CN112164004B - 一种联合优化全局和局部颜色一致性的色彩校正方法 - Google Patents

一种联合优化全局和局部颜色一致性的色彩校正方法 Download PDF

Info

Publication number
CN112164004B
CN112164004B CN202010958837.2A CN202010958837A CN112164004B CN 112164004 B CN112164004 B CN 112164004B CN 202010958837 A CN202010958837 A CN 202010958837A CN 112164004 B CN112164004 B CN 112164004B
Authority
CN
China
Prior art keywords
image
global
color
super
model
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.)
Active
Application number
CN202010958837.2A
Other languages
English (en)
Other versions
CN112164004A (zh
Inventor
姚剑
李云梦
李礼
龚烨
涂静敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010958837.2A priority Critical patent/CN112164004B/zh
Publication of CN112164004A publication Critical patent/CN112164004A/zh
Application granted granted Critical
Publication of CN112164004B publication Critical patent/CN112164004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)

Abstract

本发明提供了一种联合优化全局和局部颜色一致性的色彩校正方法，主要包括以下步骤：第一步，影像的超像素分割。第二步，色彩校正模型的构建，对于一张影像中不同的超像素部分，将应用不同的线性模型来对映射函数进行建模。第三步，模型参数的优化，基于上述模型，设计了同时考虑颜色一致性和梯度保持的能量函数，并额外融合了全局颜色约束以确保校正后的影像具有相似的全局色调。最后，根据超像素分割结果分别对影像中各部分进行色彩校正，实现具有色彩一致性的大规模合成影像的生成。本发明在全局优化的基础上，基于超像素分割提出了一种局部优化模型，使得色彩校正算法可以有效消除多个影像之间的全局和局部颜色差异，并尽可能保留影像梯度。

Description

一种联合优化全局和局部颜色一致性的色彩校正方法
技术领域
本发明涉及遥感影像处理技术领域，具体涉及一种联合优化全局和局部颜色一致性的色彩校正方法。
背景技术
大范围、多尺度的遥感影像，在城市规划、资源调查、灾害监测、环境保护等方面应用广泛。然而，单张影像的覆盖范围有限，为了获取大范围的高质量影像，满足应用需求，需要将多张同源或异源的影像进行拼接处理，即影像镶嵌。影像镶嵌是遥感和计算机视觉领域中的重要且经典的研究课题，用于将一系列几何对齐的影像合并为一张尽可能无缝的合成影像，是生成视觉一致的全景图像和数字正射影像图(DOM)的关键技术。在影像镶嵌领域中存在两个关键问题：几何错位和颜色不一致。针对后一个问题，图像融合技术可以有效地平滑接缝线上的细微色差，但无法消除剧烈的颜色差异。为了避免合成影像中出现颜色伪影和可见的接缝，在合成影像前必须进行色彩校正。目前用于多张影像的色彩校正方法主要可以分为两类：基于路径传播的方法和基于全局优化的方法。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
基于路径传播的方法首先需要选择一张影像作为参考影像，然后基于计算的最佳传播路径，逐步将参考影像的色彩转移到影像集合中的其他影像。然而，该类方法有两个缺陷：一个是参考影像的选择问题，在色彩校正领域参考影像的自动选择仍是一个开放议题，因此只能从输入影像集中手动选择参考影像。另一个是误差累计问题，在路径传播过程中，误差的逐步累积是无法避免的，而且误差的大小受路径选择的影响，因此在网状结构的影像集中，还会产生“两体”问题，即不同传播路径上的相邻影像存在色彩差异。因此，基于路径传播的方法对于多张影像的色彩校正问题并不是一个很好的解决方案。
基于全局优化的方法有效避免了上述问题，也是目前的主流方法。与基于路径传播的方法相比，基于全局优化的方法同时校正所有影像，而不是依次校正每张影像。该类方法将色彩校正问题表述为定义在所有影像上的全局能量优化问题，因此可以通过求解能量函数的方式同时获得所有影像各自的校正模型参数。但是，受限于全局优化框架，目前的全局优化方法主要采用简单但灵活性不足的模型来校正颜色差异，例如线性模型、伽马模型等。显然，这类模型很难有效地近似估计多个影像之间的剧烈色差。另外，同一场景中不同材质目标的反射率不同，因此不同区域的颜色差异通常是不同的，但是大部分基于全局优化的方法使用相同的模型校正同一影像中的所有像素。因此，该类方法对局部颜色差异的校正能力是十分有限的。
发明内容
本发明提出一种联合优化全局和局部颜色一致性的色彩校正方法，用于解决或者至少部分解决现有技术的方法无法消除多个影像之间的全局和局部颜色差异，而存在的校正效果不佳的技术问题。
为了解决上述技术问题，本发明提供了一种联合优化全局和局部颜色一致性的色彩校正方法，包括：
S1：对输入影像进行超像素分割；
S2：根据超像素分割后的影像构建局部色差校正模型；
S3：基于局部色差校正模型，构建在输入影像集上的全局能量函数，并通过求解全局能量函数得到局部色差校正模型的参数，获得局部线性校正模型，其中，输入影像集由输入影像构成，全局能量函数考虑颜色一致性和梯度保持，并额外融合全局颜色约束以使校正后的影像具有相似的全局色调；
S4：采用局部线性校正模型分别为每个超像素区域调整颜色，得到最终的颜色一致性影像。
在一种实施方式中，S1中，采用改进的简单线性迭代聚类算法对输入影像进行超像素分割处理。
在一种实施方式中，S2具体包括：
获取输入影像Ii中包含的所有超像素
Figure BDA0002679679690000021
其中，
Figure BDA0002679679690000022
表示该影像上的超像素数量；
对于影像Ii中的任意超像素
Figure BDA0002679679690000023
构建对应的局部线性模型，表示为
Figure BDA0002679679690000024
Figure BDA0002679679690000031
其中，
Figure BDA0002679679690000032
表示超像素
Figure BDA0002679679690000033
对应的局部线性模型的参数；
根据超像素的局部线性模型，构建影像Ii的局部色彩校正模型，其为一个局部线性模型的集合，表示为
Figure BDA0002679679690000034
在一种实施方式中，S3构建的在输入影像集上的全局能量函数为：
Figure BDA0002679679690000035
其中，全局能量函数包括五部分：数据项Edata、平滑项Esmooth、正则项Eregular、梯度项Egradient和全局项Eglobal，数据项中，k表示超像素集合
Figure BDA0002679679690000036
中的任一超像素，
Figure BDA0002679679690000037
表示覆盖超像素Sk的影像集合，平滑项中，m表示影像Ii中的任一超像素，
Figure BDA0002679679690000038
表示
Figure BDA0002679679690000039
在影像Ii中的相邻超像素的集合，n表示该集合中的任一超像素，正则项、梯度项和全局项中，k表示影像Ii中的任一超像素，λ表示平衡梯度项的权重。
在一种实施方式中，全局能量函数中数据项的计算方式为：
Figure BDA00026796796900000310
其中，数据项定义为所有重叠超像素校正后的颜色差异的平方和，用于评估影像间的颜色差异，上式中对于超像素Sk，Sk被影像Ii、Ij覆盖，
Figure BDA00026796796900000311
和
Figure BDA00026796796900000312
分别表示在影像Ii、Ij中超像素区域Sk中像素的平均值，
Figure BDA00026796796900000313
和
Figure BDA00026796796900000314
分别表示
Figure BDA00026796796900000315
和
Figure BDA00026796796900000316
对应的线性校正模型的参数，||·||2表示L2范数。
在一种实施方式中，全局能量函数中平滑项的计算方式为：
Figure BDA00026796796900000317
其中，xr表示取样强度，
Figure BDA00026796796900000318
和
Figure BDA00026796796900000319
分别表示
Figure BDA00026796796900000320
和
Figure BDA00026796796900000321
对应的线性校正模型的参数，
Figure BDA00026796796900000322
和
Figure BDA00026796796900000323
为影像Ii中的相邻超像素。
在一种实施方式中，全局能量函数中正则项的计算方式为：
Figure BDA00026796796900000324
其中，
Figure BDA0002679679690000041
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure BDA0002679679690000042
表示超像素
Figure BDA0002679679690000043
对应的线性校正模型的参数。
在一种实施方式中，全局能量函数中梯度项的计算方式为：
Figure BDA0002679679690000044
其中，
Figure BDA0002679679690000045
表示超像素
Figure BDA0002679679690000046
对应的线性校正模型的增益参数。
在一种实施方式中，全局能量函数中全局的计算方式为：
Figure BDA0002679679690000047
其中，对于每张影像Ii，定义一个额外的全局线性模型，
Figure BDA0002679679690000048
和
Figure BDA0002679679690000049
分别表示该全局线性模型的增益和偏差，
Figure BDA00026796796900000410
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure BDA00026796796900000411
表示超像素
Figure BDA00026796796900000412
对应的线性校正模型的参数。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种联合优化全局和局部颜色一致性的色彩校正，首先对输入影像进行超像素分割，并基于超像素构建局部色差校正模型，然后通过求解构建在输入影像集上的全局能量函数，得到色差校正模型的参数，进而对输入影像进行色差校正，实现在尽可能保留影像原始梯度的前提下消除影像间的全局和局部色差，由于设计了同时考虑颜色一致性和梯度保持的能量函数，并额外融合了全局颜色约束以确保校正后的影像具有相似的全局色调。因此，可以通过最小化此能量函数来共同优化全局和局部颜色一致性。本发明在全局优化的基础上，基于超像素分割提出了一种局部优化模型(即局部线性校正模型)，使得色彩校正算法可以有效消除多个影像之间的全局和局部颜色差异，并尽可能保留影像梯度，改善了色彩校正的效果。
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，下面将对实施例或现有技术描述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为本发明提出的技术方案主要流程的示意图。
图2为本发明使用的改进SLIC算法的分割结果示意图。
图3为色彩校正模型的示意图。
具体实施方式
为了解决现有方法无法消除多个影像之间的全局和局部颜色差异，而存在的校正效果不佳的技术问题，在影像镶嵌任务中实现全局和局部颜色差异的消除，本发明提供了一种用于影像镶嵌的联合优化全局和局部颜色一致性的色彩校正方法。
为了达到上述技术效果，本发明的主要构思如下：
第一步，影像的超像素分割。第二步，色彩校正模型的构建，对于一张影像中不同的超像素部分，将应用不同的线性模型来对映射函数进行建模。第三步，模型参数的优化，基于上述模型，设计了同时考虑颜色一致性和梯度保持的能量函数，并额外融合了全局颜色约束以确保校正后的影像具有相似的全局色调。因此，可以通过最小化此能量函数来共同优化全局和局部颜色一致性。最后，根据超像素分割结果分别对影像中各部分进行色彩校正，实现具有色彩一致性的大规模合成影像的生成。本发明在全局优化的基础上，基于超像素分割提出了一种局部优化模型，使得色彩校正算法可以有效消除多个影像之间的全局和局部颜色差异，并尽可能保留影像梯度。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了一种联合优化全局和局部颜色一致性的色彩校正方法，包括：
S1：对输入影像进行超像素分割；
S2：根据超像素分割后的影像构建局部色差校正模型；
S3：基于局部色差校正模型，构建在输入影像集上的全局能量函数，并通过求解全局能量函数得到局部色差校正模型的参数，获得局部线性校正模型，其中，输入影像集由输入影像构成，全局能量函数考虑颜色一致性和梯度保持，并额外融合全局颜色约束以使校正后的影像具有相似的全局色调；
S4：采用局部线性校正模型分别为每个超像素区域调整颜色，得到最终的颜色一致性影像。
具体来说，假设输入的影像集表示为
Figure BDA0002679679690000061
其中N为输入影像的数量。输入的影像应在几何上对齐到相同的坐标系，以便在色彩校正之前构造影像间的相邻关系。本发明拟对Ii进行超像素分割，并基于超像素构建局部色差校正模型，然后通过求解构建在
Figure BDA0002679679690000062
上的全局能量函数，得到色差校正模型的参数，进而对输入影像进行色差校正，实现在尽可能保留影像原始梯度的前提下消除影像间的全局和局部色差。具体流程如图1所示。Inputimages为输入图像，Superpixel segmentation表示超像素分割，Colorcorrectionmodelconstruction表示构建局部线性校正模型，modelparameteroptimization表示模型参数优化，correctedimages表示校正后的影像。
在一种实施方式中，S1中，采用改进的简单线性迭代聚类算法对输入影像进行超像素分割处理。
具体来说，超像素是进行色彩校正的基本处理单元。对输入影像集I的每张影像，使用经典的简单线性迭代聚类算法(SimpleLinearIterativeCluster,SLIC)分别进行超像素分割处理。为了提取每个影像对的颜色对应，应确保任意影像对的重叠区域的分割保持一致。因此，使用改进的SLIC算法，以保证超像素的边界与相应影像的边缘匹配，分割结果如图2所示，其中，(a)和(b)分别表示第一张影像和第二张影像的分割结果。
在一种实施方式中，S2具体包括：
获取输入影像Ii中包含的所有超像素
Figure BDA0002679679690000063
其中，
Figure BDA0002679679690000064
表示该影像上的超像素数量；
对于影像Ii中的任意超像素
Figure BDA0002679679690000065
构建对应的局部线性模型，表示为
Figure BDA0002679679690000066
Figure BDA0002679679690000067
其中，
Figure BDA0002679679690000068
表示超像素
Figure BDA0002679679690000069
对应的局部线性模型的参数；
根据超像素的局部线性模型，构建影像Ii的局部色彩校正模型，其为一个局部线性模型的集合，表示为
Figure BDA00026796796900000610
具体来说，由于超像素是影像的过度分割，每个超像素都属于物理世界同一对象。因此，假设同一个超像素中的所有像素共享一个颜色映射函数，特别地，使用线性模型来表达该函数，如图3所示。对于输入影像Ii中的任意像素p，对应的校正后影像
Figure BDA0002679679690000071
中的像素p的强度计算如下式：
Figure BDA0002679679690000072
其中Ii(p)和
Figure BDA0002679679690000073
分别表示像素点p在影像Ii和
Figure BDA0002679679690000074
上的强度，a和b分别表示线性模型的增益和偏差。
在步骤S1中，本发明对所有影像进行了超像素分割处理，假设
Figure BDA0002679679690000075
表示所有的超像素，其中K表示超像素的数量。显然，对于每个超像素Sk，它可能被一张或几张影像覆盖。而一张影像中，也包含多个超像素。
Figure BDA0002679679690000076
表示影像Ii中包含的所有超像素，其中KIi表示该影像上的超像素数量。那么，对于影像Ii中的任意超像素
Figure BDA0002679679690000077
它对应的局部线性模型可以表示为
Figure BDA0002679679690000078
因此，影像Ii最终的色彩校正模型是一个局部线性模型的集合，表示为
Figure BDA0002679679690000079
在一种实施方式中，S3构建的在输入影像集上的全局能量函数为：
Figure BDA00026796796900000710
其中，全局能量函数包括五部分：数据项Edata、平滑项Esmooth、正则项Eregular、梯度项Egradient和全局项Eglobal，数据项中，k表示超像素集合
Figure BDA00026796796900000711
中的任一超像素，
Figure BDA00026796796900000712
表示覆盖超像素Sk的影像集合，平滑项中，m表示影像Ii中的任一超像素，
Figure BDA00026796796900000713
表示
Figure BDA00026796796900000714
在影像Ii中的相邻超像素的集合，n表示该集合中的任一超像素，正则项、梯度项和全局项中，k表示影像Ii中的任一超像素，λ表示平衡梯度项的权重。
具体来说，在本发明中，色彩校正在RGB色彩空间中进，因此该局部线性校正模型是在RGB空间的每个通道中独立优化的。对于每个通道，可以得到对应的全局能量函数E。具体实施过程中，λ＝10。
在一种实施方式中，全局能量函数中数据项的计算方式为：
Figure BDA0002679679690000081
其中，数据项定义为所有重叠超像素校正后的颜色差异的平方和，用于评估影像间的颜色差异，上式中对于超像素Sk，Sk被影像Ii、Ij覆盖，
Figure BDA0002679679690000082
和
Figure BDA0002679679690000083
分别表示在影像Ii、Ij中超像素区域Sk中像素的平均值，
Figure BDA0002679679690000084
和
Figure BDA0002679679690000085
分别表示
Figure BDA0002679679690000086
和
Figure BDA0002679679690000087
对应的线性校正模型的参数，||·||2表示L2范数。
在一种实施方式中，全局能量函数中平滑项的计算方式为：
Figure BDA0002679679690000088
其中，xr表示取样强度，
Figure BDA0002679679690000089
和
Figure BDA00026796796900000810
分别表示
Figure BDA00026796796900000811
和
Figure BDA00026796796900000812
对应的线性校正模型的参数，
Figure BDA00026796796900000813
和
Figure BDA00026796796900000814
为影像Ii中的相邻超像素。
具体来说，不同的超像素区域使用不同的线性模型校正，若同一张影像中相邻超像素的线性模型相差过大，单张影像中就会出现不可忽视的颜色不一致。假设单张影像中相邻超像素的线性模型应保持相似。在[0,255]范围内以固定间隔取样，表示为
Figure BDA00026796796900000815
其中R表示取样数，在本发明中R＝3。对于影像Ii中的相邻超像素
Figure BDA00026796796900000816
和
Figure BDA00026796796900000817
其对应的平滑项的计算方式如上式。
在一种实施方式中，全局能量函数中正则项的计算方式为：
Figure BDA00026796796900000818
其中，
Figure BDA00026796796900000819
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure BDA00026796796900000820
表示超像素
Figure BDA00026796796900000821
对应的线性校正模型的参数。
具体来说，为了避免最优解为零解，假设校正后的影像色彩应尽可能接近原始影像色彩。则对于任意超像素
Figure BDA00026796796900000822
其对应的正则项计算公式如上式所示。
在一种实施方式中，全局能量函数中梯度项的计算方式为：
Figure BDA00026796796900000823
其中，
Figure BDA00026796796900000824
表示超像素
Figure BDA00026796796900000825
对应的线性校正模型的增益参数。
具体来说，梯度项的设置可以保持影像的梯度，避免影像细节的丢失。因为梯度是强度的一阶微分，如果线性校正模型的增益等于1，则可以有效保留影像梯度。对于任意超像素
Figure BDA0002679679690000091
其对应的梯度项计算公式如上式。
在一种实施方式中，全局能量函数中全局项的计算方式为：
Figure BDA0002679679690000092
其中，对于每张影像Ii，定义一个额外的全局线性模型，
Figure BDA0002679679690000093
和
Figure BDA0002679679690000094
分别表示该全局线性模型的增益和偏差，
Figure BDA0002679679690000095
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure BDA0002679679690000096
表示超像素
Figure BDA0002679679690000097
对应的线性校正模型的参数。
具体来说，在本发明中，色彩校正模型是一系列局部线性模型，它可以很好地消除局部颜色差异，但相应地，对于全局颜色差异的校正能力较弱。为了解决这个问题，本发明将全局颜色一致性约束融合到能量函数中作为全局项。对于每张影像Ii，定义一个额外的全局线性模型，并令
Figure BDA0002679679690000098
和
Figure BDA0002679679690000099
分别表示该全局线性模型的增益和偏差。值得注意的是，全局线性模型只是一个虚拟模型，仅用来约束之前的局部线性模型，并不参与输入影像最终的色彩校正过程。全局项约束局部线性模型与其所在影像的全局线性模型的参数尽可能接近。因此，全局颜色差异和局部颜色差异可以同时得到有效的消除。
综合5项得到的总的能量函数，其对应的优化参数为局部线性模型
Figure BDA00026796796900000910
Figure BDA00026796796900000911
的集合。该能量函数E是二次目标函数，可以通过将导数设置为0轻松地以闭合形式求解。最后根据求解的参数，得到局部线性校正模型，再通过该模型分别为每个超像素区域调整颜色，即可得到最终的颜色一致性影像。
本发明中所描述的具体实施的例子仅仅是对本发明的方法和步骤的举例说明。本发明所述技术领域的技术人员可以对所描述的具体实施步骤做相应的修改或补充或变形(即采用类似的替代方式)，但是不会背离本发明的原理和实质或者超越所附权利要求书所定义的范围。本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种联合优化全局和局部颜色一致性的色彩校正方法，其特征在于，包括：
S1：对输入影像进行超像素分割；
S2：根据超像素分割后的影像构建局部色差校正模型；
S3：基于局部色差校正模型，构建在输入影像集上的全局能量函数，并通过求解全局能量函数得到局部色差校正模型的参数，获得局部线性校正模型，其中，输入影像集由输入影像构成，全局能量函数考虑颜色一致性和梯度保持，并额外融合全局颜色约束以使校正后的影像具有相似的全局色调；
S4：采用局部线性校正模型分别为每个超像素区域调整颜色，得到最终的颜色一致性影像；
其中，S3构建的在输入影像集上的全局能量函数为：
Figure FDA0003677727720000011
其中，全局能量函数包括五部分：数据项Edata、平滑项Esmooth、正则项Eregular、梯度项Egradient和全局项Eglobal，数据项中，k表示超像素集合
Figure FDA0003677727720000012
中的任一超像素，
Figure FDA0003677727720000013
表示覆盖超像素Sk的影像集合，平滑项中，m表示影像Ii中的任一超像素，
Figure FDA0003677727720000014
表示
Figure FDA0003677727720000015
在影像Ii中的相邻超像素的集合，n表示该集合中的任一超像素，正则项、梯度项和全局项中，k表示影像Ii中的任一超像素，λ表示平衡梯度项的权重；
全局能量函数中全局项的计算方式为：
Figure FDA0003677727720000016
其中，对于每张影像Ii，定义一个额外的全局线性模型，
Figure FDA0003677727720000017
和
Figure FDA0003677727720000018
分别表示该全局线性模型的增益和偏差，
Figure FDA0003677727720000019
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure FDA00036777277200000110
表示超像素
Figure FDA00036777277200000111
对应的线性校正模型的参数。
2.如权利要求1所述的色彩校正方法，其特征在于，S1中，采用改进的简单线性迭代聚类算法对输入影像进行超像素分割处理。
3.如权利要求1所述的色彩校正方法，其特征在于，S2具体包括：
获取输入影像Ii中包含的所有超像素
Figure FDA00036777277200000112
其中，
Figure FDA00036777277200000113
表示该影像上的超像素数量；
对于影像Ii中的任意超像素
Figure FDA0003677727720000021
构建对应的局部线性模型，表示为
Figure FDA0003677727720000022
其中，
Figure FDA0003677727720000023
表示超像素
Figure FDA0003677727720000024
对应的局部线性模型的参数；
根据超像素的局部线性模型，构建影像Ii的局部色彩校正模型，其为一个局部线性模型的集合，表示为
Figure FDA0003677727720000025
4.如权利要求1所述的色彩校正方法，其特征在于，全局能量函数中数据项的计算方式为：
Figure FDA0003677727720000026
其中，数据项定义为所有重叠超像素校正后的颜色差异的平方和，用于评估影像间的颜色差异，上式中对于超像素Sk，Sk被影像Ii、Ij覆盖，
Figure FDA0003677727720000027
和
Figure FDA0003677727720000028
分别表示在影像Ii、Ij中超像素区域Sk中像素的平均值，
Figure FDA0003677727720000029
和
Figure FDA00036777277200000210
分别表示
Figure FDA00036777277200000211
和
Figure FDA00036777277200000212
对应的线性校正模型的参数，||·||2表示L2范数。
5.如权利要求1所述的色彩校正方法，其特征在于，全局能量函数中平滑项的计算方式为：
Figure FDA00036777277200000213
其中，xr表示取样强度，
Figure FDA00036777277200000214
和
Figure FDA00036777277200000215
分别表示
Figure FDA00036777277200000216
和
Figure FDA00036777277200000217
对应的线性校正模型的参数，
Figure FDA00036777277200000218
和
Figure FDA00036777277200000219
为影像Ii中的相邻超像素。
6.如权利要求1所述的色彩校正方法，其特征在于，全局能量函数中正则项的计算方式为：
Figure FDA00036777277200000220
其中，
Figure FDA00036777277200000221
表示在影像Ii中超像素区域Sk中像素的平均值，
Figure FDA00036777277200000222
表示超像素
Figure FDA00036777277200000223
对应的线性校正模型的参数。
7.如权利要求1所述的色彩校正方法，其特征在于，全局能量函数中梯度项的计算方式为：
Figure FDA00036777277200000224
其中，
Figure FDA00036777277200000225
表示超像素
Figure FDA00036777277200000226
对应的线性校正模型的增益参数。
CN202010958837.2A 2020-09-14 2020-09-14 一种联合优化全局和局部颜色一致性的色彩校正方法 Active CN112164004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010958837.2A CN112164004B (zh) 2020-09-14 2020-09-14 一种联合优化全局和局部颜色一致性的色彩校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010958837.2A CN112164004B (zh) 2020-09-14 2020-09-14 一种联合优化全局和局部颜色一致性的色彩校正方法

Publications (2)

Publication Number Publication Date
CN112164004A CN112164004A (zh) 2021-01-01
CN112164004B true CN112164004B (zh) 2022-09-13

Family

ID=73858710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010958837.2A Active CN112164004B (zh) 2020-09-14 2020-09-14 一种联合优化全局和局部颜色一致性的色彩校正方法

Country Status (1)

Country Link
CN (1) CN112164004B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096047B (zh) * 2021-04-25 2022-04-29 华中师范大学 广义云驱动与辐射协同遥感影像几何精校正方法及系统
CN113242417B (zh) * 2021-05-10 2022-09-13 中国人民解放军海军航空大学 标准差加权的色偏数字图像校正方法
CN117291443B (zh) * 2023-11-27 2024-02-13 国网湖北省电力有限公司中超建设管理公司 基于多维感知技术的智能放线系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10679328B2 (en) * 2018-05-23 2020-06-09 Adobe Inc. Machine learning techniques for increasing color consistency across videos
CN109461128B (zh) * 2018-10-24 2021-09-28 福州大学 一种基于梯度保持的结构一致立体图像颜色校正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
遥感影像增强及色彩一致性算法研究;崔浩;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20190115;第2019年卷(第01期);第A008-270页 *

Also Published As

Publication number Publication date
CN112164004A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112164004B (zh) 一种联合优化全局和局部颜色一致性的色彩校正方法
US9036860B2 (en) Method for editing propagation of video and image content based on local feature structure preservation
Xie et al. Guided color consistency optimization for image mosaicking
TWI449417B (zh) 用以實現視訊穩定化之方法與裝置
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN106815807A (zh) 一种基于gpu‑cpu协同的无人机影像快速镶嵌方法
CN109118578A (zh) 一种层次化的多视图三维重建纹理映射方法
CN111242848B (zh) 基于区域特征配准的双目相机图像缝合线拼接方法及系统
CN111369660A (zh) 一种三维模型的无接缝纹理映射方法
Chen et al. Structure-aware image inpainting using patch scale optimization
Yin et al. Visual attention dehazing network with multi-level features refinement and fusion
CN104504672B (zh) 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法
CN110430403A (zh) 一种图像处理方法和装置
Wei et al. Domain-based structure-aware image inpainting
Su et al. An edge-refined vectorized deep colorization model for grayscale-to-color images
Yue et al. Real-rawvsr: Real-world raw video super-resolution with a benchmark dataset
CN113920030B (zh) 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置
CN115115516A (zh) 基于Raw域的真实世界视频超分辨率算法
CN111311517B (zh) 基于抠图的颜色校正优化方法
CN111010605B (zh) 一种视频画中画窗口的显示方法
Lu et al. Fusion based seamless mosaic for remote sensing images
CN116132610A (zh) 一种综采面视频拼接方法及系统
CN111445403A (zh) 一种适用于星上图像预处理的图像插值方法
CN105957038B (zh) 一种基于连分式插值技术的银行破损票据图片正负向修补方法及其系统
Hong et al. An improved color consistency optimization method based on the reference image contaminated by clouds

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