多光谱图像校正方法、装置、设备及存储介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种多光谱图像校正方法、装置、设备及存储介质。


背景技术：

2.在多光谱图像采集的过程中，一般会打主动光源，例如设备自动补光，此时光源包括主动光源和环境光源。原始多光谱图像会随着光源的变化而变化，如果直接将原始多光谱图像输入至深度学习网络中训练，训练得到的模型对不同光源的鲁棒性较差。


技术实现要素：

3.本技术实施例提供了一种多光谱图像校正方法、装置、设备及存储介质，可以解决直接将原始多光谱图像输入至深度学习网络中训练，训练得到的模型对不同光源的鲁棒性较差的问题。
4.本技术实施例的第一方面提供了一种多光谱图像校正方法，包括：提取目标多光谱图像中所有通道的光谱数据；获取所有通道的光谱数据的高亮区域；从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据；根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像。
5.在一些实施例中，获取所有通道的光谱数据的高亮区域，包括：从所有通道的光谱数据中选择像素均值最大的通道的光谱数据作为样本通道的光谱数据；获得样本通道的光谱数据对应的高亮像素区域，并基于样本通道的光谱数据对应的高亮像素区域确定所有通道的光谱数据中其它通道的光谱数据对应的高亮像素区域。其中，获得样本通道的光谱数据对应的高亮像素区域，包括：根据样本通道的光谱数据中各个像素点的像素值和预设的过曝阈值确定样本通道的光谱数据中的过曝像素点；将样本通道的光谱数据中所有过曝像素点的像素值置零，生成样本通道的去过曝光谱数据；根据样本通道的去过曝光谱数据中每个像素点的像素值及预设的高亮区域比例，确定样本通道的光谱数据对应的高亮像素区域。其中，根据样本通道的光谱数据中各个像素点的像素值和预设的过曝阈值确定样本通道的光谱数据中包含的过曝像素点，包括：将样本通道的光谱数据中各个像素点的像素值大于预设的过曝阈值的像素点，确定为样本通道的光谱数据中的过曝像素点。
6.在一些实施例中，从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据，包括：获得所有通道的光谱数据的高亮区域的像素均值；根据每一通道的像素均值，从光谱数据库中找到与所有通道的光谱数据的高亮区域的像素均值最接近的光谱数据作为所有通道的参考光谱数据。根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像，包括：根据所有通道的参考光谱数据计算得到所有通道的平均参考光谱数据；将所有通道中每个通道的参考光谱数据与所有通道的平均参考光谱数据的比值，确定为所有通道中每个通道
对应的校正系数集；基于所有通道中每个通道对应的校正系数集对所有通道的光谱数据进行校正，得到校正后的目标多光谱图像。
7.在一种实施例中，提取目标多光谱数据中的所有通道的光谱数据之前，还包括：获得原始多光谱图像；从原始多光谱图像中提取预设区域内的多光谱图像，作为目标多光谱图像。
8.本技术实施例的第二方面提供了一种多光谱数据校正装置，包括：光谱数据提取模块，用于提取目标多光谱图像中所有通道的光谱数据；高亮区域获取模块，用于获取所有通道的光谱数据的高亮区域；参考光谱数据确定模块，用于从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据；图像校正模块，用于根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像。
9.本技术实施例的第三方面提供了一种终端设备，包括：多光谱相机，用于采集原始多光谱图像；处理器，用于接收原始多光谱图像后执行上述第一方面的多光谱图像校正方法。
10.本技术实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的多光谱图像校正方法。
11.本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面的多光谱图像校正方法。
12.本技术实施例与现有技术相比存在的有益效果是：本技术公开了一种多光谱图像校正方法、装置、设备及存储介质，该方法首先提取目标多光谱图像中所有通道的光谱数据，并获取所有通道的光谱数据的高亮区域，然后从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据，根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像。由此，通过匹配光谱数据库内的光谱数据，得到更为精准的参考光谱数据，基于参考光谱数据对原来的多光谱数据进行校正，利用校正后的多光谱数据训练出来的模型对不同光源的鲁棒性较强。
附图说明
13.为了更清楚地说明本技术实施例中的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，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。
14.图1是本技术一实施例提供的一种终端设备的结构示意图；
15.图2是本技术一实施例提供的一种多光谱图像校正方法的流程示意图；
16.图3是本技术一实施例提供的一种获取所有通道的光谱数据的高亮区域的流程示意图；
17.图4是本技术一实施例提供的人脸场景下的样本通道的光谱图像示意图；
18.图5是本技术一实施例提供的高亮像素区域示意图；
19.图6是本技术一实施例提供的图像校正的流程示意图；
20.图7是本技术一实施例的一种多光谱数据校正装置的结构示意图。
具体实施方式
21.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
22.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
23.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
24.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0025]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0026]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0027]
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0028]
相关技术中，对rgb图像的校正方法为：各通道分别乘以随机的系数，但是多光谱成像技术应用这种校正方法时，通道之间的随机增强，每个通道的系数不同，会改变光谱数据的曲线。
[0029]
有鉴于此，本技术实施例提供了一种多光谱图像校正方法、装置、设备及存储介质，通过匹配光谱数据库获得更为精准的参考光谱数据，基于参考光谱数据并得到对应的校正参数集，以对原来的多光谱数据进行校正，利用校正后的多光谱数据训练出来的模型对不同光源的鲁棒性较强。另外本技术实施例还可以应用于高光谱图像，本实施例对此不做限制。
[0030]
下面对本技术实施例提供的多光谱图像校正方法的应用场景进行举例说明。
[0031]
本技术可以应用于活体检测，例如支付、门禁等应用场景，光源照射到活体上的各个部位，例如人脸和手臂等，得到原始多光谱图像。以门禁为例，从原始多光谱图像中去除背景，获得人脸图像作为目标多光谱图像，然后从目标多光谱图像中提取所有通道的光谱
数据，并获取对应的高亮区域以及匹配光谱数据库中的参考光谱数据，进一步计算得到校正系数集，根据校正系数集所有通道的光谱数据得到校正后的目标多光谱图像，可以有效反映人脸特征，提高门禁的安全性。
[0032]
本技术后续可以应用于深度学习场景，原始多光谱图像会随着光源的变化而变化，基于未校正的多光谱图像训练得到的深度学习模型，对不同光源的鲁棒性不好。将本技术的多光谱图像校正方法、装置、设备及存储介质加入深度学习的数据预处理阶段，相当于对多光谱原始数据进行光谱维度的数据增强，使训练的深度学习模型的泛化性增强。
[0033]
为了说明本技术的技术方案，下面通过具体实施例来说明。
[0034]
参照图1，示出了本技术实施例一提供的一种终端设备1的结构示意图。如图1所示，终端设备1可包括但不限于包括处理器11、存储器12和多光谱相机14。本领域技术人员可以理解，图1仅仅是终端设备1的示例，并不构成对终端设备1的限定，终端设备1可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，终端设备1也可不包括存储器12，存储器12为一外部存储设备，或存储器12为云存储器，计算机程序13存储于云存储器中。终端设备1还可以包括输入输出接口、网络接入接口、总线等。
[0035]
本实施例以图1示意的终端设备1为例进行说明，计算机程序13和预设的光谱数据库15存储在存储器12中，处理器11从存储器12中调用计算机程序13以及预设的光谱数据库15，并执行计算机程序13以实现对多光谱图像校正方法，其中，预设的光谱数据库15是预先采集常见光源以及不同场景下的光谱数据。或者，处理器11执行计算机程序13时实现后文介绍的各装置实施例中各模块的功能。
[0036]
处理器11可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0037]
存储器12可以是终端设备1的内部存储单元，例如终端设备1的硬盘或内存。存储器12也可以是终端设备1的外部存储设备，例如终端设备1上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器12还可以既包括终端设备1的内部存储单元也包括外部存储设备。存储器12用于存储计算机程序以及终端设备1所需的其他程序和数据。存储器12还可以用于暂时地存储已经输出或者将要输出的数据。
[0038]
多光谱相机14主要用于采集多光谱图像，其中，多光谱图像可以包含人脸图像，也可以是包含其他物体(例如车辆、障碍物等)的图像。在本技术的一些实施例中，多光谱相机14可以包括感光芯片和滤光片阵列，其中，滤光片阵列可以包括与多个光谱波段分别对应的滤光片。入射光束经过滤光片阵列过滤之后得到对应光谱波段的图像。感光芯片被划分为多个与滤光片阵列中各个滤光片的形状相对应的取像单元，每个取像单元具有不同光谱透过率的光谱响应通道，每个光谱响应通道对应接收一个光谱波段的目标光束。如一种3
×
3的滤光片阵列得到的多光谱数据包含九个不同通道的数据。获取每个第一像素区域的光谱响应值信息(像素值)，可以进一步计算某个第一像素区域内光谱响应值的均值，并将其
作为该第一像素区域的光谱响应值信息，从而得到在n(n为正整数)个光谱波段中每个光谱波段的光谱响应值信息(像素均值)。
[0039]
多光谱相机14将采集到的多光谱图像传输给处理器，由处理器11调用存储器12中存储的多光谱图像校正程序以及预设的光谱数据库15，对目标多光谱数据进行校正处理，得到校正后的目标多光谱数据，并将该校正后的目标多光谱数据发送至模型深度学习网络进行训练，如输入至学习网络进行活体检测。
[0040]
参照图2-6所示，该多光谱图像校正方法可以包括如下步骤：
[0041]
步骤101，提取目标多光谱图像中所有通道的光谱数据。
[0042]
步骤102，获取所有通道的光谱数据的高亮区域。
[0043]
步骤103，从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据。
[0044]
步骤104，根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像。
[0045]
示例性地，目标多光谱图像可以表示为rad(112,112,9)，其中，rad表示多光谱传感器获得的多通道响应数据，即待校正的目标多光谱图像，(112,112,9)表示待校正的目标多光谱图像有112行，112列，9个通道。
[0046]
作为一种可能的实现方式，在原始多光谱图像中前景元素的重要性通常大于背景的重要性，因此在对待原始多光谱图像进行校正时，可以依据前景元素的光谱特性对原始多光谱图像进行校正，以提升校正的准确性。即在本技术实施例一种可能的实现方式中，可以首先获取原始多光谱图像，并对原始多光谱图像进行前景检测，从原始多光谱数据中提取预设区域内的多光谱图像，作为目标多光谱图像，其中预设图像区域可以根据实际应用场景进行确定，例如人脸区域。因为往往原始多光谱图像中，会出现一些干扰因素，例如在人脸识别门禁的场景下，光源照射到人脸上得到的原始多光谱图像中，除了人脸的多光谱图像，还会包括一些周围的环境多光谱图像，而我们只需要人脸的多光谱图像数据，此时只需要确定目标人脸区域，后续针对目标人脸区域进行处理，更能反应人脸信息，校正过程也更加准确。其中，前景检测是一种在图像中识别感兴趣区域或识别运动目标(前景)和静态部分(背景)的过程。
[0047]
在获取到目标多光谱图像后，可以提取目标多光谱图像中每个通道的光谱数据，以九通道为例，即可以提取第1通道至第9通道的光谱数据，采用rad(112,112,9)表示。在一种实施例中，提取各通道光谱数据后，可以根据预设的暗噪声平均响应值dark，对上述所有通道的光谱数据进行暗噪声校正。其中，暗噪声在光谱测量中是指影响光谱原始数据的杂光，它会影响光学的测量，所以需要先进行暗噪声校正。可以根据实际应用场景提前测好多光谱传感器在黑暗环境下的暗噪声平均响应值dark，暗噪声平均响应值dark一般为较固定的值，例如暗噪声平均响应值dark＝16，进行暗噪声校正之后可以分别取出各通道的较准确的灰度数据。
[0048]
示例性地，9个通道光谱数据msi(112,112,9)＝rad(112,112,9)-dark，分别得到去除暗噪声后的9个通道光谱数据，分别为：msi1、msi2、msi3、msi4、msi5、msi6、msi7、msi8和msi9。
[0049]
已知各通道滤光曲线的特性，即各通道图像数据对应的像素值，确定亮度最高通
道的图像数据，可以方便后续寻找过曝点和高亮像素区域。获取所有通道的光谱数据的高亮区域具体步骤如下：
[0050]
步骤1021，从所有通道的光谱数据中选择像素均值最大的通道的光谱数据作为样本通道的光谱数据。
[0051]
步骤1022，根据样本通道的光谱数据中各个像素点的像素值和预设的过曝阈值确定样本通道的光谱数据中的过曝像素点。
[0052]
步骤1023，将样本通道的光谱数据中所有过曝像素点的像素值置零，生成样本通道的去过曝光谱数据。
[0053]
步骤1024，根据样本通道的去过曝光谱数据中每个像素点的像素值及预设的高亮区域比例，确定样本通道的光谱数据对应的高亮像素区域。
[0054]
步骤1025，基于样本通道的光谱数据对应的高亮像素区域确定所有通道的光谱数据中其它通道的光谱数据对应的高亮像素区域。
[0055]
具体的，以9通道光谱数据为例，根据9通道滤光曲线的特性，选择所有通道的光谱数据中像素均值最大的通道即9个通道中最亮的通道，假如第三通道为最亮的响应通道msi3，则将msi3作为样本通道的光谱数据。
[0056]
由于人脸图像有时会有高光且高光部分会掺杂着过曝点，高光即高亮像素区域，其是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点，圈定该区域以便进行针对性校正处理，可以减少处理时间，增加精度。本技术实施例中先需要找到样本通道的光谱数据对应的高亮像素区域，然后确定所有通道的光谱数据对应的高亮像素区域。根据样本通道的光谱数据中各个像素点的像素值确定过曝点，然后将过曝点的像素值置零后，根据预设的高亮区域比例确定高亮像素区域，该高亮像素区域即正常曝光区域中的高亮部分，从而得到每个通道对应的高亮像素区域。
[0057]
示例性地，在人脸场景下，图4为人脸场景下的样本通道的光谱图像示意图，人脸上的黑点表示正常曝光区域中的高亮部分，图5为基于图4确定的高亮像素区域示意图。
[0058]
在一种实施例中，可以将样本通道的光谱数据中像素值大于预设的过曝阈值的像素点，确定为过曝像素点。示例性地，为了找到过曝像素点，预先设置了一个过曝阈值，过曝阈值可以为(255-dark)-deta，其中deta可以取1-10内的数，deta是为了得到所计算出来的过曝点的接近值，扩大过曝点的寻找范围。
[0059]
假如样本通道的光谱数据为msi3(112,112)，那么将样本通道的光谱数据msi3(112,112)中大于过曝阈值(255-dark)-deta的像素点，确定为过曝像素点。将样本通道的光谱数据msi3中过曝的像素点置零，然后可以得到样本通道的光谱数据对应的去过曝图像数据msi3_normal，即正常像素点的像素矩阵。找到msi3_normal中预设的高亮区域比例，如像素值前最大百分比(可以是1％-5％、10％等，一般不大于10％)的像素点，取得其高亮像素区域roi区域。
[0060]
由于各通道像素具有对应关系，根据样本通道的光谱数据对应的高亮像素区域可以直接找到其它各通道的光谱数据对应的高亮像素区域，从而获得全部通道的光谱数据对应的高亮像素区域。
[0061]
从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据。首先需要获得所有通道的光谱数据对应的高亮像素区域的像素均值，例如，首先
在msi1对应的通道中，确定高亮像素区域的像素点，并确定该区域内像素点的像素均值为white1，重复上述步骤，依次确定所有通道在高亮像素区域内的像素点对应的像素均值white2、white3、white4
……
，用white＝[white1,white2,white3,white4,
……
]表示。然后将white与光谱数据库中每个光谱数据进行匹配，将匹配度最最接近的光谱数据确定为参考光谱数据。需要说明的是，本技术所提到的参考光谱数据illu包含多个通道的光谱数据，表示为illu＝[illu1,illu2,illu3,illu4,
……
]。
[0062]
光谱数据库中有多组标准光谱数据，这些标准光谱数据是可以通过实验或预先测试所获得，如可以预先采集常见光源以及不同场景下的光谱数据，其中，对多种场景的光源进行测试，光谱数据采集的方法可以是用多光谱传感器拍标准白板，标准白板的多通道响应即为该光源下的光谱数据。
[0063]
示例性的，以人脸为例，光谱数据库中可以储存有人脸检测常规距离、常见的人脸检测环境光、常见的人脸检测场景等情况下的光谱数据。其中，人脸检测常规距离可以为40-120cm，人脸检测环境光可以是室内不同白光、半户外、户外等，人脸检测场景可以是支付、门锁、门禁等。在一种可能的实施例中，当出现新设备需要安装时，可以在该固定场景新采集光谱数据，对光谱数据库进行更新，进一步适应不同场景下的光谱数据预估精度。
[0064]
进一步地，根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像具体步骤如下：
[0065]
步骤1041，根据所有通道的参考光谱数据计算得到所有通道的平均参考光谱数据；
[0066]
步骤1042，将所有通道中每个通道的参考光谱数据与所有通道的平均参考光谱数据的比值，确定为所有通道中每个通道对应的校正系数集；
[0067]
步骤1043，基于所有通道中每个通道对应的校正系数集对所有通道的光谱数据进行校正，得到校正后的目标多光谱图像。
[0068]
具体的，平均光谱数据illu_ave，可以直接取illu1,illu2,illu3,illu4,
……
的均值，也可以去掉illu的最大值和最小值之后再取均值。msi1对应通道的校正系数集gain1＝illu_ave/illu1，msi2对应通道的校正系数集gain2＝illu_ave/illu2，msi3对应通道的校正系数集gain3＝illu_ave/illu3
……
，最终校正数据集为gain＝[gain1,gain2,gain3,gain4,gain5,gain6
……
]。假设目标所有通道的光谱数据为[msi1,msi2,msi3,msi4,msi5,msi6
……
]，校正后的各通道的图像数据为：msi1*gain1、msi2*gain2、msi3*gain3、msi4*gain4、
……
[0069]
本技术上述实施例公开了一种多光谱图像校正方法，通过匹配光谱数据库内的光谱数据，得到更为精准的参考光谱数据，基于参考光谱数据对目标多光谱图像进行校正，利用校正后的目标多光谱图像训练出来的模型对不同光源的鲁棒性较强。
[0070]
在一种可能的实施方式中，本实施例后续可以应用于深度学习中，那么需要将校正后的各通道的图像数据为：msi1*gain1、msi2*gain2、msi3*gain3、msi4*gain4、
……
，在最亮通道维度重组为三维反射率多光谱矩阵msi_correct，进行归一化，可以是最大值归一化、0-1归一化，均值归一化等，归一化后输入深度学习网络进行训练。
[0071]
参见图7，为了便于说明，仅示出了与本技术实施例相关的部分。
[0072]
多光谱数据校正装置具体可以包括如下模块：
[0073]
光谱数据提取模块701，用于提取目标多光谱图像中所有通道的光谱数据；
[0074]
高亮区域获取模块702，用于获取所有通道的光谱数据的高亮区域；
[0075]
参考光谱数据确定模块703，用于从光谱数据库中匹配到所有通道的光谱数据的高亮区域对应的所有通道的参考光谱数据；
[0076]
图像校正模块704，用于根据所有通道的参考光谱数据计算得到校正系数集，并根据校正系数集和所有通道的光谱数据得到校正后的目标多光谱图像。
[0077]
在一种实施例中，高亮区域获取模块702具体可以包括如下子模块：样本数据获取子模块，从所述所有通道的光谱数据中选择像素均值最大的通道的光谱数据作为样本通道的光谱数据；高亮区域获取子模块，获得所述样本通道的光谱数据对应的高亮像素区域，并基于所述样本通道的光谱数据对应的高亮像素区域确定所述所有通道的光谱数据中其它通道的光谱数据对应的高亮像素区域。
[0078]
在一种实施例中，高亮区域获取子模块，包括：过曝确定单元，用于根据所述样本通道的光谱数据中各个像素点的像素值和预设的过曝阈值确定所述样本通道的光谱数据中的过曝像素点；去过爆单元，用于将所述样本通道的光谱数据中所有所述过曝像素点的像素值置零，生成所述样本通道的去过曝光谱数据；高亮区域获取单元，用于根据所述样本通道的去过曝光谱数据中每个像素点的像素值及预设的高亮区域比例，确定所述样本通道的光谱数据对应的高亮像素区域。在一种实施例中，过曝确定单元，具体用于将所述样本通道的光谱数据中各个像素点的像素值大于所述预设的过曝阈值的像素点，确定为所述样本通道的光谱数据中的过曝像素点。
[0079]
在一种实施例中，参考光谱数据确定模块703包括：高亮均值获取子模块，用于获得所述所有通道的光谱数据的高亮区域的像素均值；参考光谱数据确定子模块，用于根据每一通道的像素均值，从光谱数据库中找到与所述所有通道的光谱数据的高亮区域的像素均值最接近的光谱数据作为所述所有通道的参考光谱数据。
[0080]
在一种实施例中，图像校正模块704包括：平均参考光谱数据获取子模块，用于根据所述所有通道的参考光谱数据计算得到所述所有通道的平均参考光谱数据；校正系数集获取子模块，用于将所述所有通道中每个通道的参考光谱数据与所述所有通道的平均参考光谱数据的比值，确定为所述所有通道中每个通道对应的校正系数集；校正子模块，用于基于所述所有通道中所述每个通道对应的校正系数集对所述所有通道的光谱数据进行校正，得到校正后的目标多光谱图像。
[0081]
在一种实施例中，多光谱数据校正装置还包括：原始图像获取模块，用于获得原始多光谱图像；目标多光谱图像确定模块，用于从所述原始多光谱图像中提取预设区域内的多光谱图像，作为目标多光谱图像。
[0082]
本技术实施例提供的多光谱数据校正装置可以应用在前述方法实施例中，详情参见上述方法实施例的描述，在此不再赘述。
[0083]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0084]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0085]
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、或者计算机软件和电子硬件的结合来实现。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技术的范围。
[0086]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0087]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0088]
另外，在本技术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。
[0089]
集成的模块/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，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0090]
本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
[0091]
以上实施例仅用以说明本技术的技术方案，而非对其限制。尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者
替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。