一种图像处理方法与流程

本发明涉及图像处理领域，尤其涉及一种可进行植被增强增绿，且具备去雾效果的图像处理方法。

背景技术：

传统的植被增强技术需要红外波段的参与，利用植被在红外波段具有较强反射的特性进行植被增强与增绿。

常见的如quickbird、ikonos等高分辨率遥感影像的近红外波段对于植被的探测具有突出的特点，因此利用近红外波段进行植被的光谱特征复原是一种理想的方法。利用高分辨率遥感影像的近红外波段对植被光谱特征进行复原的方法对植被光谱特征失真的问题具有明显的改善。

一般的方法利用遥感影像包含蓝、绿、红和近红外4个多光谱波段以及一个全色波段的特点，利用近红外波段对植被敏感的特征，使用专业的图像处理软件(例如photoshop)的图像运算功能，将近红外波段的植被信息叠加到原始图像上，通过参数的修改来获得增强的植被效果。其具体的实现方法如下：

(1)利用专业遥感处理软件输出两张rgb图像a和b，其中，影像a的红、绿、蓝三个通道分别对应遥感影像的红、绿、蓝三个波段，得到日常生活中常见的“真彩色”影像；影像b的红、绿、蓝三个波段分别对应遥感影像的红、近红外、蓝三个波段，得到一张“假彩色”影像。

(2)使用专业的遥感影像处理软件打开影像a和b，然后将b作为一个图层加载到a中，并关闭图层显示。

(3)在专业的遥感影像处理软件中，将影像a设为源图像，影像b作为图层影像，“混合”选项设为“变亮”，“不透明度”参数的选择可以根据用户需求进行调整，直至用户满意为止。然后进行确定处理，得到最终的植被增强效果。

上述过程利用了多光谱波段加权云算法，即考虑影像中的第2与第4波段(绿和近红外波段)，分别赋予一定的权重再进行波段相加，构造一个新的波段ch5，然后利用新构造的ch5波段替换第2波段(绿波段)，再将3、5、1波段分别赋予r、g、b合成彩色影像，其中ch5波段计算公式如下所示：

ch5＝0.15×ch4+0.85×ch2

其中，ch2表示遥感影像中的第2波段(绿波段)，ch4表示第4波段(近红外波段)。

使用近红外波段进行植被增强是这个方法的特点之一。然而，在航空倾斜摄影中，大部分图像为红、绿、蓝三波段影像，并不含有近红外波段，现有的方法不能在三通道真彩色图像的基础上进行冬季植被的增强与增绿。

技术实现要素：

本发明所要解决的技术问题是针对现有技术中无法对不含近红外波段的图像进行植被的增强与增绿的问题。

为解决上述问题，本发明提供一种图像处理方法，包括；

s1：选用效果好的一组图像和效果差的一组图像，采用循环一致性生成对抗网络对模型进行训练，将训练得到的参数进行保存；

s2：网络加载训练得到的参数，

s3：使用网络处理待处理的图像。

进一步，

s1中的图像均为航空倾斜图像。

进一步，

s1中的图像包含前视、后视、左视、右视以及下视5个视野的图像。

进一步，

s1中采用图像进行训练前还包括：

对图像进行下采样，将图像下采样至目标分辨率。

进一步，

s1中对网络进行训练后还包括：

使用生成器f将图像效果好的数据转化为图像效果差的数据；

通过一对一的训练，强化生成器g将图像效果差的数据转换为图像效果好的能力。

进一步，

图像中包含植被，图像的效果由植被的绿色强度进行评价。

进一步，

s3中处理待处理的图像之前，还包括：

将待处理的图像下采样至目标分辨率。

进一步，

s3中处理待处理的图像之后，还包括：

使用色彩映射，将处理后的待处理图像的色彩映射至原待处理图像中。

与现有技术相比，本发明的技术方案具有以下优点：

本发明的技术方案能够对不含近红外波段的图像进行植被的增强与增绿，并且具有去雾效果。

附图说明

图1为循环一致性生成对抗网络结构示意图；

图2为本发明的网络训练流程图；

图3为本发明使用训练后的网络进行图像处理的流程图；

图4为本发明未使用网络处理的图像；

图5为图4对应图像经网络处理后的图像；

图6为本发明另一未使用网络处理的图像；

图7为图6对应图像经网络处理后的图像；

图8为本发明使用色彩映射，将处理后的待处理图像的色彩映射至原待处理图像后得到的图像；

图9为图8区域1的放大图；

图10为本发明另一未使用网络处理的图像；

图11为图10对应图像经网络处理后的图像。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参考图1，循环一致性生成对抗网络(cycle-consistentadversarialnetwork，简称为cyclegan)实现了在非成对数据情况下，完成神经网络的训练。

cyclegan中含有两个转换器g和f以及两个对抗器dx和dy。记植被增强后的效果为y，增强前的效果为x。那么，转换器g的目标就是实现x到y的转换，转换结果记为g(x)，转换器f的目标就是实现y到x的转换，转换结果记为f(y)。在cyclegan运行时，网络会将x中的数据以及f(y)中的数据分别输入到dx中并由其判断真假，前者为真，后者为假。这样一来，f的目标不仅仅是将y转换为x，而且要转换的足够好，能够以假乱真，让dx分辨不出来真假。dx的目标则是尽可能提升自己，分辨这二者的真假。同理，dy目标是分辨y和g(x)的真假。最后，网络会达到一个平衡，g和f能造出以假乱真的g(x)和f(y)，dx和dy不能分辨x和f(y)，y和g(x)的真假，具体的，上述过程可以记为：

ladv＝ex[logdy(y)]+ey[log(1-dy(g(x)))]

为了实现非成对数据训练网络的效果，cyclegan提出了一种叫cycleconsistency的概念，即x经过g生成y风格g(x)，g(x)经过f有生成x风格的f(g(x))时，x和f(g(x))应当是一致的，同理，y和g(f(y))应当是一致的。g和f的另一个目标就是保证x和f(g(x))，y和g(f(y))两两之间的差距尽可能小，这种差距称为cycleconsistencyloss(循环一致性损失)，记为：

lcyc＝||f(g(x))-x||1+||g(f(y))-y||1

如式中所示，这里使用l1范数进行约束，即二者差值的绝对值。通过这种方式，cyclegan实现了在非成对数据下的训练。

最终，cyclegan的目标是使下式最小：

ltotal＝ladv+lcyc。

参考图2和图3，本实施例提供一种图像处理方法，包括训练网络和使用训练网络得到的结果对图像进行处理。

其中，训练网络的步骤包括为选用效果好的一组图像和效果差的一组图像，采用循环一致性生成对抗网络对模型进行训练，将训练得到的参数进行保存。

其中图像均为航空倾斜图像，图像包含前视、后视、左视、右视以及下视5个视野的图像，且图像中包含植被，图像的效果由植被的绿色强度进行评价。

且在训练之前，对图像进行下采样，将图像下采样至目标分辨率，以此加快训练速度，提高结果质量。

训练完成后，使用生成器f将图像效果好的数据转化为图像效果差的数据；通过一对一的训练，强化生成器g将图像效果差的数据转换为图像效果好的能力。

使用训练网络得到的结果对图像进行处理的步骤包括网络加载训练得到的参数，然后使用网络处理待处理的图像。

处理待处理的图像之前，为了解决神经网络无法处理超大影像的缺点，先将待处理的图像下采样至目标分辨率，并在处理待处理的图像之后，使用色彩映射，将处理后的待处理图像的色彩映射至原待处理图像中，实现神经网络对超大影像的处理。

从图4和图5，图6和图7，图10和图11的对比可知，经过本发明的技术方案处理后的图像清晰度得到了大幅度的提升，具备植被的增强和增绿功能，并且具有去雾效果。

从图8和图9中可以看到，通过色彩映射后，神经网络对超大图像的处理可以保持完好的细节。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。