CN107341773A - 一种多光谱图像的渐晕校正方法 - Google Patents
一种多光谱图像的渐晕校正方法 Download PDFInfo
- Publication number
- CN107341773A CN107341773A CN201710445093.2A CN201710445093A CN107341773A CN 107341773 A CN107341773 A CN 107341773A CN 201710445093 A CN201710445093 A CN 201710445093A CN 107341773 A CN107341773 A CN 107341773A
- Authority
- CN
- China
- Prior art keywords
- mrow
- vignetting
- multispectral image
- pixel
- msub
- 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
- 238000012937 correction Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 108091092878 Microsatellite Proteins 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多光谱图像的渐晕校正方法,包括以下步骤:(1)采用遗传算法,将多光谱图像所有区域的像素值进行高斯曲面拟合,得到校正拟合曲面;(2)根据所述校正拟合曲面计算多光谱图像上每个像素点的渐晕校正系数;(3)利用所述渐晕校正系数分别对每个波段的多光谱图像进行渐晕校正得到校正后的多光谱图像。本发明的多光谱图像的渐晕校正方法根据多光谱图像具有多个波段的特定,采用遗传算法完成高斯曲面的拟合,能够准确地得到校正拟合曲面的参数,生成每个像素点的渐晕校正系数,提高渐晕校正的效果。
Description
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种多光谱图像的渐晕校正方法。
背景技术
在精细农业中,作物长势信息的快速获取是进行农业精准作业的前提和基础。采用微小型无人机进行作物长势信息的遥感获取,具有不需要专用机场、起降灵活、运行成本低、受到运行周期、天气状况的影响比较小、时效性好等特点。
但是,微小型无人机获取的低空遥感图像通常存在像幅较小、单次成像所覆盖到的面积有限、数量较多等一系列问题。要对大面积的遥感图像进行分析,需要将多个小幅值的图像进行无缝拼接。
由于光学成像系统中光阑的存在,光在传输路径中会发生几何光学径向衰减,导致影像中间亮,边缘暗,这叫做图像的渐晕现象。图像的渐晕现象会增大图像拼接过程中图像配准的难度,同时导致图像拼接的结果存在较严重的拼接痕迹。
渐晕现象在多光谱图像数据中尤为严重。因此,对多光谱图像的渐晕现象进行校正是图像拼接前至关重要的一步。
渐晕校正的关键是对图像中每个像素补偿系数的确定。目前,工程上用的比较多的补偿系数的确定方法是利用特定的光照均匀的场景获取已知反射率的均匀标定板。这要求补偿系数场景与实际作业场景相同。
但是,由于微小型无人机作业高度为几十米甚至上百米,因此实际工程中很难找到一块足够大的均匀标定板,所以这种方式对于无人机多光谱图像的渐晕复原受到很大的限制,此方法在工程中实际应用成本很高。
发明内容
本发明的目的在于提供一种多光谱图像的渐晕校正方法,不需要对相机进行标定,实现对多光谱图像的渐晕校正。
一种多光谱图像的渐晕校正方法,包括以下步骤:
(1)采用遗传算法,将多光谱图像所有区域的像素值进行高斯曲面拟合,得到校正拟合曲面;
(2)根据所述校正拟合曲面计算多光谱图像上每个像素点的渐晕校正系数;
(3)利用所述渐晕校正系数分别对每个波段的多光谱图像进行渐晕校正得到校正后的多光谱图像。
本发明的多光谱图像的渐晕校正方法根据多光谱图像具有多个波段的特定,采用遗传算法完成高斯曲面的拟合,能够准确地得到校正拟合曲面的参数,生成每个像素点的渐晕校正系数,提高渐晕校正的效果。
步骤(1)中高斯曲面拟合的公式如下:
式中,z为拟合像素值,x、y为像素点位置坐标,A、x0、y0、a为待求系数。
遗传算法是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局化概率搜索算法。遗传算法对包含可能解的群体反复使用遗传学的基本操作,不断生成新的群体,使种群不断进化,同时以全局并行搜索技术来搜索优化群体,以取得满足要求的最优个体,得到满足要求的最优解。本发明的渐晕校正方法采用遗传算法对多光谱图像的像素值进行高斯曲面拟合,求得参数A、x0、y0、a的最优值。
适应度函数的选取直接影响到遗传算法的收敛速度以及能否找到最优解。为了适应多光谱图像具有多个波段的点,作为优选,遗传算法的适应度函数yfit为:
式中,n为多光谱图像波段数;z(x,y)表示在点(x,y)处的拟合像素值;I(x,y,p)表示在多光谱图像第p个波段的图像在点(x,y)处的像素值;W、L分别表示多光谱图像在宽度方向和在长度方向上像素点的个数。
上述适应度函数适用于多光谱图像的处理,可提高遗传算法的整体性能。
作为优选,遗传算法的参数设置:变异概率为0.0001~0.2,交叉概率为0.4~0.99。
在采用遗传算法时,种群大小和最大代数过小,得出的结果不准确,过大则导致计算量过大。进一步优选的,遗传算法的参数设置:种群大小不小于300,最大代数不小于300。
得到校正拟合曲面后,根据校正拟合曲面计算每个像素点的渐晕校正系数,作为优选,步骤(2)中,每个像素点的渐晕校正系数的计算公式如下:
式中,k(x,y)表示在点(x,y)处的渐晕校正系数,z(x,y)表示在点(x,y)处的拟合像素值,z(x0,y0)表示在点(x0,y0)处的拟合像素值,x0、y0为步骤(1)中通过遗传算法求得的系数。
最后,将每个波段的多光谱图像的每个像素点的像素值乘以该像素点的渐晕校正系数,得到校正后的该像素点的像素值,最终得到校正后的多光谱图像。
与现有技术相比,本发明的有益效果为:
(1)本发明的渐晕校正方法根据多光谱图像自身特征及渐晕现象的特点,生成每个像素点的渐晕校正系数,而不需要对相机进行标定,为经常应用于微小型无人机低空遥感的多光谱相机提供了一种较为渐变的渐晕校正方法;
(2)本发明的渐晕校正方法采用遗传算法完成高斯曲面与渐晕曲面拟合,适应多光谱图像具有多个波段的特点,能够比较准确地得到校正拟合曲面的参数,从而得到更加精确的渐晕校正系数,提高了渐晕校正的效果。
附图说明
图1为本发明的渐晕校正方法的流程示意图;
图2为原始多光谱图像中其中一个波段的灰度图;
图3为原始多光谱图像中其中一个波段的像素值分布图;
图4为得到的校正拟合曲面的示意图;
图5为渐晕校正后的多光谱图像中其中一个波段的灰度图;
图6为渐晕校正后的多光谱图像中其中一个波段的像素值分布图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
本发明的渐晕校正方法的流程如图1所示,在实施例中,本发明的渐晕校正方法采用MATLAB 2014b软件编程实现。
在实施例中,原始多光谱图像为八旋翼无人机搭载的25波段工业级多光谱相机采集的多光谱图像,八旋翼无人机的飞行高度为50m,飞行速度为3m/s。
原始多光谱图像中其中一个波段的灰度图如图2所示,从图中可以看出该图像存在较严重的渐晕现象。
原始多光谱图像中其中一个波段的像素值分布图如图3所示。
渐晕校正通过以下步骤实现:
(1)采用遗传算法将多光谱图像所有区域的像素值进行高斯曲面拟合,得到校正拟合曲面;
高斯曲面拟合的公式如下:
式中,z为拟合像素值,x、y为像素点位置坐标,A、x0、y0、a为待求系数。
通过遗传算法计算A、x0、y0、a的最优值,遗传算法参数设置如下:种群大小300;变异概率0.1;交叉概率0.8;最大代数300,为了适应多光谱图像具有多个波段的特点,适应度函数yfit设计如下:
式中,n为多光谱图像波段数;z(x,y)表示在点(x,y)处的拟合像素值;I(x,y,p)表示在多光谱图像第p个波段的图像在点(x,y)处的像素值;W、L分别表示多光谱图像在宽度方向和在长度方向上像素点的个数。
通过遗传算法计算,得到A=264.00,x0=194.04,y0=124.46,a=237.84,最终得到的校正拟合曲面的公式为:
校正拟合曲面的图像如图4所示;
(2)根据校正拟合曲面计算每个像素点的渐晕校正系数,渐晕校正系数的计算公式如下:
式中,k(x,y)表示在点(x,y)处的渐晕校正系数,z(x,y)表示在点(x,y)处的拟合像素值,z(x0,y0)表示在点(x0,y0)处的拟合像素值,x0、y0是步骤(1)中求得的系数。
(3)将每个波段的多光谱图像的每个像素点的像素值乘以该像素点的渐晕校正系数k(x,y),得到校正后的该像素点的像素值,最终得到校正后的多光谱图像。
经过本发明的渐晕校正方法进行渐晕校正后的多光谱图像的其中一个波段的灰度图如图5所示,校正后图像其中一个波段的像素值分布如图6所示。
从图5和图6中可以看出,经过渐晕校正后的多光谱图像像素值整体分布已近均匀,渐晕现象基本消除。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多光谱图像的渐晕校正方法,其特征在于,包括以下步骤:
(1)采用遗传算法,将多光谱图像所有区域的像素值进行高斯曲面拟合,得到校正拟合曲面;
(2)根据所述校正拟合曲面计算多光谱图像上每个像素点的渐晕校正系数;
(3)利用所述渐晕校正系数分别对每个波段的多光谱图像进行渐晕校正得到校正后的多光谱图像。
2.根据权利要求1所述的渐晕校正方法,其特征在于,步骤(1)中高斯曲面拟合的公式如下:
<mrow>
<mi>z</mi>
<mo>=</mo>
<mi>Aexp</mi>
<mo>[</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>]</mo>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>></mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,z为拟合像素值,x、y为像素点位置坐标,A、x0、y0、a为待求系数。
3.根据权利要求1或2所述的渐晕校正方法,其特征在于,遗传算法的适应度函数yfit为:
<mrow>
<msub>
<mi>y</mi>
<mi>fit</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msqrt>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>W</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</mfrac>
</msqrt>
</mrow>
式中,n为多光谱图像波段数;z(x,y)表示在点(x,y)处的拟合像素值;I(x,y,p)表示在多光谱图像第p个波段的图像在点(x,y)处的像素值;W、L分别表示多光谱图像在宽度方向和在长度方向上像素点的个数。
4.根据权利要求3所述的渐晕校正方法,其特征在于,遗传算法的参数设置:变异概率为0.0001~0.2,交叉概率为0.4~0.99。
5.根据权利要求2所述的渐晕校正方法,其特征在于,步骤(2)中,每个像素点的渐晕校正系数的计算公式如下:
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,k(x,y)表示在点(x,y)处的渐晕校正系数,z(x,y)表示在点(x,y)处的拟合像素值,z(x0,y0)表示在点(x0,y0)处的拟合像素值,x0、y0为步骤(1)中通过遗传算法求得的系数。
6.根据权利要求1或5所述的渐晕校正方法,其特征在于,将每个波段的多光谱图像的每个像素点的像素值乘以该像素点的渐晕校正系数,得到校正后的该像素点的像素值,最终得到校正后的多光谱图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710445093.2A CN107341773A (zh) | 2017-06-13 | 2017-06-13 | 一种多光谱图像的渐晕校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710445093.2A CN107341773A (zh) | 2017-06-13 | 2017-06-13 | 一种多光谱图像的渐晕校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341773A true CN107341773A (zh) | 2017-11-10 |
Family
ID=60221544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710445093.2A Pending CN107341773A (zh) | 2017-06-13 | 2017-06-13 | 一种多光谱图像的渐晕校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341773A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060625A (zh) * | 2019-06-11 | 2019-07-26 | 中国科学院长春光学精密机械与物理研究所 | 一种led显示屏采集渐晕补偿方法 |
CN111209821A (zh) * | 2019-12-30 | 2020-05-29 | 首都师范大学 | 一种面向大众的草地草长势多光谱成像监测掌上系统及方法 |
CN113920028A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于变宽滤波的渐晕图像校正方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629876A (zh) * | 2016-02-16 | 2016-06-01 | 华侨大学 | 一种三角网格模型数控加工的多刀具优化组合选择方法 |
CN105678757A (zh) * | 2015-12-31 | 2016-06-15 | 华南理工大学 | 一种物体位移测量方法 |
-
2017
- 2017-06-13 CN CN201710445093.2A patent/CN107341773A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678757A (zh) * | 2015-12-31 | 2016-06-15 | 华南理工大学 | 一种物体位移测量方法 |
CN105629876A (zh) * | 2016-02-16 | 2016-06-01 | 华侨大学 | 一种三角网格模型数控加工的多刀具优化组合选择方法 |
Non-Patent Citations (6)
Title |
---|
何凯 等: "基于高斯曲面拟合的影像渐晕复原方法", 《电子学报》 * |
侯晴宇 等: "单探测器共孔径多光谱成像系统设计", 《红外与激光技术》 * |
刘洪兴 等: "反射式拼接 CCD 相机渐晕图像校正", 《光电工程》 * |
李炜 等: "基于二维高斯曲面拟合的图像灰度补偿算法", 《华中科技大学学报》 * |
陈文虎: "多孔径超薄相机开发的关键技术研究", 《中国优秀硕士学位论文全文数据库》 * |
黄淮 等: "基于数字高程模型的输电线路虚拟地形绘制优化算法", 《电子测量技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060625A (zh) * | 2019-06-11 | 2019-07-26 | 中国科学院长春光学精密机械与物理研究所 | 一种led显示屏采集渐晕补偿方法 |
CN111209821A (zh) * | 2019-12-30 | 2020-05-29 | 首都师范大学 | 一种面向大众的草地草长势多光谱成像监测掌上系统及方法 |
CN111209821B (zh) * | 2019-12-30 | 2022-08-12 | 首都师范大学 | 一种面向大众的草地草长势多光谱成像监测掌上系统及方法 |
CN113920028A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于变宽滤波的渐晕图像校正方法 |
CN113920028B (zh) * | 2021-10-15 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于变宽滤波的渐晕图像校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023029373A1 (zh) | 一种高精度的农田植被信息提取方法 | |
CN107292921B (zh) | 一种基于kinect相机的快速三维重建方法 | |
CN104848851B (zh) | 基于多传感器数据融合构图的变电站巡检机器人及其方法 | |
CN106127697B (zh) | 无人机机载成像高光谱几何校正方法 | |
CN109389049A (zh) | 基于多时相sar数据与多光谱数据的作物遥感分类方法 | |
Gil-Docampo et al. | Above-ground biomass estimation of arable crops using UAV-based SfM photogrammetry | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN107341773A (zh) | 一种多光谱图像的渐晕校正方法 | |
CN113327296B (zh) | 基于深度加权的激光雷达与相机在线联合标定方法 | |
Roth et al. | Repeated multiview imaging for estimating seedling tiller counts of wheat genotypes using drones | |
CN112016478B (zh) | 一种基于多光谱图像融合的复杂场景识别方法及系统 | |
CN111536970B (zh) | 一种用于低能见度大尺度场景的红外惯性组合导航方法 | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
CN111563458A (zh) | 基于YOLOv3和OpenCV的目标检测与定位方法 | |
CN115861858B (zh) | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 | |
CN107271046A (zh) | 一种基于局部统计相关性的非均匀性校正方法及装置 | |
CN103218820B (zh) | 一种基于多维特征的相机标定误差补偿方法 | |
Song et al. | Small UAV-based multi-temporal change detection for monitoring cultivated land cover changes in mountainous terrain | |
Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
CN108109118B (zh) | 一种无控制点的航拍图像几何校正方法 | |
CN111723525B (zh) | 一种基于多源数据和神经网络模型的pm2.5反演方法 | |
CN111339953A (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116307170A (zh) | 农作物产量预测方法和装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |