CN116894784A - 一种基于被云污染的参考图像的颜色校正方法 - Google Patents
一种基于被云污染的参考图像的颜色校正方法 Download PDFInfo
- Publication number
- CN116894784A CN116894784A CN202310886925.XA CN202310886925A CN116894784A CN 116894784 A CN116894784 A CN 116894784A CN 202310886925 A CN202310886925 A CN 202310886925A CN 116894784 A CN116894784 A CN 116894784A
- Authority
- CN
- China
- Prior art keywords
- reference image
- image
- cloud
- pixels
- row
- 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 48
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000002156 mixing Methods 0.000 claims abstract description 12
- 230000002146 bilateral effect Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 3
- 238000005457 optimization Methods 0.000 claims 1
- 239000003086 colorant Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于被云污染的参考图像的颜色校正方法，该方法对参考图像进行优化，进而基于优化后的参考图像对原始影像进行颜色校正。包括步骤：获得参考影像，修补该参考影像上被云和/或云阴影污染的区域，并提取修补后的参考影像的低频信息；对原始影像进行降采样，以获得与参考影像分辨率一致的降采样影像；提取降采样影像的高频信息；叠加所述高、低频信息，以生成优化后的参考影像。通过泊松混合修补该参考影像上被云和/或云阴影污染的区域，并采用高斯滤波提取修补后的参考影像的低频信息。
Description
技术领域
本发明属于图像处理技术领域，特别涉及一种基于被云污染的参考图像的颜色校正方法。
背景技术
数字正射影像(DOM)在地表覆盖分类、变化检测和地理国情要素提取等领域发挥着至关重要的作用。在制作DOM的过程中，通常需要尽可能无缝地将多幅图像拼接成一幅覆盖范围更大的图像。然而，遥感图像通常由不同的传感器在不同时间、角度和成像条件下采集，这将导致影像间存在明显的辐射差异，由于颜色不一致严重干扰了合成图像的视觉质量。
发明内容
本公开实施例之一，一种基于被云污染的参考图像的颜色校正方法。首先，通过泊松混合修补参考影像上被云和云阴影污染的区域并采用高斯滤波提取修补后的参考影像的低频信息。其次，对原始影像进行均值降采样以获得与参考影像分辨率一致的降采样影像。然后，采用基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。接着，叠加上述的高低频信息以生成优化后的参考影像。最后，根据优化的参考影像和构建的局部线性模型校正影像间的色彩差异。
本公开实施例中，通过匀光匀色方法将泊松混合策略应用于参考图像修复方面，有效地避免了参考影像上的云和云阴影对结果影像的干扰。此外，基于高斯滤波和双边滤波的边界平滑策略，实现了影像间色彩的均匀过渡，消除了影像间明显的拼接痕迹。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1根据本发明实施例之一的参考图像颜色校正方法示意图。
图2根据本发明实施例之一的本公开与现有方法实验结果对比的示例图。
图3根据本发明实施例之一的本公开在ZY3-01/02数据集上实验结果的示例图。
其中，图2中，2-(a)是输入影像，2-(b)是参考影像，2-(c)和2-(d)分别为现有方法和本公开实施例的方法生成的影像。
在图3中，3-(a)是原始影像，3-(b)和3-(c)分别为使用BARN(block adjustment-based radiometric normalization)和GTA(global tilting adjustment)生成的影像，3-(d)采用本公开实施例的方法生成的影像。
具体实施方式
为了消除图像之间的色差并获得无缝的拼接数据，已经提出使用外部参考来校正影像的颜色。例如，一种基于颜色参考库的图像色彩平衡方法。计算外部参考图像和原始图像的局部平均值，并对图像进行伽马校正。利用低分辨率外部颜色基准的低频信号模拟地物的颜色分布，采用去雾和辐射校正相结合的模型实现图像的自动颜色校正。现有的这些方法充分利用颜色参考的优点，避免了传统颜色平衡方法中的颜色误差传播和两体问题。但当颜色参考存在一些干扰因素(云和云阴影)时，这些方法可能会失败。针对基于外部颜色基准的颜色平衡方法易受参考影像中云、云阴影干扰或者云污染，难以兼顾地物色彩的保真和影像间色彩的均匀过渡的问题。因此需要提出一种基于被云污染的参考图像的颜色校正方法。
本公开提供了一种基于被云污染的参考图像的颜色校正方法，解决了现有颜色校正算法易受参考影像中云和云阴影干扰，难以兼顾地物色彩的保真和影像间色彩的均匀过渡的问题，提高了结果影像的颜色一致性。
根据一个或者多个实施例，一种基于被云污染的参考图像的颜色校正方法，包括以下步骤：
首先，通过泊松混合方法，修补参考影像上被云和云阴影污染的区域并采用高斯滤波提取修补后的参考影像的低频信息。其次，对原始影像进行均值降采样以获得与参考影像分辨率一致的降采样影像。然后，采用基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。接着，叠加上述的高低频信息以生成优化后的参考影像。最后，根据优化的参考影像和构建的局部线性模型校正影像间的色彩差异。在这里，参考图像即为参考影像，参考影像通常为一张覆盖面积范围非常大(例如一张全国地图)，影像内部光照均匀、对比度适中、纹理清晰、无云或少云的影像。原始影像指的是需要进行颜色校正的影像，通常为多张相互重叠的影像。多张原始影像与一张参考影像覆盖相同的区域。在这里，低频信息对应图像内变化缓慢的灰度分量。例如，图像内物体的颜色分布的信息。高频信息对应着图像内变化快速的灰度分量，例如，图像内物体的边缘和纹理信息。
所述的泊松混合方法，包括以下步骤：
(1)采用卷积核k1＝[0,-1,1]对参考影像和原始影像进行卷积操作以计算两幅影像在x方向上的梯度分布，然后基于卷积核以同样的方式计算两幅影像在y方向上的梯度分布。
(2)根据现有的云和云阴影检测算法提取参考影像上的云和云阴影，并生成掩膜影像。然后，基于掩膜影像找出参考影像上被污染的区域，之后，采用原始影像上对应区域的梯度替换参考影像上被污染的区域的梯度，以生成待重建的参考影像在x和y方向上的梯度分布图。
(3)采用卷积核k2＝[-1,1,0]对待重建的参考影像在x方向上的梯度分布图进行卷积操作，以获得该参考影像在x方向上梯度的偏导数分布图。然后基于卷积核以同样的方式获得该参考影像在y方向上梯度的偏导数分布图。之后，将两个方向上梯度的偏导数图叠加以获得待重建的参考影像的散度。
(4)根据待重建的参考影像上被污染区域内的散度和位于污染区域边界处的像素值，建立并求解以下泊松方程，方程的解即为重建出的像素值。
其中，D表示待重建的参考影像内被污染的区域，其边界为Δ是拉普拉斯算子；f是定义在D内待求解的标量函数；divV代表区域D内已知的引导向量场V(α,β)的散度，即f*是定义在区域D外的已知的标量函数；/>为狄利克雷边界条件。
进一步的，所述的基于高斯滤波和双边滤波的边缘平滑策略，包括步骤：
(1)修改降采样影像四周的零值(无效值)。
假设一幅遥感影像的大小为M×N。首先从M/2行开始依次按从下往上，从左到右的顺序遍历每一行像素并修改每行像素当中的零值直至遍历完第0行像素为止，如果第i行像素全为零，则用第i+1行像素替换第i行像素。最后，从M/2行开始依次按从上往下，从左到右的顺序访问每一行像素直至遍历完第M-1行像素为止，如果第j行像素全为零，则用第j-1行像素替换第j行像素。在遍历每行像素时，先将第一个不为零的像素的列号记为C1，值记为V1；然后，将最后一个不为零的像素的列号记为C2，值记为V2；最后，将列号为0,1,2,…,C1-1的像素的值修改为V1，将列号为C2+1,C2+2,C2+3,…,N-1的像素的值修改为V2。
(2)提取降采样影像的高频信息。对大小为W×H的降采样影像进行高斯滤波和双边滤波以提取影像的高频信息，其中两种滤波方法采用的卷积核大小为k×k,计算公式如下：
另外，双边滤波的参数sigmaSpace(空间域标准差)和sigmaColor(灰度值域标准差)分别设为50和12.5。
(3)计算权重矩阵。
首先将大小为W×H的权重矩阵的值全部初始化为1；之后，采用步骤二中大小为k×k的卷积核对权重矩阵进行卷积操作，并将处理的结果作为最终的权重矩阵。
(4)通过以下公式计算加权高频信息HO。
HO＝ω⊙HG+(1-ω)⊙HB (3)
其中，⊙表示矩阵的点乘运算；HG和HB分别代表高斯滤波和双边滤波提取的高频信息；ω是权重矩阵。
进一步的，局部线性模型的构建方法包括以下步骤：
(1)对目标影像和原始影像进行分块处理并假设每个w×h的影像块内的像素都满足线性模型，则有等式(4).
其中，和/>分别表示目标影像和原始影像内的影像块的亮度均值；a,b是影像块的线性模型参数。
(2)当影像块内存在暗色调地物时，影像块的亮度主要来源于漫反射的光线，理论上对该影像块进行颜色校正后其亮度变化不大。即当Isrc(r,c)→0时，有Idst(r,c)→0，进而推出当时，有/>代入式(4)可得b→0，因此对于影像块则有:
(3)由于降采样影像Isrcdown是原始影像通过均值降采样得到的，因此其像素值可以作为原始影像的影像块均值。基于公式(5),将优化后的参考影像Idstdown和降采样影像Isrcdown对应位置处的像素值进行比值运算，即可计算出每个影像块的线性模型增益系数a。为了避免对高亮地物拉伸产生亮度爆点以及影像中异常值的干扰，在计算参数a时，如果Idstdown和Isrcdown对应位置处的像素值都符合3σ原则，则按照公式(5)计算参数a；反之，则将参数a的值设为1。之后，进一步将计算出的增益系数图中不符合3σ原则的异常值改为1。
(4)基于双线性插值的方式将增益系数图、Idstdown和Isrcdown上采样到原始影像大小，结果分别即为A、Ldst和Lsrc。然后根据公式(6)计算出色彩校正后的影像Idst。
Idst＝A×(Isrc-Lsrc)+Ldst (6)
其中，Isrc是原始影像。在处理彩色影像时，需要先将影像从RGB颜色空间转换为去相关的YCbCr颜色空间，然后按照上述流程对影像逐波段进行校正。
根据一个或者多个实施例，一种基于被云污染的参考图像的颜色校正方法，先通过泊松混合修补参考影像上被云和云阴影污染的区域并采用高斯滤波提取修补后的参考影像的低频信息。其次，对原始影像进行均值降采样以获得与参考影像分辨率一致的降采样影像。然后，采用基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。接着，叠加上述的高低频信息以生成优化后的参考影像。最后，根据优化的参考影像和构建的局部线性模型校正影像间的色彩差异。
进一步，基于泊松混合修补参考影像上被云和云阴影污染的区域。步骤一，采用卷积核k1对参考影像和原始影像进行卷积操作以计算两幅影像在x方向上的梯度分布，然后基于卷积核以同样的方式计算两幅影像在y方向上的梯度分布。步骤二，根据现有的云和云阴影检测算法提取参考影像上的云和云阴影并生成掩膜影像。然后，基于掩膜影像找出参考影像上被污染的区域。之后，采用原始影像上对应区域的梯度替换参考影像上被污染的区域的梯度，以生成待重建的参考影像在x和y方向上的梯度分布图。步骤三，采用卷积核k2对待重建的参考影像在x方向上的梯度分布图进行卷积操作，以获得该参考影像在x方向上梯度的偏导数分布图。然后基于卷积核/>以同样的方式获得该参考影像在y方向上梯度的偏导数分布图。之后，将两个方向上梯度的偏导数图叠加以获得待重建的参考影像的散度。步骤四，根据待重建的参考影像上被污染区域内的散度和位于污染区域边界处的像素值，建立并求解泊松方程，公式(1)的解即为重建出的像素值。
进一步，基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。步骤一，修改降采样影像四周的零值。假设一幅遥感影像的大小为M×N。首先从M/2行开始依次按从下往上，从左到右的顺序遍历每一行像素并修改每行像素当中的零值直至遍历完第0行像素为止，如果第i行像素全为零，则用第i+1行像素替换第i行像素。最后，从M/2行开始依次按从上往下，从左到右的顺序访问每一行像素直至遍历完第M-1行像素为止，如果第j行像素全为零，则用第j-1行像素替换第j行像素。在遍历每行像素时，先将第一个不为零的像素的列号记为C1，值记为V1；然后，将最后一个不为零的像素的列号记为C2，值记为V2；最后，将列号为0,1,2,…,C1-1的像素的值修改为V1，将列号为C2+1,C2+2,C2+3,…,N-1的像素的值修改为V2。步骤二，对大小为W×H的降采样影像进行高斯滤波和双边滤波以提取影像的高频信息，其中两种滤波方法采用的卷积核大小为k×k,k值可由公式(2)计算；另外，双边滤波的参数sigmaSpace和sigmaColor分别设为50和12.5。步骤三，将大小为W×H的权重矩阵的值全部初始化为1；之后，采用步骤二中大小为k×k的卷积核对权重矩阵进行卷积操作，并将处理的结果作为最终的权重矩阵。步骤四，通过公式(3)计算加权高频信息HO。
进一步，基于优化的参考影像和构建的局部线性模型校正影像间的色彩差异。步骤一，对目标影像和原始影像进行分块处理并假设每个w×h的影像块内的像素都满足线性模型(公式(4))。步骤二，当影像块内存在暗色调地物时，影像块的亮度主要来源于漫反射的光线，理论上对该影像块进行颜色校正后其亮度变化不大。即当Isrc(r,c)→0时，有Idst(r,c)→0，进而推出当时，有/>代入等式(4)可得b→0，因此对于影像块则有等式(5)。步骤三，由于降采样影像Isrcdown是原始影像通过均值降采样得到的，因此其像素值可以作为原始影像的影像块均值。基于等式(5),将优化后的参考影像Idstdown和降采样影像Isrcdown对应位置处的像素值进行比值运算，即可计算出每个影像块的线性模型增益系数a。为了避免对高亮地物拉伸产生亮度爆点以及影像中异常值的干扰，在计算参数a时，如果Idstdown和Isrcdown对应位置处的像素值都符合3σ原则，则按照公式(5)计算参数a；反之，则将参数a的值设为1。之后，进一步将计算出的增益系数图中不符合3σ原则的异常值改为1。步骤四，基于双线性插值的方式将增益系数图、Idstdown和Isrcdown上采样到原始影像大小，结果分别即为A、Ldst和Lsrc。然后根据公式(6)计算出色彩校正后的影像Idst。在处理彩色影像时，需要先将影像从RGB颜色空间转换为去相关的YCbCr颜色空间，然后按照上述流程对影像逐波段进行校正。
本公开实施例的技术效果包括：
1)提出的修复被污染的区域和平滑影像接边的策略能够提高结果图像的质量和影像间颜色的一致性，并有效地减少对参考图像后处理的需要。
2)采用泊松混合策略修复参考图像中被云及其阴影污染的区域有效地减少了云及其阴影对结果影像的影响，生成了具有一致颜色和亮度的校正图像。
3)基于高斯滤波和双边滤波的边缘平滑策略通过采用加权的方式有效地平滑了影像接边处的高频信息，实现了影像间色彩的均匀过渡。
根据一个或者多个实施例，如图1所示，一种基于被云污染的参考图像的颜色校正方法，先通过泊松混合修补参考影像上被云和云阴影污染的区域并采用高斯滤波提取修补后的参考影像的低频信息。其次，对原始影像进行均值降采样以获得与参考影像分辨率一致的降采样影像。然后，采用基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。接着，叠加上述的高低频信息以生成优化后的参考影像。最后，根据优化的参考影像和构建的局部线性模型校正影像间的色彩差异。
该颜色校正方法使用泊松混合策略修复参考图像中被云和云阴影污染的区域有效地减少了云和云阴影对结果影像的影响，此外，基于高斯滤波和双边滤波的边缘平滑策略实现了影像间色彩的均匀过渡。具体实施步骤如下：
步骤一，采用卷积核k1对参考影像和原始影像进行卷积操作以计算两幅影像在x方向上的梯度分布，然后基于卷积核以同样的方式计算两幅影像在y方向上的梯度分布。
步骤二，根据现有的云和云阴影检测算法提取参考影像上的云和云阴影，并生成对应的掩膜影像。然后基于掩膜影像找出参考影像上被污染的区域，之后，采用原始影像上对应区域的梯度替换参考影像上被污染的区域的梯度，以生成待重建的参考影像在x和y方向上的梯度分布图。
步骤三，采用卷积核k2对待重建的参考影像在x方向上的梯度分布图进行卷积操作，以获得该参考影像在x方向上梯度的偏导数分布图。然后基于卷积核以同样的方式获得该参考影像在y方向上梯度的偏导数分布图。之后，将两个方向上梯度的偏导数图叠加以获得待重建的参考影像的散度。
步骤四，根据待重建的参考影像上被污染的区域内的散度和位于污染区域边界处的像素值，建立并求解泊松方程，等式(1)的解即为重建出的像素值。
步骤五，采用高斯滤波提取修补后的参考影像的低频信息LO。
步骤六，修改降采样影像四周的零值，然后，对大小为W×H的降采样影像进行高斯滤波和双边滤波以提取影像的高频信息，其中两种滤波方法采用的卷积核大小为k×k,k值可由公式(2)计算；另外，双边滤波的参数sigmaSpace和sigmaColor分别设为50和12.5。
步骤七，将大小为W×H的权重矩阵的值全部初始化为1；之后，采用步骤六中大小为k×k的卷积核对权重矩阵进行卷积操作，并将处理的结果作为最终的权重矩阵。然后，通过公式(3)计算加权高频信息HO。
步骤八，将低频信息LO与高频信息HO进行叠加以生成优化后的参考影像Idstdown，然后基于等式(5),将优化后的参考影像Idstdown和降采样影像Isrcdown对应位置处的像素值进行比值运算，计算出每个影像块的线性模型增益系数a。在计算参数a时，如果Idstdown和Isrcdown对应位置处的像素值都符合3σ原则，则按照等式(5)计算参数a；反之，则将参数a的值设为1。之后，进一步将计算出的增益系数图中不符合3σ原则的异常值改为1。
步骤九，基于双线性插值的方式将增益系数图、Idstdown和Isrcdown上采样到原始影像大小，结果分别即为A、Ldst和Lsrc。然后根据公式(6)计算出色彩校正后的影像Idst。
在处理彩色影像时，需要先将影像从RGB颜色空间转换为去相关的YCbCr颜色空间，然后按照上述流程对影像逐波段进行校正。实验的结果，如图3所示。为了表示影像之间存在的色彩差异，图中灰色框突出了颜色不一致的区域。
性能评估上使用的评价指标有：OIE(One-dimensional Image Entropy一维图像熵)、QCCED(Quality Considered Color Euclidean Distance考虑颜色欧氏距离的质量)、CED(Color Euclidean Distance颜色欧氏距离)和SSIM(Structural Similarity结构相似性)。
通过与现有的两种颜色校正算法进行对比，可以发现本公开提出的方法具有最佳的性能，具体如下表所示。
应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种参考图像颜色校正方法，其特征在于，包括对参考图像的优化，进而基于优化后的参考图像对原始影像进行颜色校正。
2.根据权利要求1所述的方法，其特征在于，对于参考图像的优化，进一步包括步骤：
获得参考影像，修补该参考影像上被云和/或云阴影污染的区域，并提取修补后的参考影像的低频信息；
对原始影像进行降采样，以获得与参考影像分辨率一致的降采样影像；
提取降采样影像的高频信息；
叠加所述高、低频信息，以生成优化后的参考影像。
3.根据权利要求2所述的方法，其特征在于，通过泊松混合修补该参考影像上被云和/或云阴影污染的区域，并采用高斯滤波提取修补后的参考影像的低频信息。
4.根据权利要求2所述的方法，其特征在于，对原始影像进行平均值降采样，以获得与参考影像分辨率一致的降采样影像。
5.根据权利要求2所述的方法，其特征在于，采用基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息。
6.根据权利要求1所述的方法，其特征在于，基于优化后的参考图像对原始影像进行颜色校正包括，
构建的局部线性模型；
根据优化的参考影像和构建的局部线性模型校正原始影像间的色彩差异。
7.根据权利要求3所述的方法，其特征在于，在基于泊松混合修补参考影像上被云和/或云阴影污染的区域的步骤中，进一步包括：
步骤一，采用卷积核k1对参考影像和原始影像进行卷积操作以计算两幅影像在x方向上的梯度分布，然后基于卷积核以同样的方式计算两幅影像在y方向上的梯度分布；
步骤二，根据现有的云和云阴影检测算法提取参考影像上的云和云阴影并生成掩膜影像。然后，基于掩膜影像找出参考影像上被污染的区域。之后，采用原始影像上对应区域的梯度替换参考影像上被污染的区域的梯度，以生成待重建的参考影像在x和y方向上的梯度分布图；
步骤三，采用卷积核k2对待重建的参考影像在x方向上的梯度分布图进行卷积操作，以获得该参考影像在x方向上梯度的偏导数分布图。然后基于卷积核以同样的方式获得该参考影像在y方向上梯度的偏导数分布图，
之后，将两个方向上梯度的偏导数图叠加以获得待重建的参考影像的散度；
步骤四，根据待重建的参考影像上被污染区域内的散度和位于污染区域边界处的像素值，建立并求解泊松方程。
8.根据权利要求5所述的方法，其特征在于，所述基于高斯滤波和双边滤波的边缘平滑策略提取降采样影像的高频信息步骤，进一步包括：
步骤一，修改降采样影像四周的零值，
假设一幅遥感影像的大小为M×N，首先从M/2行开始依次按从下往上，从左到右的顺序遍历每一行像素并修改每行像素当中的零值直至遍历完第0行像素为止，如果第i行像素全为零，则用第i+1行像素替换第i行像素，
最后，从M/2行开始依次按从上往下，从左到右的顺序访问每一行像素直至遍历完第M-1行像素为止，如果第j行像素全为零，则用第j-1行像素替换第j行像素，
在遍历每行像素时，先将第一个不为零的像素的列号记为C1，值记为V1；然后，将最后一个不为零的像素的列号记为C2，值记为V2；
将列号为0,1,2,…,C1-1的像素的值修改为V1，将列号为C2+1,C2+2,C2+3,…,N-1的像素的值修改为V2；
步骤二，对大小为W×H的降采样影像进行高斯滤波和双边滤波以提取影像的高频信息，其中两种滤波方法采用的卷积核大小为k×k；
步骤三，将大小为W×H的权重矩阵的值全部初始化为1，采用步骤二中k×k的卷积核对权重矩阵进行卷积操作，并将结果作为最终的权重矩阵；
步骤四，计算加权高频信息HO。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886925.XA CN116894784A (zh) | 2023-07-19 | 2023-07-19 | 一种基于被云污染的参考图像的颜色校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886925.XA CN116894784A (zh) | 2023-07-19 | 2023-07-19 | 一种基于被云污染的参考图像的颜色校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116894784A true CN116894784A (zh) | 2023-10-17 |
Family
ID=88313312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310886925.XA Pending CN116894784A (zh) | 2023-07-19 | 2023-07-19 | 一种基于被云污染的参考图像的颜色校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116894784A (zh) |
-
2023
- 2023-07-19 CN CN202310886925.XA patent/CN116894784A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Szeliski et al. | Fast poisson blending using multi-splines | |
| CA2670611C (en) | Panchromatic modulation of multispectral imagery | |
| US8290292B2 (en) | Method of generating a multiscale contrast enhanced image | |
| Xie et al. | Single depth image super resolution and denoising via coupled dictionary learning with local constraints and shock filtering | |
| EP2095331A1 (en) | Spatial and spectral calibration of a panchromatic, multispectral image pair | |
| JP2003163939A (ja) | 適応モザイク減少法を実装するディジタル画像処理方法 | |
| CN110675317B (zh) | 基于学习和自适应三边滤波正则化的超分辨率重建方法 | |
| CN101939763B (zh) | 生成多尺度对比度增强的图像的方法 | |
| EP2176831B1 (en) | Method of enhancing the contrast of an image | |
| Wang et al. | Total generalized variation-based Retinex image decomposition | |
| CN101889295B (zh) | 生成多尺度对比度增强的图像的方法 | |
| KR101837286B1 (ko) | 라플라시안 패치 기반 이미지 합성 방법 및 장치 | |
| CN116894784A (zh) | 一种基于被云污染的参考图像的颜色校正方法 | |
| US9734559B1 (en) | Match error compensation for super-resolution images | |
| CN114897757A (zh) | 一种基于nsst和参数自适应pcnn的遥感图像融合方法 | |
| EP1933273B1 (en) | Generating a contrast enhanced image using multiscale analysis | |
| Hong et al. | An improved color consistency optimization method based on the reference image contaminated by clouds | |
| Shirai et al. | Adjoint Bilateral Filter and Its Application to Optimization-based Image Processing | |
| CN113284059A (zh) | 模型训练方法、图像增强方法、装置、电子设备及介质 | |
| CN110895790A (zh) | 基于后验降质信息估计的场景图像超分辨方法 | |
| CN111833280A (zh) | 一种基于中频信号调制和补偿的高保真遥感图像融合方法 | |
| Xu et al. | Color correction and naturalness restoration for multiple images with uneven luminance | |
| Yi et al. | Depth enhancement with improved inpainting order and smoothing method | |
| CN115147691A (zh) | 一种基于多方向梯度滤波的多模态遥感图像融合方法 | |
| CN117635450A (zh) | 一种基于尺度自适应变换的sfim融合方法及装置 |
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 |