CN109544481A - 一种基于机器学习的航空影像匀光方法及系统 - Google Patents
一种基于机器学习的航空影像匀光方法及系统 Download PDFInfo
- Publication number
- CN109544481A CN109544481A CN201811432743.0A CN201811432743A CN109544481A CN 109544481 A CN109544481 A CN 109544481A CN 201811432743 A CN201811432743 A CN 201811432743A CN 109544481 A CN109544481 A CN 109544481A
- Authority
- CN
- China
- Prior art keywords
- dodging
- aerial image
- image
- fitting
- machine learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 title claims abstract description 52
- 238000012417 linear regression Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 15
- 230000003287 optical effect Effects 0.000 abstract description 6
- 230000001795 light effect Effects 0.000 abstract 2
- 238000007540 photo-reduction reaction Methods 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于机器学习的航空影像匀光方法及系统，解决了在匀光过程中由于不同航空影像拍摄过程中带来的影像差异，从而导致匀光效果不能满足影像曝光度一致性的要求。该方法包括获取航空影像，确定匀光参数，其中该匀光参数为高斯模糊半径参数；采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；然后根据拟合误差曲线图中曲线线性变化确定航空影像的最佳匀光参数值，最后采用最佳匀光参数值对航空影像对匀光处理。
Description
技术领域
本发明涉及航空影像匀光技术领域，特别涉及一种基于机器学习的航空影像匀光方法及系统。
背景技术
在航空照片获取过程中，由于拍摄条件、光照情况、拍摄地物类别、大气条件、镜头设计等因素的影响，航空照片中会出现亮度分布不均匀的现象，严重的可直接影响航空照片质量，对后期航空照片处理，数字正射影像制作等工作增加了处理难度。为了改善此类问题的发生，需要对航空照片进行匀光处理，以得到亮度均匀的高质量航空照片。
目前，对于航空照片的匀光处理，一般分为两类：一类是数学模型法，但是该方法仅适用于亮度变化缓和的遥感影像的匀光处理；另一类是滤波法，选择出合适的滤波器是这类算法的一个难题。
MASK匀光算法为滤波方法的一种，它通过增强高频信息，抑制低频信息，从而增强影像的细节反差，抑制影像的异常亮度变化，达到匀光目的。一般采用MASK匀光算法对航空照片进行处理时，由于匀光参数相对固定，在进行匀光时对于特殊航空影像不能有效进行处理，匀光效果较差，不能满足需求。
发明内容
本发明的目的是提供一种基于机器学习的航空影像匀光方法及系统，解决在匀光过程中由于不同航空影像拍摄过程中带来的影像差异，从而导致匀光效果不能满足影像曝光度一致性的要求。
为实现上述目的，本发明提供了如下方案：
一种基于机器学习的航空影像匀光方法，所述航空影像匀光方法具体包括：
获取航空影像；
确定匀光参数；所述匀光参数为高斯模糊半径参数；
采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值；
根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
可选的，所述航空影像为农村地区航空影像、城市地区航空影像、占据50％以上水体的航空影像或者多拼相机出现光带的航空影像。
可选的，在执行采用不同的匀光参数值对所述航空影像进行匀光操作之前，所述航空影像匀光方法还包括：
确定线性回归模型。
可选的，所述确定线性回归模型，具体包括：
采用最小二乘法估算回归模型及所述回归模型的参数；
根据所述回归模型及所述回归模型的参数，建立线性回归模型。
可选的，在执行确定线性回归模型之前，所述航空影像匀光方法还包括：
确定匀光参数集合；所述匀光参数集合包括多个不同的匀光参数值。
可选的，所述采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图，具体包括：
采用不同的匀光参数值对所述航空影像进行匀光操作，得到多个不同匀光参数值的匀光航空影像；
采用所述线性回归模型，对所有所述匀光航空影像的行列像素值进行线性回归机器学习拟合，得到不同匀光参数值下的多个拟合值；
利用线性回归评价公式，计算每个所述拟合值的回归误差值；
根据所述回归误差值以及所述回归误差值对应的匀光参数值，绘制航空影像匀光机器学习的拟合误差曲线图。
可选的，所述线性回归评价公式为最小化误差平方和代价函数的平均公式。
可选的，所述根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值，具体包括：
当所述拟合误差曲线图中的曲线线性变化为线性增加时，所述拟合误差曲线图中的最小曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值；
当所述拟合误差曲线图中的曲线线性变化为线性递减时，所述拟合误差曲线图中的最大曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。
一种基于机器学习的航空影像匀光系统，所述航空影像匀光系统具体包括：
航空影像获取模块，用于获取航空影像；
匀光参数确定模块，用于确定匀光参数；所述匀光参数为高斯模糊半径参数；
拟合误差曲线图得到模块，用于采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值；
最佳匀光参数值确定模块，用于根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于机器学习的航空影像匀光方法及系统，该方法包括获取航空影像；确定匀光参数；所述匀光参数为高斯模糊半径参数；采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，计算拟合得到航空影像匀光误差曲线图；所述航空影像匀光误差曲线图的横坐标为匀光参数值，所述航空影像匀光误差曲线图的纵坐标为匀光后的回归误差值；最后根据航空影像匀光误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。应用本发明，解决了在匀光过程中由于不同航空影像拍摄过程中带来的影像差异，从而导致匀光效果不能满足影像曝光度一致性的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明四拼相机出现光带的航空影像示意图；
图2为本发明实施例提供的基于机器学习的航空影像匀光方法的流程示意图；
图3为本发明实施例提供的基于机器学习的航空影像匀光系统的结构示意图；
图4为本发明不同航空影像在匀光过程中采用不同匀光参数值得到的航空影像匀光误差曲线图；
图5为本发明采用不同匀光参数获取的农村地区航空影像匀光效果图；
图6为本发明采用不同匀光参数获取的四拼相机出现光带的航空影像匀光效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于机器学习的航空影像匀光方法及系统，解决在匀光过程中由于不同航空影像拍摄过程中带来的影像差异，从而导致匀光效果不能满足影像曝光度一致性的要求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明对于航空影像中出现的条带形亮度不均匀情况，采用机器学习的方法，自动进行计算，获取到最优的MAKS匀光参数，进而对航空影像进行匀光处理。
本发明介绍了在航空影像中，MAKS匀光算法采用不同的低通滤波器参数对匀光影像的差别，介绍了机器学习中线性回归算法的原理与评价方式，还介绍了利用机器学习算法在评价MASK匀光算法中，不同的低通滤波器参数对最后匀光情况的影响，并可通过机器学习分析出不同航空影像类型的最佳匀光参数。
MASK匀光算法又称作模糊正像匀光方法，主要针对航空影像光照不均匀而提出来的一种方法，通过对航空影像局部区域的不同程度光照补偿，获得光照均匀的航空影像。MASK匀光算法主要是将航空影像看作是亮度不均匀的背景影像和受光均匀影像的叠加。
MASK匀光算法的数学表达为：g(x)＝f(x)+δ(x)(1)；
其中，g(x)为原始影像，f(x)为背景影像，δ(x)为匀光后的影像。
通过变换得到匀光影像公式为：δ(x)＝g(x)-f(x)(2)。
公式(2)中，背景影像f(x)的计算有多种方法。有采用低通滤波器对原始影像进行滤波处理的，也有对原始影像进行傅里叶变换后再通过低通滤波生成的。
采用上述不同方法的目的都是得到模拟亮度分布的背景影像，并与原始影像进行计算后，生成新的影像，已达到对原始影像匀光效果。
对于常规航空影像匀光计算，对低通滤波器参数并无强制性规定，将总像素的10-30％作为低通滤波器参数，就能达到较好效果；但对于特殊情况下的航空影像，采用上经验参数并不能达到较好匀光效果。
目前大部分航空相机采用多相机拼接的方式增大传感器面积来提升拍摄性能，如DMC相机系统，采用5个相机进行拍摄拼接，SWDC-4相机采用4个相机进行拼接拍摄。在实际拍摄过程中，由于各子相机镜头存在光照不均匀情况，在拼接后出现了在子相机拼接处光照不均匀情况，形成了明显的光带情况，如图1所示。
基于此，为了克服上述技术缺陷，本发明提供了一种基于机器学习的航空影像匀光方法。
图2为本发明实施例提供的基于机器学习的航空影像匀光方法的流程示意图，如图2所示，本发明实施例提供的基于机器学习的航空影像匀光方法包括以下几个步骤。
步骤201：获取航空影像。所述航空影像包括农村地区航空影像、城市地区航空影像、占据50％以上水体的航空影像、多拼相机出现光带的航空影像等。
步骤202：确定匀光参数；所述匀光参数为高斯模糊半径参数。
步骤203：采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值。
步骤204：根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
其中，在执行步骤203之前，还需要确定匀光参数集合；所述匀光参数集合包括多个不同的匀光参数值。
在执行步骤203之前，还需要确定线性回归模型。所述线性回归模型的确定过程为采用最小二乘法估算回归模型及所述回归模型的参数；根据所述回归模型及所述回归模型的参数，建立线性回归模型。
步骤203具体包括：采用不同的匀光参数值对所述航空影像进行匀光操作，得到多个不同匀光参数值的匀光航空影像；
采用所述线性回归模型，对所有所述匀光航空影像的行列像素值进行线性回归机器学习拟合，得到不同匀光参数值下的多个拟合值。
利用线性回归评价公式，计算每个所述拟合值的回归误差值；所述线性回归评价公式为最小化误差平方和代价函数的平均公式。
根据所述回归误差值以及所述回归误差值对应的匀光参数值，绘制航空影像匀光机器学习的拟合误差曲线图。
为实现本发明上述目的，本发明还提供了一种基于机器学习的航空影像匀光系统。
步骤204具体包括：
当所述拟合误差曲线图中的曲线线性变化为线性增加时，所述拟合误差曲线图中的最小曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。
当所述拟合误差曲线图中的曲线线性变化为线性递减时，所述拟合误差曲线图中的最大曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。
图3为本发明实施例提供的基于机器学习的航空影像匀光系统的结构示意图，如图3所示，本发明实施例提供的基于机器学习的航空影像匀光系统包括：
航空影像获取模块301，用于获取航空影像。
匀光参数确定模块302，用于确定匀光参数；所述匀光参数为高斯模糊半径参数。
拟合误差曲线图得到模块303，用于采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值。
最佳匀光参数值确定模块304，用于根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
机器学习中将线性回归模型看作是通过训练数据的样本点来寻找一条最佳的拟合直线，通常通过最小二乘法估计回归曲线模型中的参数，使得回归曲线到样本训练点的垂直距离(误差)的平方和最小。
多项式线性回归的解释方法是通过加入多项式来生成多项式回归模型，回归模型见公式(3)：y＝w0+w1x+w2x2+…+wdxd(3)。其中，d为多项式的次数，w是线性回归系数。
线性回归拟合过程中，采用最小化误差平方和代价函数的平均值来评价回归模型的准确性，线性回归评价公式见公式(4)：
其中，是通过多项式模型计算的预测值，y是训练参数值。
在MASK运算算法中，可影响到匀光效果的因素是MASK匀光算法中的低通滤波器的使用及滤波参数的选取。一般低通滤波器采用高斯模糊算法，也有采用傅里叶变换后的低通滤波器作为MASK匀光算法中的低通滤波器。本发明采用高斯模糊算法作为低通滤波器使用。
高斯模糊算法是数字图像模板处理法的一种，其模板是根据二维正态分布(高斯分布)函数计算出来的，它运用了高斯的正态分布的密度函数作为基础计算函数；在一维下正态分布的函数可用公式(5)表达：
其中，μ是遵从正态分布的随机变量的均值，σ2是此随机变量的方差；一般情况下取μ为0；但公式(5)并不能二维状态下的影像数据进行计算，二维高斯曲面的公式见公式(6)：
高斯模糊算法中高斯模糊半径作为模糊效果的重要参数，高斯模糊半径在公式(6)中即为σ，σ越小，正态分布曲线越高越尖，σ越大，正态分布曲线越低越平缓。对二维图像来说，是一个钟形曲面，高斯模糊半径越小，曲面越高越尖越陡峭；高斯模糊半径越大，曲面越低越平缓。因此高斯模糊半径越小，则模糊越小，高斯模糊半径越大，则模糊程度越大。
匀光参数一般是利用低通滤波器窗口的大小进行控制，航空影像多采用经验值确定的窗口大小进行匀光计算，并得到较好的效果。但是，对于特殊影像或拼接影像采用经验值并不能达到匀光效果，必须对匀光中的低通滤波器窗口进行重新选择。本发明的匀光参数统计及计算是采用机器学习的方式进行统计及计算，从而获取到航空影像的最优匀光参数。
在本发明MASK匀光计算过程，低通滤波器采用的高斯模糊半径。高斯模糊半径过小，匀光效果过量，影像层次不够，大量高光与暗部细节都进行亮度调整；高斯模糊半径过大，匀光效果不明显，不能很好的调整影像亮度值。一般软件对于匀光参数均采用经验值设置，即达到了匀光效果也保证了较好的影像方差；对于特殊情况的航空影像如图1，采用经验参数不能解决其特殊情况。
由于匀光计算的目的是对于航空影像中由于光照条件、地物类别、拍摄角度、大气条件等因素的影响，出现亮度分布不均匀的现象进行处理，即对影像进行匀光处理，以得到亮度均匀的高质量影像。
本发明是利用机器学习中的线性回归算法，可以统计匀光后影像的亮度值，通过对影像行列像素值分别进行线性统计回归计算，利用公式(4)可计算单独行列值的回归误差值MSE，MSE值越小说明在行、列像素值与回归计算中回归值差距越小，MSE值越大说明行、列像素值与回归计算中回归值差距越大。在匀光实际效果中体现为MSE值越小，匀光后影像反差越小，匀光后影像对比不明显；MSE值越大，匀光后影像反差越大，匀光效果不明显。
利用本发明提供的方法及系统可计算出需要不同类型的航空影像的最佳匀光参数值。下面经过试验对于不同类型的航空影像采用上述方法得到的最佳匀光参数值进行判定与论证。
图4为本发明不同航空影像在匀光过程中采用不同匀光参数值得到的航空影像匀光误差曲线图，图4中横坐标是采用的不同匀光参数值，纵坐标是使用匀光参数值时利用公式(4)计算的MSE值(即匀光误差值)；其中，4-1是农村地区航空影像、4-2是城市地区航空影像、4-3是占据50％以上水体的航空影像；4-4是四拼相机出现光带的航空影像。
根据图4分析每种类型的航空影像的最佳匀光参数值，图4-1和图4-2是线性增加曲线，匀光过程中匀光参数值(高斯模糊半径)越大，影像匀光效果越差(影像亮度调整越差)。为保证匀光效果达到改善光照情况，同时保证影像的反差，所以，对于图4-1和图4-2，可选择在曲线变化开始变缓位置作为最佳匀光参数值，实际匀光效果可见图5。
图4-1和图4-2是线性递减曲线，对于图4-3和图4-4，可选择曲线中明显的变换位置作为最佳匀光参数值，实际匀光效果见图6。
本发明对具有光带的四拼相机航空影像成果进行了批量处理，匀光的航空影像近2000张，匀光后拼接达到了很好的效果，基本完全消除了光带对镶嵌影像的影响。同时利用本发明也可以通过匀光后曲线判定单张航空影像的拍摄类型是否存在大面积的光照不均匀影像。
与现有技术相比，本发明提供的方法及系统能够将航空影像中光带得到了较好的消除，同时影像匀光后的反差也比较理想，克服了匀光参数值选取较大后航空影像中的光带无法得到消除，匀光参数值选取过小航空影像反差较弱，影像整体效果。
本发明提供的采用机器学习算法对航空影像的最佳匀光参数确定方法，可对于特殊情况的航空影像进行智能的参数分析，对于一些特殊情况下的航空影像的最佳匀光参数自动获取具有一定的实际操作意义。另外，目前匀光软件采用的参数均为经验参数，对于不同的航空影像不能达到智能判断，而本申请利用机器学习的方式获取到不同航空影像的匀光参数曲线，在获取大量的匀光参数值后采用机器学习的方法自动获取不同航空影像的最佳匀光参数，提高匀光效果。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于机器学习的航空影像匀光方法，其特征在于，所述航空影像匀光方法具体包括：
获取航空影像；
确定匀光参数；所述匀光参数为高斯模糊半径参数；
采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值；
根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
2.根据权利要求1所述的基于机器学习的航空影像匀光方法，其特征在于，所述航空影像为农村地区航空影像、城市地区航空影像、占据50％以上水体的航空影像或者多拼相机出现光带的航空影像。
3.根据权利要求1所述的基于机器学习的航空影像匀光方法，其特征在于，在执行采用不同的匀光参数值对所述航空影像进行匀光操作之前，所述航空影像匀光方法还包括：
确定线性回归模型。
4.根据权利要求3所述的基于机器学习的航空影像匀光方法，其特征在于，所述确定线性回归模型，具体包括：
采用最小二乘法估算回归模型及所述回归模型的参数；
根据所述回归模型及所述回归模型的参数，建立线性回归模型。
5.根据权利要求3所述的基于机器学习的航空影像匀光方法，其特征在于，在执行确定线性回归模型之前，所述航空影像匀光方法还包括：
确定匀光参数集合；所述匀光参数集合包括多个不同的匀光参数值。
6.根据权利要求3所述的基于机器学习的航空影像匀光方法，其特征在于，所述采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图，具体包括：
采用不同的匀光参数值对所述航空影像进行匀光操作，得到多个不同匀光参数值的匀光航空影像；
采用所述线性回归模型，对所有所述匀光航空影像的行列像素值进行线性回归机器学习拟合，得到不同匀光参数值下的多个拟合值；
利用线性回归评价公式，计算每个所述拟合值的回归误差值；
根据所述回归误差值以及所述回归误差值对应的匀光参数值，绘制航空影像匀光机器学习的拟合误差曲线图。
7.根据权利要求6所述的基于机器学习的航空影像匀光方法，其特征在于，所述线性回归评价公式为最小化误差平方和代价函数的平均公式。
8.根据权利要求1所述的基于机器学习的航空影像匀光方法，其特征在于，所述根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值，具体包括：
当所述拟合误差曲线图中的曲线线性变化为线性增加时，所述拟合误差曲线图中的最小曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值；
当所述拟合误差曲线图中的曲线线性变化为线性递减时，所述拟合误差曲线图中的最大曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。
9.一种基于机器学习的航空影像匀光系统，其特征在于，所述航空影像匀光系统具体包括：
航空影像获取模块，用于获取航空影像；
匀光参数确定模块，用于确定匀光参数；所述匀光参数为高斯模糊半径参数；
拟合误差曲线图得到模块，用于采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值；
最佳匀光参数值确定模块，用于根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811432743.0A CN109544481B (zh) | 2018-11-28 | 2018-11-28 | 一种基于机器学习的航空影像匀光方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811432743.0A CN109544481B (zh) | 2018-11-28 | 2018-11-28 | 一种基于机器学习的航空影像匀光方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109544481A true CN109544481A (zh) | 2019-03-29 |
| CN109544481B CN109544481B (zh) | 2021-07-13 |
Family
ID=65850674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811432743.0A Active CN109544481B (zh) | 2018-11-28 | 2018-11-28 | 一种基于机器学习的航空影像匀光方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544481B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703744A (zh) * | 2023-04-18 | 2023-09-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7310796B2 (en) * | 2004-08-27 | 2007-12-18 | Applied Materials, Israel, Ltd. | System and method for simulating an aerial image |
| US20100023916A1 (en) * | 2007-07-31 | 2010-01-28 | Chew Marko P | Model Based Hint Generation For Lithographic Friendly Design |
| US8520940B1 (en) * | 2011-05-09 | 2013-08-27 | Google Inc. | Automatic city block segmentation in aerial imagery for parallel processing |
| CN104463971A (zh) * | 2014-09-24 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种用于评价城市绿化三维布局的绿度空间配置曲线构建方法 |
| CN104462660A (zh) * | 2014-11-14 | 2015-03-25 | 贵州电力试验研究院 | 一种野外输电线路冬季覆冰厚度分布绘制方法 |
| CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及系统 |
| CN105844562A (zh) * | 2016-05-23 | 2016-08-10 | 华中师范大学 | 基于课程教学模型的学习者学习表现分析方法 |
| CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
| CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
| CN107067467A (zh) * | 2017-03-13 | 2017-08-18 | 华浩博达（北京）科技股份有限公司 | 基于线阵观测模型的快速三维环境构建方法及其应用方法 |
| CN107944126A (zh) * | 2017-11-21 | 2018-04-20 | 中国石油天然气股份有限公司 | 一种确定水驱油藏含水率的方法及装置 |
| CN108470370A (zh) * | 2018-03-27 | 2018-08-31 | 北京建筑大学 | 三维激光扫描仪外置相机联合获取三维彩色点云的方法 |
| US20180293720A1 (en) * | 2017-04-07 | 2018-10-11 | Nuflare Technology, Inc. | Pattern inspection apparatus, pattern position measurement apparatus, aerial image measurement system, method for measuring aerial image,pattern position repairing apparatus, method for repairing pattern position, aerial image data processing apparatus, method for processing aerial image data, pattern exposure apparatus, method for exposing pattern, method for manufacturing mask, and mask manufacturing system |
| US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
-
2018
- 2018-11-28 CN CN201811432743.0A patent/CN109544481B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7310796B2 (en) * | 2004-08-27 | 2007-12-18 | Applied Materials, Israel, Ltd. | System and method for simulating an aerial image |
| US20100023916A1 (en) * | 2007-07-31 | 2010-01-28 | Chew Marko P | Model Based Hint Generation For Lithographic Friendly Design |
| US8520940B1 (en) * | 2011-05-09 | 2013-08-27 | Google Inc. | Automatic city block segmentation in aerial imagery for parallel processing |
| CN104463971A (zh) * | 2014-09-24 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种用于评价城市绿化三维布局的绿度空间配置曲线构建方法 |
| CN104462660A (zh) * | 2014-11-14 | 2015-03-25 | 贵州电力试验研究院 | 一种野外输电线路冬季覆冰厚度分布绘制方法 |
| CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及系统 |
| CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
| CN105844562A (zh) * | 2016-05-23 | 2016-08-10 | 华中师范大学 | 基于课程教学模型的学习者学习表现分析方法 |
| CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
| CN107067467A (zh) * | 2017-03-13 | 2017-08-18 | 华浩博达（北京）科技股份有限公司 | 基于线阵观测模型的快速三维环境构建方法及其应用方法 |
| US20180293720A1 (en) * | 2017-04-07 | 2018-10-11 | Nuflare Technology, Inc. | Pattern inspection apparatus, pattern position measurement apparatus, aerial image measurement system, method for measuring aerial image,pattern position repairing apparatus, method for repairing pattern position, aerial image data processing apparatus, method for processing aerial image data, pattern exposure apparatus, method for exposing pattern, method for manufacturing mask, and mask manufacturing system |
| US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
| CN107944126A (zh) * | 2017-11-21 | 2018-04-20 | 中国石油天然气股份有限公司 | 一种确定水驱油藏含水率的方法及装置 |
| CN108470370A (zh) * | 2018-03-27 | 2018-08-31 | 北京建筑大学 | 三维激光扫描仪外置相机联合获取三维彩色点云的方法 |
Non-Patent Citations (2)
| Title |
|---|
| RODERICK KÖHLE等: "Aerial image based mask defect detection in dense array structures", 《PHOTOMASK AND NEXT-GENERATION LITHOGRAPHY MASK TECHNOLOGY XII》 * |
| 周丽雅: "受云雾干扰的可见光遥感影像信息补偿技术研究", 《中国博士学位论文全文数据库（信息科技辑）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703744A (zh) * | 2023-04-18 | 2023-09-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
| CN116703744B (zh) * | 2023-04-18 | 2024-05-28 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109544481B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103973990B (zh) | 宽动态融合方法及装置 | |
| CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
| CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
| CN103679656B (zh) | 一种图像自动锐化方法 | |
| CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
| CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
| CN103971343A (zh) | 基于相似像素点检测的图像降噪方法 | |
| CN103925893A (zh) | 一种卷绕电池的质量检测方法 | |
| CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
| CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
| CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
| CN105827993A (zh) | 调整图像曝光度的方法及系统 | |
| CN117522863B (zh) | 基于图像特征的集成箱体质量检测方法 | |
| CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
| CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
| CN109544481B (zh) | 一种基于机器学习的航空影像匀光方法及系统 | |
| CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
| CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
| CN103841327B (zh) | 一种基于原始图像的四维光场解码预处理方法 | |
| CN106934786B (zh) | 一种实现模具监视器的图像处理软件的方法 | |
| TW201228366A (en) | Method for detecting streaks in digital image | |
| CN114972084A (zh) | 一种图像对焦准确度评价方法及系统 | |
| CN112330689A (zh) | 一种基于人工智能的光伏相机曝光参数的调节方法及装置 | |
| CN110060258B (zh) | 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置 | |
| CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220127 Address after: 550002 No. 1, 12 / F, unit 1, building E7 (International Finance Street 1), Pengjiawan flower orchard project, huaguoyuan back street, Nanming District, Guiyang City, Guizhou Province [flower orchard community] Patentee after: Guizhou Zhengyuan Zhihua Technology Co.,Ltd. Address before: No. 191, Zhonghua North Road, Yunyan District, Guiyang City, Guizhou Province Patentee before: Zhang He |