Comment utiliser au mieux une caméra couleur en Corrélation d'Images Numériques (CIN) sans convertir les images en niveaux de gris ? Les images considérées sont celles issues de caméras dont les capteurs, agencés suivant une matrice de Bayer, peuvent être vues comme un champ vectoriel à trois composantes RGB (Rouge, Vert, Bleu) en chaque pixel. La CIN s'appuie sur une mesure de la différence entre deux images, (par exemple une image de référence et une image déformée corrigée du champ de déplacement recherché), et de nombreux travaux ont été consacrés à des métriques colorimétriques. Cependant, ces métriques sont le plus souvent motivées pour reproduire la sensibilité humaine sans objet ici.

Le caractère optimal est à rechercher relativement à l'incertitude dûe au bruit de l'image. Pour qualifier ce bruit il est nécessaire de le caractériser statistiquement. Lorsque son caractère Gaussien est observé, il est nécessaire de caractériser complétement ses corrélations à la fois en espace et selon la dimension de couleur. Pour chaque canal de couleur, il est ainsi illusoire de rechercher une résolution plus fine que la taille de la matrice de Bayer (de 2x2 pixels), car l'interpolation qui serait nécessaire pour atteindre le pixel élémentaire crée des corrélations spatiales qui annulent le bénéfice escompté. Au-delà de deux pixels, il est observé en pratique que ces corrélations spatiales peuvent être négligées. En ce qui concerne la couleur, il est observé que la variance de chaque pixel élémentaire (quelle que soit la couleur) croît en proportion directe de son intensité (après un ajustement de son niveau absolu) comme attendu pour un bruit Poissonien. Ceci permet par le biais d'une transformation de Anscombe, d'uniformiser la variance du bruit. Il reste enfin à étudier les corrélations entre couleurs (R, G et B), par la matrice de covariance qui est observée être non triviale. Cependant sa diagonalisation permet de définir une simple transformation linéaire des couleurs pour laquelle le bruit sera statistiquement indépendant par canal, et d'égale variance. Il découle de ces observations qu'une simple transformation linéaire opérant sur les images couleurs après transformation de Anscombe permet d'obtenir des images affectées d'un bruit blanc (en espace et en couleur) Gaussien. Sur ces images transformées, la métrique de comparaison est une simple norme Euclidienne, qui permet donc de conférer un caractère optimal à cette mesure de similitude pour la CIN couleur.