CN102768757A - 一种基于图像类型分析的遥感图像色彩校正方法 - Google Patents

Abstract

本发明公开了一种基于图像类型分析的遥感图像色彩校正方法，可用于航天、航空遥感图像的色彩校正，该方法包括以下步骤：对存在色彩失真的彩色遥感图像进行分割；根据彩色遥感图像分割结果中是否存在大面积连通的同质区域，判断彩色遥感图像为地物单一型遥感图像还是地物丰富型遥感图像；对于地物单一型遥感图像，从图像样本库中寻找相同地物类型、同地域的、同季节和成像时间获取的彩色遥感图像，通过训练学习方法实现彩色遥感图像的色彩校正；对于地物丰富型遥感图像，依据彩色遥感图像自身的统计特征实现彩色遥感图像的色彩校正。本发明解决了不同类型遥感图像的色彩校正问题，其适用范围广，色彩校正效果稳定。

Description

一种基于图像类型分析的遥感图像色彩校正方法

技术领域

本发明涉及图像处理技术领域，尤其是一种基于图像类型分析的遥感图像色彩校正方法，可用于航天、航空传感器平台获取的彩色遥感影像的色彩校正。

背景技术

随着空间技术和传感器技术的飞速发展，遥感影像数据已经成为人们获取信息的重要手段，在军事侦察、环境监测、资源调查、土地利用和城市规划等领域发挥越来越重要的作用。然而，受光照条件、大气状况、传感器等诸多因素的影响，成像设备所获取的遥感图像的色彩与被拍摄地物的真实色彩往往存在一定的色偏。而颜色作为直观、易提取的特征，无论对于人工分析判读，还是图像镶嵌、目标检测与识别以及变化检测等计算机辅助处理和解译过程，都具有举足轻重的地位，图像色彩失真难免会影响后续分析和解译结果的正确性和稳定性。面对目前呈指数级增长的海量遥感图像，如何自动、快速、稳定地消除或校正遥感图像的色彩失真，校正地物的真实色彩，成为人们关心和研究的热点问题，也是具有高度挑战性的难点问题。因此，研发自动、实用的遥感图像色彩校正方法，变得尤为迫切和必要。

在图像色彩校正方面，国内外研究者和技术人员已进行了一定的探讨和研究，并取得了初步的成果。其中比较有代表性的遥感软件包括：美国ERDAS公司的ERDAS IMAGINE(匀光功能)和德国INPHO公司的OrthoVista(匀光功能)，这些软件主要适用于图像镶嵌过程中各子图间颜色不一致的应用场合，可改善遥感影像亮度分布不均的状况；通用的商用图像处理软件，主要有Adobe公司的Photoshop(匹配颜色功能)，主要用于将待处理图像的颜色匹配到指定图像上。这些软件需要大量的人工交互和确认操作，包括参数设置、方法选择、是否进行后续增强的选择等，处理结果依赖于操作人员的经验知识或需要通过多次调整参数反复操作，处理过程繁琐，效率不高。随着多平台、多空间分辨率、多时相遥感图像的出现，每天需要处理的遥感图像数据量急剧增加，迫切需要自动、高效的色彩校正技术，而现有的技术在自动化程度、处理速度和稳定性方面难以适应社会发展的需要。

针对遥感图像的色彩失真问题，研究自动、智能、实用的色彩校正方法，改善遥感图像的图像质量，不仅有助于提高图像判读人员的判断效率和判读精度，充分发挥遥感图像的信息服务功能，而且有助于提高遥感图像目标检测、识别以及变化检测等计算机辅助解译的精度，为相关人员做出正确决策提供可靠保障。

发明内容

为了克服现有遥感图像色彩校正技术人工交互繁琐，自动化程度低、主观因素依赖性强的不足，本发明的目的是综合利用图像处理、模式识别和人工智能技术，提供一种自动高效的遥感图像色彩校正方法。

本发明所提出的一种基于图像类型分析的遥感图像色彩校正方法，其特征在于，该方法包括以下步骤：

步骤S1，依据不同类型的地物具有不同的图像特征，而相同的地物类型具有一致的图像特征，对存在色彩失真的彩色遥感图像进行图像分割，将彩色遥感图像分割成不同的区域，得到彩色遥感图像分割结果；

步骤S2，根据所述彩色遥感图像分割结果中是否存在大面积连通的同质区域，判断所述彩色遥感图像为地物单一型遥感图像还是地物丰富型遥感图像；

步骤S3，对于地物单一型遥感图像，基于预先离线建立的图像样本数据库，采用训练学习的方法对存在失真的彩色遥感图像进行色彩校正；

步骤S4，对于地物丰富型遥感图像，根据图像自身的统计特征，对该彩色遥感图像进行色彩校正。

本发明的有益效果是，本发明通过基于图像类型分析的遥感图像色彩校正，结合图像分割、目标分类识别和机器学习技术，解决不同类型遥感图像的色彩校正问题，避免了单一方法难以很好解决各种情况遥感图像色彩校正的困扰。通过对不同类型遥感图像的类型界定，有针对性地解决问题，方法的适用范围广，色彩校正效果稳定。

附图说明

图1为本发明所提出的基于图像类型分析的遥感图像色彩校正方法的流程图。

图2为本发明对地物单一型遥感图像进行色彩校正的流程图。

图3为本发明对地物丰富型遥感图像进行色彩校正的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提供的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1是本发明所提出的基于图像类型分析的遥感图像色彩校正方法的流程图，如图1所示，本发明所提出的基于图像类型分析的遥感图像色彩校正方法包括以下步骤：

步骤S1，对存在色彩失真的彩色遥感图像进行图像分割，将彩色遥感图像分割成不同的区域，得到彩色遥感图像分割结果；

该步骤主要是依据不同类型的地物具有不同的图像特征，而相同的地物类型具有一致的图像特征来对彩色遥感图像进行图像分割。本发明采用Meanshift算法对彩色遥感图像进行初始分割，然后根据区域合并策略，对初始分割结果中颜色较为相近的区域再次进行合并，得到最终的图像分割结果。所述Meanshift算法是现有技术中通用的分割方法，在此不再赘述。

步骤S2，根据所述彩色遥感图像分割结果中是否存在大面积连通的同质区域，判断所述彩色遥感图像为地物单一型遥感图像还是地物丰富型遥感图像；

如果所述彩色遥感图像分割结果中存在大面积连通的同质区域，则该彩色遥感图像为地物单一型遥感图像，否则，该彩色遥感图像为地物丰富型遥感图像。

对于彩色遥感图像分割结果中是否存在大面积连通的同质区域的判断，可通过如下方式实现：

统计彩色遥感图像分割结果中各个区域的面积(像素数)，若某一区域的面积满足下式，则认为彩色遥感图像分割结果中存在大面积连通的同质区域：

其中，T为阈值(0＜T＜1)，本实施例中，可取T＝0.5。

本发明根据彩色遥感图像的类型不同，采用不同的色彩校正策略。

步骤S3，对于地物单一型遥感图像，基于预先离线建立的图像样本数据库，采用训练学习的方法对存在失真的彩色遥感图像进行色彩校正；

所述图像样本数据库预先离线建立，且所述图像样本数据库由多个季节和时间获取的、多个典型地域的、多种典型类型地物的色调均匀、亮度适中的高质量彩色遥感图像组成。

图2为本发明对地物单一型遥感图像进行色彩校正的流程图，如图2所示，所述步骤S3进一步包括以下步骤：

S31，根据所述步骤S1得到的彩色遥感图像分割结果，从所述地物单一型遥感图像中提取出大面积连通的同质区域，作为训练学习的输入样本，所述同质区域所覆盖的地物为所述地物单一型遥感图像的主导型地物，同时判断出所述主导型地物的地域信息、季节信息和时间信息；

步骤S1得到的彩色遥感图像分割结果，与用于分割的彩色遥感图像尺寸大小完全相同，即长、宽像素数均相同，彩色遥感图像分割结果中的每个像素与彩色遥感图像的像素在空间位置上一一对应。

从彩色遥感图像分割结果中找到满足

条件的区域，将该区域中每个像素的空间位置，一一对应到所述地物单一型遥感图像中，实现所述地物单一型遥感图像的大面积连通同质区域的提取。

彩色遥感图像(尤其是卫星遥感图像)在成像过程中，同时在图像相关文件中记录有该图像的成像时间、成像平台星下点位置的经纬度、太阳高度角等参数，可根据这些参数，分析得到该彩色遥感图像(含主导型地物)的成像季节和时间信息，以及地域信息。

对于出现大面积主导型地物的彩色遥感图像，在统计其颜色直方图时，主导型地物相对于彩色遥感图像中其它类型的地物，具有主导作用，往往导致彩色遥感图像的颜色直方图在某个或某些小范围内高度集中，因此难以根据图像的自身特征进行图像的色彩校正，下文所述的基于训练学习的方式，可以借助参照样本有效解决这个问题。

S32，从所述图像样本数据库中搜索与所述地物单一型遥感图像中该主导型地物同地物类型的、同地域、同季节和时间获取的彩色遥感图像，作为训练学习的参照样本；

S33，由所述输入样本和所述参照样本组成训练数据，通过训练学习算法，得到色彩校正模型；

步骤S33中所述的训练学习算法进一步包括以下步骤：

首先从训练数据中提取颜色特征，即分别提取输入样本和参照样本的颜色特征。

本实施例中的颜色特征可采用RGB空间的归一化颜色直方图特征，即分别统计输入样本和参照样本RGB空间的归一化颜色直方图。

设输入样本的颜色通道i(i＝R、G、B)的归一化灰度直方图和参照样本的颜色通道i(i＝R、G、B)的归一化灰度直方图，存在变换关系f_i(·)，使得输入样本的颜色通道i(i＝R、G、B)的归一化灰度直方图，经过f_i(·)变换后，与参照样本的颜色通道i(i＝R、G、B)的归一化灰度直方图完全相同或非常接近。

那么，地物单一型彩色遥感图像的色彩校正模型可表示为：

f(·)＝｛f_R(·)，f_G(·)，f_B(·)}。

S34：根据所述彩色校正模型对所述地物单一型遥感图像进行处理，得到地物单一型遥感图像的色彩校正结果。

根据上述训练学习得到的色彩校正模型f(·)＝｛f_R(·)，f_G(·)，f_B(·)}，对存在色彩失真的地物单一型遥感图像的R、G、B颜色通道分别进行处理，便可实现地物单一型遥感图像的色彩校正。

步骤S4，对于地物丰富型遥感图像，根据图像自身的统计特征，对该彩色遥感图像进行色彩校正。

图3为本发明对地物丰富型遥感图像进行色彩校正的流程图。如图3所示，所述步骤S4进一步包括以下步骤：

步骤S41，对地物丰富型遥感图像进行特征提取；

本实施例中，提取彩色遥感图像在RGB空间的颜色直方图作为该彩色遥感图像的特征。

步骤S42，根据提取出的特征，计算地物丰富型遥感图像色彩校正模型的参数，得到地物丰富型遥感图像的色彩校正模型；

对于地物丰富型彩色遥感图像的RGB通道，分别自动寻找每个颜色通道灰度直方图中有效色阶的最暗点Lmin(i)和最亮点Lmax(i)，其中i＝R、G、B，作为每个通道色彩校正模型的参数；

每个通道的色彩校正模型gR(·)可表示为：

$g_i\left(L\right)=\left[\begin{array}{cc}0,& L<L\min \left(i\right)\\ (L-L\min \left(i\right))*\frac{255}{L\max \left(i\right)-L\min \left(i\right)},& L\min \left(i\right)\&le;L\&le;L\max \left(i\right)\\ 255,& L>L\max \left(i\right)\end{array}\right]$

其中，i取值为R、G、B，L表示地物丰富型遥感图像颜色通道i中某一像素的灰度值，g_i(L)表示地物丰富型遥感图像颜色通道i中像素灰度值为L的该像素的色彩校正结果。

那么，地物丰富型遥感图像的色彩校正模型可表示为：

gf(·)＝{gf_R(·)，gf_G(·)，gf_B(·)}。

步骤S43，根据计算得到的地物丰富型遥感图像的色彩校正模型，对所述地物丰富型遥感图像进行色彩校正处理，得到地物丰富型遥感图像的色彩校正结果。

根据步骤S42得到的地物丰富型遥感图像的色彩校正模型表达式和模型参数，对地物丰富型遥感图像的每个颜色通道分别进行处理，便可实现地物丰富型遥感图像的色彩校正。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于图像类型分析的遥感图像色彩校正方法，其特征在于，该方法包括以下步骤：

步骤S1，依据不同类型的地物具有不同的图像特征，而相同的地物类型具有一致的图像特征，对存在色彩失真的彩色遥感图像进行图像分割，将彩色遥感图像分割成不同的区域，得到彩色遥感图像分割结果；

步骤S2，根据所述彩色遥感图像分割结果中是否存在大面积连通的同质区域，判断所述彩色遥感图像为地物单一型遥感图像还是地物丰富型遥感图像；

步骤S3，对于地物单一型遥感图像，基于预先离线建立的图像样本数据库，采用训练学习的方法对存在失真的彩色遥感图像进行色彩校正；

步骤S4，对于地物丰富型遥感图像，根据图像自身的统计特征，对该彩色遥感图像进行色彩校正。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，首先采用Meanshift算法对彩色遥感图像进行初始分割，然后将初始分割结果中颜色较为相近的区域再次进行合并，得到最终的图像分割结果。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，如果所述彩色遥感图像分割结果中存在大面积连通的同质区域，则该彩色遥感图像为地物单一型遥感图像，否则，该彩色遥感图像为地物丰富型遥感图像。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，对于彩色遥感图像分割结果中是否存在大面积连通的同质区域的判断，通过如下方法实现：

统计彩色遥感图像分割结果中各个区域的面积，即像素数，若某一区域的面积满足下式，则认为彩色遥感图像分割结果中存在大面积连通的同质区域：

其中，T为阈值，0＜T＜1。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3中的图像样本数据库由多个季节和时间获取的、多个典型地域的、多种典型类型地物的色调均匀、亮度适中的高质量彩色遥感图像组成。

6.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤：

S31，根据所述步骤S1得到的彩色遥感图像分割结果，从所述地物单一型遥感图像中提取出大面积连通的同质区域，作为训练学习的输入样本，所述同质区域所覆盖的地物为所述地物单一型遥感图像的主导型地物，同时判断出所述主导型地物的地域信息、季节信息和时间信息；

S32，从所述图像样本数据库中搜索与所述地物单一型遥感图像中该主导型地物同地物类型的、同地域、同季节和时间获取的彩色遥感图像，作为训练学习的参照样本；

S33，由所述输入样本和所述参照样本组成训练数据，通过训练学习算法，得到色彩校正模型；

S34：根据所述彩色校正模型对所述地物单一型遥感图像进行处理，得到地物单一型遥感图像的色彩校正结果。

7.根据权利要求6所述的方法，其特征在于，所述步骤S31中从所述地物单一型遥感图像中提取出大面积连通的同质区域的步骤进一步为：从彩色遥感图像分割结果中找到满足下式的区域，将该区域中每个像素的空间位置，一一对应到所述地物单一型遥感图像中，以对所述地物单一型遥感图像的大面积连通同质区域的提取：

8.根据权利要求6所述的方法，其特征在于，所述步骤S33中的训练学习算法进一步包括以下步骤：

首先从训练数据中分别提取输入样本和参照样本的颜色特征：RGB空间的归一化颜色直方图；

设输入样本的颜色通道i的归一化灰度直方图和参照样本的颜色通道i的归一化灰度直方图，存在变换关系f_i(·)，其中，i＝R、G、B，使得输入样本的颜色通道i的归一化灰度直方图，经过f_i(·)变换后，与参照样本的颜色通道i的归一化灰度直方图完全相同或非常接近；

那么，所述地物单一型彩色遥感图像的色彩校正模型表示为：

f(·)＝｛f_R(·)，f_G(·)，f_B(·)}。

9.根据权利要求8所述的方法，其特征在于，所述步骤S34进一步为根据所述步骤S33得到的色彩校正模型，对存在色彩失真的地物单一型遥感图像的颜色通道分别进行处理，以对地物单一型遥感图像进行色彩校正。

10.根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括以下步骤：

步骤S41，对地物丰富型遥感图像进行特征提取；

步骤S42，根据提取出的特征，计算地物丰富型遥感图像色彩校正模型的参数，得到地物丰富型遥感图像的色彩校正模型；

步骤S43，根据计算得到的地物丰富型遥感图像的色彩校正模型，对所述地物丰富型遥感图像进行色彩校正处理，得到地物丰富型遥感图像的色彩校正结果。

11.根据权利要求10所述的方法，其特征在于，所述步骤S41中，提取所述地物丰富型遥感图像在RGB空间的颜色直方图作为所述特征。

12.根据权利要求11所述的方法，其特征在于，所述地物丰富型遥感图像色彩校正模型的参数包括：所述地物丰富型彩色遥感图像每个颜色通道灰度直方图中有效色阶的最暗点Lmin(i)和最亮点Lmax(i)，其中i＝R、G、B。

13.根据权利要求12所述的方法，其特征在于，所述地物丰富型遥感图像的色彩校正模型表示为：

g(·)＝{g_R(·)，g_G(·)，g_B(·)}，

其中，g_R(·)为每个通道的色彩校正模型：

$g_i\left(L\right)=\left[\begin{array}{cc}0,& L<L\min \left(i\right)\\ (L-L\min \left(i\right))*\frac{255}{L\max \left(i\right)-L\min \left(i\right)},& L\min \left(i\right)\&le;L\&le;L\max \left(i\right)\\ 255,& L>L\max \left(i\right)\end{array}\right]$

其中，i取值为R、G、B，L表示地物丰富型遥感图像颜色通道i中某一像素的灰度值，g_i(L)表示地物丰富型遥感图像颜色通道i中像素灰度值为L的该像素的色彩校正结果。

14.根据权利要求11所述的方法，其特征在于，所述步骤S43进一步为根据步骤S42得到的地物丰富型遥感图像的色彩校正模型，对地物丰富型遥感图像的每个颜色通道分别进行处理，以对地物丰富型遥感图像进行色彩校正。

Images