lần lượt là tần suất xuất hiện của bin màu thứ $k$ trong hai biểu đồ tương ứng, và đại lượng $K$ là số lượng bin màu của biểu đồ.

Khoảng cách người dọn đất

Một nhược điểm cốt tử của các độ đo khoảng cách so sánh từng bin độc lập (như Euclid, giao thoa hay Chi-bình phương) là chúng hoàn toàn bỏ qua khoảng cách ngữ nghĩa giữa các màu sắc khác nhau. Hai màu đỏ tươi và đỏ cam nằm ở hai bin lân cận sẽ bị coi là hoàn toàn xa lạ giống hệt như màu đỏ và màu xanh lam.

Để giải quyết triệt để rào cản này, Rubner, Tomasi và Guibas (2000) đã đề xuất ứng dụng khoảng cách người dọn đất (Earth Mover's Distance - EMD) vào bài toán truy vấn ảnh màu. EMD mô hình hoá việc so sánh hai phân phối màu dưới dạng bài toán vận tải tối ưu Monge-Kantorovich, tính toán lượng công tối thiểu cần thiết để chuyển dịch một phân bố màu này thành một phân bố màu khác:

\text{EMD}(P, Q) = \frac{\sum_{i=1}^{m} \sum_{j=1}^{n} f_{ij} d_{ij}}{\sum_{i=1}^{m} \sum_{j=1}^{n} f_{ij}}

Trong công thức toán học trên, đại lượng $\text{EMD}(P, Q)$ biểu thị khoảng cách người dọn đất giữa hai chữ ký phân phối màu $P$ gồm $m$ cụm màu và $Q$ gồm $n$ cụm màu, ký hiệu $d_{ij}$ là khoảng cách màu sắc cơ sở giữa tâm cụm màu thứ $i$ của $P$ và tâm cụm màu thứ $j$ của $Q$ (thường đo bằng khoảng cách Euclid trong không gian cảm nhận màu đồng đều CIE Lab), và đại lượng $f_{ij}$ là luồng khối lượng màu tối ưu được vận chuyển giữa hai cụm màu, được xác định thông qua giải thuật quy hoạch tuyến tính tối ưu hoá tổng công vận tải. Nghiên cứu của Rubner, Tomasi và Guibas (2000) chứng minh EMD tạo ra độ đo tương đồng mượt mà, phản ánh chân thực cảm nhận thị giác của con người và cho phép so sánh từng phần giữa các ảnh chứa nhiều đối tượng.

Khắc phục nhược điểm thiếu thông tin không gian

Mặc dù histogram màu toàn cục có tính bất biến mạnh mẽ trước các phép quay và biến dạng phối cảnh, nhược điểm cốt lõi của nó là hoàn toàn đánh mất cấu trúc hình học và vị trí không gian của các điểm ảnh. Hai bức ảnh có cùng tỷ lệ phân bố màu sắc nhưng bố cục hình học khác nhau sẽ tạo ra hai histogram màu hoàn toàn trùng khớp nhau.

Véc-tơ cố kết màu

Để bổ sung thông tin bố cục không gian mà vẫn giữ được tính gọn nhẹ của biểu đồ histogram, Pass, Zabih và Miller (1996) đã đề xuất phương pháp véc-tơ cố kết màu (Color Coherence Vector - CCV). Trong phương pháp này, mỗi bin màu thứ $k$ được phân tách thành hai thành phần riêng biệt:

Pixel cố kết (coherent pixel): Các điểm ảnh màu thuộc về một vùng liên thông cùng màu có diện tích lớn hơn hoặc bằng một ngưỡng diện tích tới hạn $\tau$ . Ngưỡng diện tích này thường được thiết lập là 1% tổng số điểm ảnh của bức ảnh.
Pixel không cố kết (incoherent pixel): Các điểm ảnh màu rải rác hoặc nằm trong các thành phần liên thông nhỏ hơn ngưỡng diện tích tới hạn $\tau$ .

Theo đó, mỗi bin màu được biểu diễn bằng một cặp giá trị $(\alpha_k, \beta_k)$ với $\alpha_k$ là số lượng pixel cố kết và $\beta_k$ là số lượng pixel không cố kết, thoả mãn điều kiện tổng $\alpha_k + \beta_k = h(k)$ . Nhờ phân biệt được giữa các mảng màu liền khối lớn và các đốm màu nhiễu hạt li ti, kết quả thực nghiệm của Pass, Zabih và Miller (1996) cho thấy CCV cải thiện đáng kể năng lực phân biệt và độ chính xác truy vấn so với histogram màu truyền thống trên tập dữ liệu ảnh kiểm thử.

Phân hoạch không gian và biểu đồ Spatiogram

Ngoài véc-tơ cố kết màu, các kỹ thuật bổ sung toạ độ không gian khác bao gồm:

Histogram phân hoạch lưới không gian (grid-based partition): Bức ảnh được chia thành các ô lưới hình học cố định, sau đó trích xuất biểu đồ histogram màu cục bộ trên từng ô rồi ghép nối lại thành véc-tơ tổng hợp.
Biểu đồ toạ độ màu không gian (Spatiogram): Mở rộng biểu đồ histogram bằng cách lưu thêm toạ độ trung bình $\mu_k$ và ma trận hiệp phương sai không gian $\Sigma_k$ của các điểm ảnh thuộc về từng bin màu $k$ , cung cấp mô tả trực tiếp về vị trí trung tâm và hình dạng phân bố không gian của từng khối màu.

Bất biến màu sắc trước biến đổi chiếu sáng

Một thách thức lớn trong việc ứng dụng histogram màu là độ nhạy cảm trước sự biến thiên của điều kiện chiếu sáng môi trường. Khi cường độ nguồn sáng thay đổi hoặc xuất hiện bóng đổ và phản xạ chói, phân bố màu trên các kênh RGB sẽ bị dịch chuyển nghiêm trọng.

Trong công trình nghiên cứu sâu về nhận dạng vật thể dựa trên màu sắc, Gevers và Smeulders (1999) đã khai thác mô hình phản xạ lưỡng sắc của Shafer để phân tích các thành phần phản xạ thân và phản xạ bề mặt:

Gevers và Smeulders (1999) đã chứng minh các mô hình toạ độ màu bất biến sau:

Toạ độ màu chuẩn hoá rgb: Được xác định bằng tỉ số giữa từng kênh màu trên tổng ba kênh ( $r = R/(R+G+B)$ , $g = G/(R+G+B)$ ). Gevers và Smeulders (1999) chứng minh trên phương diện lý thuyết rằng các toạ độ này bất biến trước hướng chiếu sáng, hướng bề mặt và hiện tượng bóng đổ (shading) đối với vật thể bề mặt phản xạ khuếch tán Lambertian dưới nguồn sáng trắng. Tuy nhiên, trên ảnh thực tế, toạ độ chuẩn hoá bị mất ổn định nghiêm trọng tại các vùng tối sâu khi tổng ba kênh tiệm cận không do hiện tượng kỳ dị toán học và nhiễu cảm biến, đồng thời không có tính bất biến trước các điểm phản xạ chói bề mặt.
Không gian màu bất biến $l_1l_2l_3$ và sắc độ $H$ : Để loại bỏ ảnh hưởng của các điểm chói bề mặt, Gevers và Smeulders (1999) chứng minh rằng các tổ hợp màu phi tuyến $l_1l_2l_3$ cũng như góc sắc độ $H$ trong không gian HSV có tính chất bất biến trắc quang trước cả hiện tượng bóng đổ lẫn các điểm phản xạ chói (specular highlights) dưới ánh sáng trắng, cho phép hệ thống nhận dạng vật thể duy trì độ tin cậy trong môi trường quang học phức tạp.

Tổng kết toàn diện về chặng đường phát triển của các hệ thống truy vấn ảnh dựa trên nội dung, Smeulders và cs. (2000) đã chỉ ra rằng việc kết hợp các không gian màu bất biến với các chiến lược phân hoạch không gian là con đường tất yếu để thu hẹp khoảng cách ngữ nghĩa giữa đặc trưng điểm ảnh mức thấp và cảm nhận nhận thức mức cao của con người.

Bảng đối sánh các phương pháp biểu diễn phân bố màu

Bảng tổng hợp dưới đây phân tích so sánh các kỹ thuật biểu diễn phân bố màu sắc chủ đạo trong thị giác máy tính:

Phương pháp biểu diễn	Thông tin không gian	Độ phức tạp tính toán	Độ bất biến chiếu sáng	Ưu điểm và ứng dụng chính
Histogram RGB toàn cục	Hoàn toàn không có	Rất thấp, tính toán tức thời theo thời gian thực	Rất kém, nhạy cảm với bóng đổ và thay đổi ánh sáng	Cực kỳ gọn nhẹ, phân loại ảnh nhanh, trích xuất đặc trưng sơ bộ
Histogram HSV / HSL	Hoàn toàn không có	Thấp, yêu cầu biến đổi toạ độ màu phi tuyến	Tốt trên kênh sắc độ $H$ trước biến thiên cường độ sáng	Theo dõi màu sắc mục tiêu trong video, phát hiện vùng da người
Véc-tơ cố kết màu CCV	Có thông tin phân cụm diện tích liên thông cục bộ	Trung bình, yêu cầu gán nhãn thành phần liên thông	Phụ thuộc vào không gian màu cơ sở được lựa chọn	Phân biệt ảnh cùng phân bố màu nhưng khác cấu trúc bố cục mảng màu
Histogram lưới không gian	Có toạ độ vị trí thô theo từng ô lưới hình học	Trung bình, tăng kích thước véc-tơ theo số ô lưới	Phụ thuộc vào không gian màu cơ sở	Phân loại cảnh tự nhiên, nhận dạng ảnh phong cảnh và tài liệu
Biểu đồ chữ ký kết hợp EMD	Mềm dẻo theo các cụm phân bố màu đa chiều	Cao, giải bài toán quy hoạch tuyến tính tối ưu	Phụ thuộc vào không gian màu cơ sở; không gian CIE Lab mang lại tính đồng đều cảm nhận trực quan chứ không có tính bất biến trắc quang tự nhiên trước biến thiên chiếu sáng	Truy vấn ảnh tương đồng chất lượng cao, khớp mẫu ảnh từng phần

Ứng dụng thực tiễn trong thị giác máy tính và phân tích dữ liệu ảnh

Histogram màu đóng vai trò là một trong những đặc trưng nền tảng được ứng dụng sâu rộng trong nhiều bài toán thực tế:

Truy vấn ảnh dựa trên nội dung (CBIR): Đóng vai trò là chỉ mục tìm kiếm hình ảnh tương đồng trong các kho dữ liệu đa phương tiện quy mô lớn, cho phép người dùng tìm kiếm hình ảnh có bảng màu hoặc chủ đề màu tương tự như ảnh truy vấn mà không cần gán nhãn văn bản thủ công.
Theo dõi đối tượng chuyển động trong video: Thuật toán Mean-Shift và CamShift sử dụng histogram màu để xây dựng mô hình phân bố xác suất của đối tượng mục tiêu. Nhờ tính bất biến với biến dạng hình học và biến đổi góc quay, thuật toán theo dõi thời gian thực đối tượng di chuyển liên tục qua các khung hình video giám sát an ninh.
Phát hiện và phân đoạn vùng da người: Bằng cách xây dựng biểu đồ histogram màu trong không gian sắc độ $YC_bC_r$ hoặc HSV trên tập dữ liệu mẫu, hệ thống có thể phân tách nhanh vùng da người độc lập với chủng tộc, hỗ trợ các thuật toán nhận diện khuôn mặt, phát hiện cử chỉ bàn tay và kiểm duyệt nội dung tự động.
Phát hiện chuyển cảnh video (shot boundary detection): Tính toán độ sai biệt histogram màu giữa các khung hình liên tiếp cho phép phát hiện chính xác thời điểm cắt cảnh đột ngột (hard cut) hoặc hiệu ứng chuyển cảnh mờ dần (dissolve/fade) trong biên tập video tự động.

Các hạn chế cố hữu và xu hướng phát triển hiện đại

Mặc dù là công cụ đắc lực trong xử lý ảnh truyền thống, histogram màu đối mặt với những giới hạn kỹ thuật nội tại:

Bùng nổ số chiều và hiện tượng dữ liệu thưa thớt

Khi gia tăng số lượng bin để đạt độ phân giải màu sắc cao hơn trong các không gian màu 3 chiều, số chiều của véc-tơ đặc trưng tăng theo hàm số mũ. Hiện tượng này không chỉ đòi hỏi dung lượng bộ nhớ lớn mà còn dẫn đến hiện tượng suy giảm hiệu quả của các độ đo khoảng cách hình học trong không gian nhiều chiều.

Độ nhạy cảm với bóng đổ và vùng tối phức tạp

Trong các vùng ảnh có cường độ chiếu sáng cực thấp (vùng bóng tối sâu) hoặc cực cao (vùng bão hoà chói trắng), các kênh màu sắc bị suy biến nghiêm trọng, khiến độ sắc trở nên bất ổn định và làm sai lệch phân bố của biểu đồ histogram.

Sự tích hợp với mạng nơ-ron học sâu và mô hình hiện đại

Trong kỷ nguyên thị giác máy tính hiện đại, các đặc trưng học sâu trích xuất từ mạng nơ-ron tích chập (CNN) đã thay thế phần lớn các đặc trưng thủ công toàn cục. Khảo sát toàn diện về các kỹ thuật truy vấn ảnh dựa trên nội dung sử dụng học sâu, Kapoor và cs. (2021) phân tích rằng sự kết hợp giữa các đặc trưng thủ công như histogram màu với các véc-tơ đặc trưng trích xuất từ mạng nơ-ron tích chập mang lại biểu diễn bổ trợ hiệu quả, giúp bù đắp sự nhạy cảm của các bộ lọc tích chập đối với thông tin màu sắc toàn cục. Bên cạnh đó, các biến thể vi phân của biểu đồ histogram (differentiable histogram layer) và hàm mất mát phân bố màu tiếp tục được phát triển trong các bài toán cân bằng màu tự động, chuyển đổi phong cách nghệ thuật và tăng cường ảnh thiếu sáng.