色彩規范化是計算機視覺中有關人工色彩視覺和物體識別的一個主題。一般來說，圖像中顏色值的分布取決于光照，而光照可能因照明條件、相機和其他因素而不同。色彩正常化允許基于色彩的物體識別技術對這些變化進行補償。

色彩恒定性是人類內部感知模型的一個特征，它為人類提供了即使在不同的光照條件下也能為物體分配相對恒定的顏色的能力。這對于物體的識別以及環境中光源的識別很有幫助。例如，當太陽很亮或太陽很暗時，人類看到的物體顏色大致相同。

在機器人學、生物信息學和一般人工智能領域，當需要從圖像中去除所有強度值而保留顏色值時，顏色歸一化已被用于彩色圖像上的物體識別。其中一個例子是監控攝像機在一天內拍攝的場景，重要的是去除相同顏色像素上的陰影或光照變化，并識別通過的人。另一個例子是用于檢測糖尿病視網膜病變的自動篩查工具，以及癌癥狀態的分子診斷，在這種情況下，在分類過程中包含顏色信息是很重要的。另一個常用顏色歸一化的領域是病理學，更確切地說，是數字病理學，組織學切片的數字化顯微圖像可以被染色，最常見的程序之一是H&E染色。試劑、溫度、染色條件、制備程序和圖像采集等幾個因素的差異會導致顏色的變化。在這些情況下，歸一化是很重要的，但歸一化會對分類方法產生影響。

關于某些顏色歸一化應用的主要問題是，最終的結果看起來不自然或與原始顏色太遠。在重要方面存在微妙變化的情況下，這可能是個問題。更具體地說，副作用可能是像素變得分歧，不能反映圖像的實際顏色值。解決這個問題的方法是將顏色歸一化與閾值處理結合起來，正確而一致地分割彩色圖像。

有大量不同的變換和算法來實現顏色歸一化，這里介紹一個有限的列表。算法的性能取決于任務，一種算法在一項任務中比另一種算法表現得更好，在另一項任務中可能表現得更差（沒有免費午餐定理）。此外，算法的選擇還取決于用戶對最終結果的偏好，例如，他們可能想要一個更自然的彩色圖像。

灰色世界歸一化的假設是，照明光譜的變化可以通過應用于顏色的紅、綠、藍通道的三個恒定系數來模擬。更具體地說，照明顏色的變化可以被模擬為R、G和B顏色通道中的比例α、β和γ，因此灰色世界算法對照明顏色變化是不變的。因此，一個恒定的解決方案可以通過將每個顏色通道除以其平均值來實現，如以下公式所示。

如上所述，灰色世界的顏色歸一化對照明的顏色變化α、β和γ是不變的，但是它有一個重要的問題：它沒有考慮到所有的照明強度變化，而且它不是動態的；當場景中出現新的物體時，它就失效了。為了解決這個問題，有幾種灰色世界算法的變體。此外，還有一種灰色世界歸一化的迭代變體，但是沒有發現它的性能明顯更好。

直方圖均衡化是一種非線性變換，它可以保持像素等級，并且能夠對任何單調增加的顏色變換函數進行歸一化。它被認為是一種比灰色世界方法更強大的歸一化轉換。直方圖均衡化的結果往往有一個夸張的藍色通道，看起來很不自然，這是由于在大多數圖像中，像素值的分布通常更類似于高斯分布，而不是均勻分布。