CN105678769A - 地物光谱图像本质分解 - Google Patents

Abstract

本发明涉及一种地物光谱图像的分解算法，属于计算机视觉及计算摄像学领域。本发明以更好地利用地物光谱图像中的有效信息为目的，将地物光谱图像分解为光源光谱、明暗图像，材质反射图像以及高光图像。本发明主要算法的核心在于利用光谱图像丰富的频谱信息进行一致性区域分割，以带权均值算法计算材质反射光谱图像，最后利用局部照明条件一致性计算明暗图像。本发明提出的方法能够有效的分解出地物光谱图像中的有效信息，对地物场景的分割及识别有极大的帮助。

Description

地物光谱图像本质分解

技术领域

本发明涉及一种地物光谱图像的分解算法，属于计算机视觉及计算摄像学领域。

背景技术

随着地物光谱仪的普及，地物光谱图像被广泛地运用于日常生活中的计算机视觉处理，如场景分割，材质识别及追踪等。现有的利用地物光谱图像实现场景分割，材质识别的算法主要可以分为两大类：1、基于光谱图像特征提取的方案。该类方案利用常见的数据降维算法，如：主成分分析(PCA)、独立成分分析(ICA)、奇异值分解(SVD)等，先对光谱数据降维后提取场景的光谱特征。2、利用机器学习的方法，得到场景的分类标签，建立光谱曲线与场景语义的一种映射关系。然而，受制于地物场景复杂几何结构及光照条件，上述两类方法常常无法有效地提取地物场景中信息。例如，受制于复杂的光照条件，第一类方法往往无法精确的提取场景的反射谱特征，进而严重影响场景识别的结果。第二类方法不但需要大量的训练数据，而且对场景的几何结构十分敏感，特别是对于拥有复杂几何外形的地物场景，其预测的结果往往无法令人满意。

附图说明

附图说明用于提供对本发明技术方案的进一步理解，并构成说明书的一部分，与本发明的实施一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。附图说明如下：

图1为光谱本质分解算法输入及输出示意图。

图2为该算法的流程框图。

发明内容

本发明公开了一种地物光谱图像的分解算法，称为地物光谱图像本质分解。如图1所示，该算法将地物光谱图像分解为：I(x，y，λ)＝L(λ)·s(x，y)·R(x，y，λ)。其中，101、地物光谱图像I(x，y，λ)；102、光源光谱L(λ)；103、明暗图像s(x，y)；104、材质反射光谱图像R(x，y，λ)。x、y为地物光谱图像的空间坐标，λ为频谱坐标。该算法的意义在于整体或部分地解决一个或多个上述问题或缺点，以提供至少以下描述的优点。

(1)相比以往的算法，将地物光谱图像中的包含地物场景几何结构以及光照条件的信息从图像中分离出来，从而获得地物场景的材质反射谱。该材质反射谱仅由场景的材质决定，不受光照条件及几何因素影响，有利于场景的分割与识别。

(2)不需要大量的训练数据，仅从一张光谱图片中恢复场景的材质反射谱。

(3)分解得到的地物场景几何结构信息(明暗关系)及光照条件信息可被用于计算计算机视觉的其他领域，例如：明暗信息可用于恢复场景的几何结构，光照信息可用于场景的重光照。

为了整体或者部分实现上述目的，本发明公开的光谱图像本质分解算法，其特征在于包括以下步骤：

(1)地物光谱图像预处理。

(2)一致性区域分割。

(3)材质反射光谱图像估计。

(4)明暗图像计算。

具体实施方式

以下将结合附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决问题，并达成技术效果的实现过程能充分理解并据以实施。

该算法主要包括步骤：201、光谱图像预处理；202、一致性区域分割；203、材质反射光谱图像估计；204、明暗图像计算。

201、光谱图像预处理：通过低阶矩阵分解算法(LowRankMatrixFactorization)，将输入图像I(x，y，λ)分解为：102、光源光谱L(λ)以及105、漫反射光谱图像D(x，y，λ)。

202、一致性区域分割：将漫反射光谱图像D(x，y，λ)分割为K个子区域region_k，k＝1，2…K。各个子区域内所有的像素D(x₀，y₀，λ)，(x₀，y₀)∈region_k拥有相同的材质反射谱。基于局部光照条件一致性假设(LocalIlluminationConstancy)，即光照条件在场景中的某一微小区域内保持不变，通过一种基于无参数局部密度估计算法(NonparametricLocalDensityEstimation)提取场景材质边界。然后利用边界填充算法(BoundaryFillAlgorithm)对闭合边界区域进行填充以生成上述K个子区域。

203、材质反射光谱图像估计：该步骤为每个子区域所有像素分配一个相同的材质反射谱R_k(λ)，下标k表示第k个子区域。我们用一种基于权重的均值估计算法(WeightAverageBasedReflectanceFusion)来计算 $R_k\left(\mathrm{\λ}\right)=\frac{\underset{(x,y)\∈\mathrm{regio}{n}_k}{\mathrm{\Σ}}\mathrm{\ω}(x,y)\·D(x,y,\mathrm{\λ})}{\underset{(x,y)\∈\mathrm{regi}{\mathrm{on}}_k}{\mathrm{\Σ}}\mathrm{\ω}(x,y)},$ 其中，权重 $\mathrm{\ω}(x,y)=\exp (-(\frac{{\left(I_k\right(x,y)-\max (I_k\left)\right)}^2}{{\mathrm{\σ}}_{kI}^2}+\frac{{\left(G_k\right(x,y)-\max (G_k\left)\right)}^2}{{\mathrm{\σ}}_{kG}^2}\left)\right).$ 其中，I_k、G_k分别为输入光谱图像对应的灰度图像及梯度图像中第k个子区域所有像素的集合；σ_kI、σ_kG分别为I_k、G_k的标准差。

204、明暗图像计算：该步骤首先为每一个像素分配明暗值(x，y)∈region_k。之后我们为每个子区域region_k估计一个尺度因子α_k，使得相邻子区域之间的明暗值满足连续条件，即： $\underset{\underset{{\mathrm{\α}}_R}{{\mathrm{\α}}_N}}{\arg \min }\underset{\underset{(x_2,y_2)\∈G_R}{(x_1,y_1)\∈G_N}}{\Σ}{({\mathrm{\α}}_R\·(x_1,y_1)-{\mathrm{\α}}_N\·(x_1,y_1\left)\right)}^2.$ 其中G_R与G_N为相邻的两个子区域region_R与region_N拥有公共边界的像素点的集合，α_R与α_N为其对应的尺度因子。

本领域的技术人员应该明白，上述的本发明的系统结构和各个步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将他们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所示出和描述的实施方式如上，但是所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上以及细节上做任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (3)

1.一种光谱图像的本质分解算法，其特征是包含以下主要步骤：

101、地物光谱图像预处理；102、一致性区域分割；103、材质反射光谱图像估计；104、明暗图像计算。

2.权利要求1中所述方法的步骤103的特征在于：利用材质一致性信息估计子区region_k，k＝1…K的材质反射光谱R_k(λ)。用一种基于权重的均值估计算法来生成其中权重为高斯核函数 $\mathrm{\ω}(x,y)=\exp (-(\frac{{\left(I_k\right(x,y)-max(I_k\left)\right)}^2}{{\mathrm{\σ}}_{kI}^2}+\frac{{\left(G_k\right(x,y)-max(G_k\left)\right)}^2}{{\mathrm{\σ}}_{kG}^2}\left)\right).$ 其中，I_k、G_k分别为输入光谱图像对应的灰度图像及梯度图像中第k个子区域所有像素的集合；σ_kI、σ_kG分别为I_k、G_k的标准差。

3.权利要求1中所述方法的步骤104的特征在：利用据局部明暗关系一致性原理估计场景的明暗关系图。该步骤首先为每一个像素分配明暗值s(x，y)。之后我们为每个子区域region_k估计一个尺度因子α_k，使得相邻子区域之间的明暗值满足连续条件，即： $\underset{{\mathrm{\α}}_R}{\underset{{\mathrm{\α}}_N}{\arg \min }}\underset{\left(x_2,y_2\right)\∈G_R}{\underset{\left(x_1,y_1\right)\∈G_N}{\mathrm{\Σ}}}{({\mathrm{\α}}_R\·s(x_1,y_1)-{\mathrm{\α}}_N\·s(x_1,y_1\left)\right)}^2.$ 其中G_R与G_N为相邻的两个子区域region_R与region_N拥有公共边界的像素点的集合，α_R与α_N为其对应的尺度因子。