CN102855607A - 一种基于机器学习的遥感图像色彩校正方法 - Google Patents
一种基于机器学习的遥感图像色彩校正方法 Download PDFInfo
- Publication number
- CN102855607A CN102855607A CN2012102484823A CN201210248482A CN102855607A CN 102855607 A CN102855607 A CN 102855607A CN 2012102484823 A CN2012102484823 A CN 2012102484823A CN 201210248482 A CN201210248482 A CN 201210248482A CN 102855607 A CN102855607 A CN 102855607A
- Authority
- CN
- China
- Prior art keywords
- color
- sample
- image
- remote sensing
- colour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims description 3
- 238000009394 selective breeding Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 abstract 9
- 230000004075 alteration Effects 0.000 abstract 2
- 239000013074 reference sample Substances 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Abstract
本发明公开了一种基于机器学习的遥感图像色彩校正方法,可用于航天、航空彩色遥感图像的色彩校正,该方法包括以下步骤:建立真彩色样本图像数据库;从色彩失真的彩色遥感图像中,通过人机交互的方式选择典型地物区域作为输入样本;从真彩色样本图像数据库中人工选择与输入样本具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色图像作为参照样本;将输入样本和参照样本组成训练样本,利用机器学习方法对训练样本训练学习,得到色彩校正模型;利用色彩校正模型,对存在色彩失真的彩色遥感图像进行处理,得到高质量的彩色遥感图像。本发明将人机交互选择训练样本和机器学习色彩校正模型相结合,有效地解决了遥感图像的色彩校正问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于机器学习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图像的色彩校正。
背景技术
随着空间技术和传感器技术的飞速发展,遥感图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、成像时间、大气状况、传感器等诸多因素的影响,成像设备所获取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,都具有举足轻重的作用,图像色彩失真难免会影响图像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,研发高效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Ortho Vista(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,迫切需要高效的色彩校正技术,而现有的技术在处理效果、处理速度和稳定性等方面难以满足用户的需求。
针对遥感图像的色彩失真问题,研究高效、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
本发明的目的在于针对现有技术的不足,综合利用图像处理、模式识别和人工智能技术,提供一种基于机器学习的遥感图像色彩校正方法。
本发明的技术思路是:通过人机交互方式选择输入样本和参照样本,并利用机器学习方法获得色彩校正模型,进而对存在色彩失真的遥感图像进行处理,生成高质量彩色遥感图像产品,达到校正彩色遥感图像色偏的目的。
本发明所提出的一种基于机器学习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,建立真彩色样本图像库D;
步骤S2,对于存在色彩失真的彩色遥感图像IMG,选择该图像中的典型地物区域作为输入样本I;
步骤S3,从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色样本图像,并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为参照样本R;
步骤S4,将所述输入样本I和所述参照样本R组成训练样本T={I,R},并利用机器学习方法对所述训练样本T进行训练学习,得到色彩校正模型f(·);
步骤S5,对所述存在色彩失真的彩色遥感图像IMG,利用所述色彩校正模型f(·)对其进行色彩校正,得到经过色彩校正后的高质量的彩色遥感图像P。
本发明的有益效果是,本发明通过基于机器学习的遥感图像色彩校正方法,将人机交互选择训练样本和机器学习建立色彩校正模型的方式相结合,可有效解决色彩失真遥感图像的色彩校正问题,本发明方法的适用范围广,色彩校正效果稳定。
附图说明
图1是本发明所提出的基于机器学习的遥感图像色彩校正方法的流程图。
图2是根据本发明实施例的用于建立真彩色样本图像库的部分地物类型的样本图像。
图3是根据本发明实施例的基于真彩色样本图像库查询图像的界面图。
图4是根据本发明实施例的训练学习生成色彩校正模型的流程图。
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。
根据本发明提出的一种基于机器学习的遥感图像色彩校正方法,可广泛用于彩色遥感图像的色彩校正。下面,以多光谱真彩色卫星遥感图像的色彩校正为例,进行具体说明。
图1为本发明所提出的基于机器学习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机器学习的遥感图像色彩校正方法包括以下步骤:
步骤S1,建立真彩色样本图像库D;
在该步骤中,事先分析调研地球表面可能存在的多种典型地物类型,并收集通过航天或航空平台获取的、覆盖这些地物类型的、多个季节和成像时间的、多个地理区域的(如国家或地区)、色调均匀、亮度适中的高质量彩色图像,建立所述真彩色样本图像库D。
图2给出了根据本发明实施例的用于建立所述真彩色样本图像库的部分地物类型的样本图像。这些图像是通过航天或航空平台在不同季节和成像时间、不同地理区域获取的,且这些图像色调均匀、亮度适中,图像质量好。
另外,还可利用在线生成的高质量彩色遥感图像对真彩色图像数据库进行在线管理,实现真彩色图像数据库中真彩色样本图像的增加或更新。
步骤S2,对于存在色彩失真的彩色遥感图像IMG,选择该图像中的典型地物区域作为输入样本I;
该典型地物区域的选择是根据所述色彩失真的彩色遥感图像IMG所覆盖的地物类型进行选择,可以是城镇区域,也可以是水域区域,或者是沙漠等区域。
对于所述典型地物区域的选择可采用人工交互的方式,从所述色彩失真的彩色遥感图像IMG中选择对所述色彩失真的彩色遥感图像IMG所覆盖的地物类型的色彩具有代表性的图像区域。
步骤S3,从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色样本图像,并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为参照样本R;
所述合适的区域指的是,作为参照样本R的该区域与输入样本I所覆盖的地物类型一致,图像纹理与几何结构基本相同或相似。
对于所述高质量彩色样本图像的选择可采用人工选择的方式。图3是根据本发明实施例的基于真彩色样本图像库查询图像的界面图。如图3所示,根据给定的地物类型、成像时间和地理区域信息,可以从真彩色样本图像库中查询到符合上述条件的真彩色样本图像,并将查询得到的图像结果以直观的方式显示出来,便于用户进一步选择确定。
步骤S4,将所述输入样本I和所述参照样本R组成训练样本T={I,R},并利用机器学习方法对所述训练样本T进行训练学习,得到色彩校正模型f(·);
图4给出了一个根据本发明实施例的训练学习生成色彩校正模型的流程图。如图4所示,所述步骤S4进一步包括以下几个步骤:
步骤S41,对所述输入样本I和所述参照样本R提取其颜色特征,分别得到所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF;
所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF均由N个颜色特征向量组成:IF={IF1,IF2,...,IFN},RF={IF1,IF2,...,IFN},其中,N为颜色特征向量的个数。
步骤S42,假定色彩校正模型为f(·),将所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF对应起来,即满足RF=f(IF)的关系的色彩校正模型即为需要的色彩校正模型f(·)。
在给定所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF的情况下,通过机器学习的方法求解方程RF=f(IF),即可求得需要的色彩校正模型f(·)。
步骤S5,对所述存在色彩失真的彩色遥感图像IMG,利用所述色彩校正模型f(·)对其进行色彩校正,得到经过色彩校正后的高质量的彩色遥感图像P。
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 (10)
1.一种基于机器学习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,建立真彩色样本图像库D;
步骤S2,对于存在色彩失真的彩色遥感图像IMG,选择该图像中的典型地物区域作为输入样本I;
步骤S3,从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色样本图像,并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为参照样本R;
步骤S4,将所述输入样本I和所述参照样本R组成训练样本T={I,R},并利用机器学习方法对所述训练样本T进行训练学习,得到色彩校正模型f(·);
步骤S5,对所述存在色彩失真的彩色遥感图像IMG,利用所述色彩校正模型f(·)对其进行色彩校正,得到经过色彩校正后的高质量的彩色遥感图像P。
2.根据权利要求1所述的方法,其特征在于,所述真彩色样本图像库D中的图像为,通过航天或航空平台获取的、覆盖地球表面可能存在的多种典型地物类型的、多个季节和成像时间的、多个地理区域的、色调均匀、亮度适中的高质量彩色图像。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1进一步包括,利用在线生成的高质量彩色遥感图像对所述真彩色图像数据库D进行在线管理,以对真彩色图像数据库中的真彩色样本图像进行增加或更新。
4.根据权利要求1所述的方法,其特征在于,所述步骤S2中,所述典型地物区域的选择是根据所述色彩失真的彩色遥感图像IMG所覆盖的地物类型进行选择。
5.根据权利要求1所述的方法,其特征在于,所述步骤S2中,对于所述典型地物区域的选择采用人工交互的方式。
6.根据权利要求1所述的方法,其特征在于,所述步骤S3中,所述合适的区域指的是,作为参照样本R的该区域与输入样本I所覆盖的地物类型一致,图像纹理与几何结构基本相同或相似。
7.根据权利要求1所述的方法,其特征在于,所述步骤S3中,对于所述高质量彩色样本图像的选择采用人工选择的方式。
8.根据权利要求1所述的方法,其特征在于,所述步骤S4进一步包括以下几个步骤:
步骤S41,对所述输入样本I和所述参照样本R提取其颜色特征,分别得到所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF;
步骤S42,假定色彩校正模型为f(·),将所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF对应起来,即满足RF=f(IF)的关系的色彩校正模型即为所要求得的色彩校正模型f(·)。
9.根据权利要求8所述的方法,其特征在于,所述输入样本I的颜色特征IF和所述参照样本R的颜色特征RF均由N个颜色特征向量组成:IF={IF1,IF2,...,IFN},RF={IF1,IF2,...,IFN},其中,N为颜色特征向量的个数。
10.根据权利要求8所述的方法,其特征在于,所述步骤S42中,通过机器学习的方法求解方程RF=f(IF),即可求得色彩校正模型f(·)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102484823A CN102855607A (zh) | 2012-07-18 | 2012-07-18 | 一种基于机器学习的遥感图像色彩校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102484823A CN102855607A (zh) | 2012-07-18 | 2012-07-18 | 一种基于机器学习的遥感图像色彩校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102855607A true CN102855607A (zh) | 2013-01-02 |
Family
ID=47402171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102484823A Pending CN102855607A (zh) | 2012-07-18 | 2012-07-18 | 一种基于机器学习的遥感图像色彩校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855607A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442225A (zh) * | 2013-07-26 | 2013-12-11 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
CN103489171A (zh) * | 2013-09-22 | 2014-01-01 | 武汉大学 | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN107610193A (zh) * | 2016-06-23 | 2018-01-19 | 西门子保健有限责任公司 | 使用深度生成式机器学习模型的图像校正 |
CN109729259A (zh) * | 2017-10-31 | 2019-05-07 | 富士施乐株式会社 | 图像处理装置、其方法、其系统以及计算机可读介质 |
CN111553613A (zh) * | 2020-05-11 | 2020-08-18 | 中石化石油工程技术服务有限公司 | 一种地震采集资料品质智能分级评价方法及系统 |
CN115205710A (zh) * | 2022-09-16 | 2022-10-18 | 北京理工大学 | 一种结合色彩校正的双时相遥感图像变化检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184405A (zh) * | 2011-04-19 | 2011-09-14 | 清华大学 | 图像采集分析方法 |
US20120082362A1 (en) * | 2010-06-25 | 2012-04-05 | Northeastern University | Method for analyzing biological specimens by spectral imaging |
-
2012
- 2012-07-18 CN CN2012102484823A patent/CN102855607A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120082362A1 (en) * | 2010-06-25 | 2012-04-05 | Northeastern University | Method for analyzing biological specimens by spectral imaging |
CN102184405A (zh) * | 2011-04-19 | 2011-09-14 | 清华大学 | 图像采集分析方法 |
Non-Patent Citations (3)
Title |
---|
XINGZHENG WANG等: "An Optimized Tongue Image Color Correction Scheme", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
丁二锐等: "基于结构风险最小化和全最小二乘法的色彩校正", 《电子与信息学报》 * |
王雪晶等: "基于遥感相机模型的遥感图像彩色校正", 《红外与毫米波学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442225A (zh) * | 2013-07-26 | 2013-12-11 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
CN103442225B (zh) * | 2013-07-26 | 2016-05-25 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
CN103489171A (zh) * | 2013-09-22 | 2014-01-01 | 武汉大学 | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 |
CN107610193A (zh) * | 2016-06-23 | 2018-01-19 | 西门子保健有限责任公司 | 使用深度生成式机器学习模型的图像校正 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN109729259A (zh) * | 2017-10-31 | 2019-05-07 | 富士施乐株式会社 | 图像处理装置、其方法、其系统以及计算机可读介质 |
CN109729259B (zh) * | 2017-10-31 | 2022-07-05 | 富士胶片商业创新有限公司 | 图像处理装置、其方法、其系统以及计算机可读介质 |
CN111553613A (zh) * | 2020-05-11 | 2020-08-18 | 中石化石油工程技术服务有限公司 | 一种地震采集资料品质智能分级评价方法及系统 |
CN111553613B (zh) * | 2020-05-11 | 2023-04-28 | 中石化石油工程技术服务有限公司 | 一种地震采集资料品质智能分级评价方法及系统 |
CN115205710A (zh) * | 2022-09-16 | 2022-10-18 | 北京理工大学 | 一种结合色彩校正的双时相遥感图像变化检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855607A (zh) | 一种基于机器学习的遥感图像色彩校正方法 | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
KR101823314B1 (ko) | 단일 이미지로부터 깊이를 추정하기 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN104182949B (zh) | 基于直方图特征点配准的影像匀色与融合方法及系统 | |
Xue et al. | Design of digital camouflage by recursive overlapping of pattern templates | |
CN102768757A (zh) | 一种基于图像类型分析的遥感图像色彩校正方法 | |
CN111259900A (zh) | 一种卫星遥感图像的语义分割方法 | |
CN102982538B (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
CN103699532A (zh) | 图像颜色检索方法和系统 | |
CN107341837A (zh) | 基于影像金字塔的栅格‑矢量数据转换及连续尺度表达方法 | |
Guo et al. | Removing shadows from Google Earth images | |
CN110986889A (zh) | 一种基于遥感图像技术的高压变电站全景态监测方法 | |
CN109918531A (zh) | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 | |
KR20110134479A (ko) | 이미지를 컬러화하기 위한 지오스페이셜 모델링 시스템 및 관련 방법 | |
Hu et al. | Information extraction of subsided cultivated land in high-groundwater-level coal mines based on unmanned aerial vehicle visible bands | |
Li et al. | A pseudo-siamese deep convolutional neural network for spatiotemporal satellite image fusion | |
Rampi et al. | Minnesota Land Cover Classification and Impervious Surface Area by Landsat and Lidar: 2013-14 Update | |
CN113706387A (zh) | 一种适合低山丘陵地区农作物提取遥感底图的获取方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
CN109801304B (zh) | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 | |
He et al. | A novel saliency map extraction method based on improved Itti's model | |
CN114359630A (zh) | 绿色、蓝色和灰色基础设施分类方法、装置、系统与介质 | |
Yang et al. | Cropland mapping in fragmented agricultural landscape using modified pyramid scene parsing network | |
Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130102 |