专利名称：一种基于机器学习的遥感图像色彩校正方法
技术领域：
本发明涉及图像处理技术领域，尤其是一种基于机器学习的遥感图像色彩校正方法，可用于航天、航空传感器平台获取的彩色遥感图像的色彩校正。
背景技术：
随着空间技术和传感器技术的飞速发展，遥感图像数据已经成为人们获取信息的重要手段，在军事侦察、环境监测、资源调查、土地利用和城市规划等领域发挥越来越重要的作用。然而，受光照条件、成像时间、大气状况、传感器等诸多因素的影响，成像设备所获取遥感图像的色彩与被拍摄地物的真实色彩往往存在一定的色偏。而颜色作为直观、易提取的特征，无论对于人工分析判读，还是图像镶嵌、目标检测与识别以及变化检测等计算机辅助处理和解译过程，都具有举足轻重的作用，图像色彩失真难免会影响图像后续分析和 解译结果的正确性和稳定性。面对目前呈指数级增长的海量遥感图像，如何快速、稳定地消除或校正遥感图像的色彩失真，校正地物的真实色彩，成为人们关心和研究的热点问题，也是具有高度挑战性的难点问题。因此，研发高效实用的遥感图像色彩校正方法，变得尤为迫切和必要。在图像色彩校正方面，国内外研究者和技术人员已进行了一定的探讨和研究，并取得了初歩的成果。其中比较有代表性的遥感软件包括美国ERDAS公司的ERDASIMAGINE(匀光功能)和德国INPHO公司的Ortho Vista(匀光功能)，这些软件主要适用于图像镶嵌过程中各子图间颜色不一致的应用场合，可改善遥感影像亮度分布不均的状況；通用的商用图像处理软件，主要有Adobe公司的Photoshop (匹配颜色功能)，主要用于将待处理图像的顔色匹配到指定图像上。这些软件需要大量的人工交互和确认操作，包括參数设置、方法选择、是否进行后续增强的选择等，处理结果依赖于操作人员的经验知识或需要通过多次调整參数反复操作，处理过程繁琐，效率不高。随着多平台、多空间分辨率、多时相遥感图像的出现，每天需要处理的遥感图像数据量急剧增加，迫切需要高效的色彩校正技术，而现有的技术在处理效果、处理速度和稳定性等方面难以满足用户的需求。针对遥感图像的色彩失真问题，研究高效、实用的色彩校正方法，改善遥感图像的图像质量，不仅有助于提高图像判读人员的判断效率和判读精度，充分发挥遥感图像的信息服务功能，而且有助于提高遥感图像目标检测、识别以及变化检测等计算机辅助解译的精度，为相关人员做出正确决策提供可靠保障。
发明内容
本发明的目的在于针对现有技术的不足，综合利用图像处理、模式识别和人工智能技术，提供一种基于机器学习的遥感图像色彩校正方法。本发明的技术思路是通过人机交互方式选择输入样本和參照样本，并利用机器学习方法获得色彩校正模型，进而对存在色彩失真的遥感图像进行处理，生成高质量彩色遥感图像产品，达到校正彩色遥感图像色偏的目的。
本发明所提出的一种基于机器学习的遥感图像色彩校正方法，其特征在于，该方法包括以下步骤步骤SI，建立真彩色样本图像库D ;步骤S2，对于存在色彩失真的彩色遥感图像MG，选择该图像中的典型地物区域作为输入样本I ;步骤S3，从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色样本图像，并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为參照样本R ； 步骤S4，将所述输入样本I和所述參照样本R组成训练样本T = {I，R}，并利用机器学习方法对所述训练样本T进行训练学习，得到色彩校正模型f ( ·);步骤S5，对所述存在色彩失真的彩色遥感图像IMG，利用所述色彩校正模型f ( ·)·对其进行色彩校正，得到经过色彩校正后的高质量的彩色遥感图像P。本发明的有益效果是，本发明通过基于机器学习的遥感图像色彩校正方法，将人机交互选择训练样本和机器学习建立色彩校正模型的方式相结合，可有效解决色彩失真遥感图像的色彩校正问题，本发明方法的适用范围广，色彩校正效果稳定。
图I是本发明所提出的基于机器学习的遥感图像色彩校正方法的流程图。图2是根据本发明实施例的用于建立真彩色样本图像库的部分地物类型的样本图像。图3是根据本发明实施例的基于真彩色样本图像库查询图像的界面图。图4是根据本发明实施例的训练学习生成色彩校正模型的流程图。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并參照附图，对本发明进ー步详细说明。本发明提供的方法既可以在个人计算机、エ控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。根据本发明提出的一种基于机器学习的遥感图像色彩校正方法，可广泛用于彩色遥感图像的色彩校正。下面，以多光谱真彩色卫星遥感图像的色彩校正为例，进行具体说明。图I为本发明所提出的基于机器学习的遥感图像色彩校正方法的流程图。如图I所示，本发明所提出的基于机器学习的遥感图像色彩校正方法包括以下步骤步骤SI，建立真彩色样本图像库D ;在该步骤中，事先分析调研地球表面可能存在的多种典型地物类型，并收集通过航天或航空平台获取的、覆盖这些地物类型的、多个季节和成像时间的、多个地理区域的(如国家或地区)、色调均匀、亮度适中的高质量彩色图像，建立所述真彩色样本图像库D。图2给出了根据本发明实施例的用于建立所述真彩色样本图像库的部分地物类型的样本图像。这些图像是通过航天或航空平台在不同季节和成像时间、不同地理区域获取的，且这些图像色调均匀、亮度适中，图像质量好。另外，还可利用在线生成的高质量彩色遥感图像对真彩色图像数据库进行在线管理，实现真彩色图像数据库中真彩色样本图像的増加或更新。步骤S2，对于存在色彩失真的彩色遥感图像IMG，选择该图像中的典型地物区域作为输入样本I ;该典型地物区域的选择是根据所述色彩失真的彩色遥感图像IMG所覆盖的地物类型进行选择，可以是城镇区域，也可以是水域区域，或者是沙漠等区域。对于所述典型地物区域的选择可采用人工交互的方式，从所述色彩失真的彩色遥感图像MG中选择对所述色彩失真的彩色遥感图像MG所覆盖的地物类型的色彩具有代表性的图像区域。步骤S3，从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、
相同成像时间、相同或相近地理区域的高质量彩色样本图像，并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为參照样本R ；所述合适的区域指的是，作为參照样本R的该区域与输入样本I所覆盖的地物类型一致，图像纹理与几何结构基本相同或相似。对于所述高质量彩色样本图像的选择可采用人工选择的方式。图3是根据本发明实施例的基于真彩色样本图像库查询图像的界面图。如图3所示，根据给定的地物类型、成像时间和地理区域信息，可以从真彩色样本图像库中查询到符合上述条件的真彩色样本图像，并将查询得到的图像结果以直观的方式显示出来，便于用户进ー步选择确定。步骤S4,将所述输入样本I和所述參照样本R组成训练样本T= {I,R},并利用机器学习方法对所述训练样本T进行训练学习，得到色彩校正模型f ( ·);图4给出了一个根据本发明实施例的训练学习生成色彩校正模型的流程图。如图4所示，所述步骤S4进ー步包括以下几个步骤步骤S41，对所述输入样本I和所述參照样本R提取其顔色特征，分别得到所述输入样本I的颜色特征IF和所述參照样本R的颜色特征RF ；所述输入样本I的颜色特征IF和所述參照样本R的颜色特征RF均由N个颜色特征向量组成IF = UF1, IF2, , IFJ，RF = (IF1, IF2, , IFN}，其中，N 为颜色特征向量的个数。步骤S42，假定色彩校正模型为f ( ·)，将所述输入样本I的顔色特征IF和所述參照样本R的顔色特征RF对应起来，即满足RF = f (IF)的关系的色彩校正模型即为需要的色彩校正模型f( ·)。在给定所述输入样本I的顔色特征IF和所述參照样本R的顔色特征RF的情况下，通过机器学习的方法求解方程RF = f (IF)，即可求得需要的色彩校正模型f( ·)。步骤S5，对所述存在色彩失真的彩色遥感图像MG，利用所述色彩校正模型f ( ·)对其进行色彩校正，得到经过色彩校正后的高质量的彩色遥感图像P。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进ー步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种基于机器学习的遥感图像色彩校正方法，其特征在于，该方法包括以下步骤 步骤SI，建立真彩色样本图像库D ； 步骤S2，对于存在色彩失真的彩色遥感图像IMG，选择该图像中的典型地物区域作为输入样本I ; 步骤S3，从所述真彩色样本图像库D中选择与所述输入样本I具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色样本图像，并将所选择的高质量彩色样本图像或从所选择的高质量彩色样本图像中选择合适的区域作为參照样本R ； 步骤S4，将所述输入样本I和所述參照样本R组成训练样本T = {I，R}，并利用机器学习方法对所述训练样本T进行训练学习，得到色彩校正模型f( ·)； 步骤S5，对所述存在色彩失真的彩色遥感图像IMG，利用所述色彩校正模型f (·)对其进行色彩校正，得到经过色彩校正后的高质量的彩色遥感图像P。
2.根据权利要求I所述的方法，其特征在于，所述真彩色样本图像库D中的图像为，通过航天或航空平台获取的、覆盖地球表面可能存在的多种典型地物类型的、多个季节和成像时间的、多个地理区域的、色调均匀、亮度适中的高质量彩色图像。
3.根据权利要求I所述的方法，其特征在于，所述步骤SI进ー步包括，利用在线生成的高质量彩色遥感图像对所述真彩色图像数据库D进行在线管理，以对真彩色图像数据库中的真彩色样本图像进行增加或更新。
4.根据权利要求I所述的方法，其特征在于，所述步骤S2中，所述典型地物区域的选择是根据所述色彩失真的彩色遥感图像IMG所覆盖的地物类型进行选择。
5.根据权利要求I所述的方法，其特征在于，所述步骤S2中，对于所述典型地物区域的选择采用人工交互的方式。
6.根据权利要求I所述的方法，其特征在于，所述步骤S3中，所述合适的区域指的是，作为參照样本R的该区域与输入样本I所覆盖的地物类型一致，图像纹理与几何结构基本相同或相似。
7.根据权利要求I所述的方法，其特征在于，所述步骤S3中，对于所述高质量彩色样本图像的选择采用人工选择的方式。
8.根据权利要求I所述的方法，其特征在于，所述步骤S4进ー步包括以下几个步骤 步骤S41，对所述输入样本I和所述參照样本R提取其顔色特征，分别得到所述输入样本I的颜色特征IF和所述參照样本R的颜色特征RF ； 步骤S42，假定色彩校正模型为f ( ·)，将所述输入样本I的顔色特征IF和所述參照样本R的顔色特征RF对应起来，即满足RF = f(IF)的关系的色彩校正模型即为所要求得的色彩校正模型f( ·)。
9.根据权利要求8所述的方法，其特征在于，所述输入样本I的顔色特征IF和所述參照样本R的颜色特征RF均由N个颜色特征向量组成IF = UF1, IF2,...，IFN}, RF = (IF1,IF2, ...，IFJ，其中，N为颜色特征向量的个数。
10.根据权利要求8所述的方法，其特征在于，所述步骤S42中，通过机器学习的方法求解方程RF = f (IF)，即可求得色彩校正模型f ( ·)。
全文摘要
本发明公开了一种基于机器学习的遥感图像色彩校正方法，可用于航天、航空彩色遥感图像的色彩校正，该方法包括以下步骤建立真彩色样本图像数据库；从色彩失真的彩色遥感图像中，通过人机交互的方式选择典型地物区域作为输入样本；从真彩色样本图像数据库中人工选择与输入样本具有相同地物类型、相同成像时间、相同或相近地理区域的高质量彩色图像作为参照样本；将输入样本和参照样本组成训练样本，利用机器学习方法对训练样本训练学习，得到色彩校正模型；利用色彩校正模型，对存在色彩失真的彩色遥感图像进行处理，得到高质量的彩色遥感图像。本发明将人机交互选择训练样本和机器学习色彩校正模型相结合，有效地解决了遥感图像的色彩校正问题。
文档编号G06T5/00GK102855607SQ20121024848
公开日2013年1月2日 申请日期2012年7月18日 优先权日2012年7月18日
发明者王彦情, 郭建恩, 张吉祥, 马雷, 江碧涛, 张秀玲 申请人:中国科学院自动化研究所, 北京市遥感信息研究所