基于HIS色彩空间的可见光影像色彩平衡方法

林翠翠

(32023部队,辽宁 大连 116000)

0 引言

随着各类传感器和无人机性能的提升与优化,航空摄影测量技术以其机动灵活、操作简便、事故率低、数据信息丰富、作业效率高、成本价格低、人力投入少等技术优势,可以方便、精准、高效地获取小范围地表空间的几何信息和纹理信息,在基础地形测绘、自然资源调查、农业现代建设、生态环境监测、城市数字化建设、土木工程勘测、国土空间规划和社会应急救灾等诸多领域得到了广泛应用,并取得了显著成果[1-5]。但无人机获取的可见光影像,除受到航摄像机自身性能影响外,还会受到外部环境(如大气条件、光照条件、云雾、光影等)和数据采集时间等因素的影响,致使成果影像出现亮度或明或暗、局部色彩不一等问题,严重影响了成果影像的视觉效果、信息提取和应用推广[6-7]。

为了解决上述问题,国内外众多学者对影像色彩平衡方法进行了深入研究,常见的色彩平衡算法包括直方图均衡化、Wallis匀光算法、Mask匀光算法、Retinex匀光算法和同态滤波算法等[8-15]。根据色彩平衡算法的特性,上述算法可分为以下两类:基于标准参考色彩的匀光匀色算法,包括Wallis匀光算法等,杨元维等人设计了改进的Wallis阴影补偿模型,利用标准参考影像作为补偿目标,在相交区域寻找同类特征点,自动解算该模型中的补偿系数值,使影像匀光匀色处理效果更佳,但该类方法的处理结果严重依赖于标准参考影像,更适合大范围的航空影像数据处理[8]。基于单幅影像的匀光匀色算法,包括直方图均衡法、Mask匀光算法等,王邦松等人从色彩学、人体视觉等多角度出发,通过调整影像统计直方图,有效改变了原始影像的亮度,增强了影像的对比度,削弱了影像拼接中不同影像间的色彩差异[9];李烁等人针对Mask匀光算法对低通滤波器及其尺寸参数严重依赖的问题,结合Mask数学模型构造变分能量函数,分别利用各向异性和各向同性全变分正则项约束理想影像和背景影像,迭代求解最优背景影像和理想影像,实现了在消除影像亮度不均的同时依然保持影像的纹理和细节信息[10]。杨国鹏等人提出了一种基于多尺度Retinex的图像非线性增强方法,采用递归迭代提高高斯滤波处理速度,采用灰度极值去除线性拉伸,尽可能保留原始细节信息,有效提升了低照度航空遥感影像的视觉效果[11]。

尽管这些方法有效削弱了影像间或影像内部的亮度不一、色彩差异的问题,但也存在着各自的问题,如Wallis算法需要标准参考影像对目标影像进行色彩校正,无法处理单幅影像内部的亮度和色彩差异;其他色彩平衡算法由于缺少标准参考,存在亮度修复不明显、或地物要素色彩失真等问题。针对这一问题,本文提出了基于色彩变换(色调hue、亮度intensity、饱和度satuation,HIS)空间的影像色彩平衡方法,首先将影像的RGB(代表红、绿、蓝三个通道的颜色)信息转换至HIS颜色空间,根据同类地物的亮度信息和标准亮度值拟合单幅影像的亮度多项式补偿函数,然后对原始影像进行修正和拉伸,在保证地物要素真实色彩信息的条件下实现可见光影像的亮度修复。

1 算法基本原理

1.1 HIS颜色空间

根据摄影测量原理,可见光影像的成像色彩可概括为

F=F(E0,E1,E2,E3,E4)

(1)

式中,E0表示拍摄地物的反射色彩;E1表示拍摄相机对地物成像色彩的影响;E2表示场景光照对地物成像色彩的影响;E3表示拍摄时间对地物成像色彩的影响;E4表示其他环境因素对地物成像色彩的影响。

因此,造成可见光影像内部或影像间色彩不一的因素主要为场景光照造成的色彩差异ΔE2、拍摄时间造成的色彩差异ΔE3和其他环境因素造成的色彩差异ΔE4,且E2、E3和E4对地物成像色彩影响主要表现为对不同类型地物色彩明暗程度的影响。

在影像匀光匀色处理过程中为了保留原有地物真实色彩信息,需将可见光影像从RGB色彩空间转向HIS颜色空间,且HIS色彩模型更加符合人的视觉机理,其转换关系如下:

(2)

式中,H代表色调,用以反映像元的颜色信息;I代表亮度,用以反映人眼感受彩色光过程中颜色的强弱程度;S表示饱和度,用以反映颜色的深浅程度;R、G、B分别代表地物反射的红、绿、蓝三个波段的亮度值。

1.2 多项式补偿函数

根据式(1),为了消除不同类型地物及相机参数对影响亮度差异的影响,首先采用红绿蓝植被指数WRGBVI提取影像中的植被信息,指数模型如下:

(3)

式中,WRGBVI表示红绿蓝植被指数;R、G、B分别代表地物反射的红、绿、蓝三个波段的亮度值。

在提取的植被像元点内选择用于多项式补偿函数的样本点{Rx,y,Gx,y,Bx,y},标定点需要均匀分布于整张图像,且在边缘区域应加密样本点,并计算样本点的亮度值ix,y。

然后根据样本点的亮度ix,y和样本点的行列数(x,y)构建二次多项式拟合函数,多项式函数如下:

ix,y=a0+a1x+a2y+a3xy+a4x2+a5y2

(4)

式中,ix,y表示第x行第y列像元的拟合亮度;a0、a1、a2、a3、a4、a5分别为二次多项式的拟合系数;x和y分别为样本点在图像中的行数和列数。

其误差方程为

(5)

1.3 背景亮度修正

在样本点集{Rx,y,Gx,y,Bx,y}内选择色彩正常的像素点(R0,G0,B0),计算其亮度i0,则各个像元的亮度改正值为

Δix,y=i0-ix,y

(6)

式中,ix,y表示第x行第y列像元的拟合亮度;i0表示色彩正常像元的亮度;Δix,y表示第x行第y列像元的亮度改正值。

进而每个像元修正后的亮度为

(7)

最后将图像根据式(2)从HIS色彩空间转至GRB色彩空间。

1.4 质量评价指标

为了更加客观评价本文算法的色彩平衡处理效果,采用标准差S、平均梯度M和信息熵E3个指标对匀光匀色后的影像进行质量评定,其计算如式(8)所示。

(8)

式中,f(i,j)为影像中第i行j列像元的像素灰度值;x、y分别为影像的行数和列数;m表影像中所包含的灰度级数;pt为第t级灰度出现时的概率。

2 实验与分析

2.1 实验数据

选择某城市某两个区域,分别利用华测BB4 Mini 于16:30:00和17:00:00进行外业数据采集,其中飞行高度120 m,航线速度6 m/s,航向、旁向重叠度均为75%,数据采集完成后利用PhotoScan等软件进行正射影像拼接、裁剪和输出。两幅影像成果如图1所示,左侧影像为17:00:00采集的航空正射影像;右侧影像为16:30:00采集的航空正射影像,空间分辨率优于0.1 m,涵盖建筑物、交通道路、植被、水系、院落和场地等多类型地物要素。

(a)照度较低

2.2 算法测试

为了更好地检验本文算法对影像色彩平衡处理的有效性和适用性,分别利用Mask算法、Retinex算法和本文算法对两幅影像进行匀光匀色处理。Mask算法中傅里叶半径设置为r=2,偏移值设置为offseti=mean(Di)(i=1,2,3,…),D表示影像的像元亮度值;Retinex算法中高斯滤波器参数设置为σ=80;本文算法采用九点法选择标定样本点,使其均匀分布于图像范围,植被标准亮度值设置为i0=50,三种色彩平衡算法处理结果如图2～图4所示。

(a)照度较低

(a)照度很低

(a)照度较低

从图2～图4可以看到,三种算法处理后的影像数据均得到了一定程度的色彩亮度改善。对于照度较低的航空正射影像,Retinex算法的处理效果最佳,有效消除了不同时间不同光照情况对影像色彩、亮度的影响,但处理后的影像存在部分暗斑,且色彩较浅;本文算法次之,在保证地物要素准确色调的条件下,对大部分区域实现了亮度修正,但当像元的3个波段亮度值相同时,无法进行亮度修正,且色彩失真;Mask算法的处理结果,色彩依然较暗,匀光匀色效果不佳。对于照度不均的航空正射影像,本文算法的处理效果最佳,既保留了地物要素的真实色彩,又对影像亮度值起到了很好的修复作用;Mask算法的处理效果次之,消除了图像中大部分较暗区域,且保留了地物要素的真实色彩,但在影像边缘仍存在少量偏暗区域;Retinex算法有效均衡了影像不同区域的明暗程度,但地物色彩整体偏浅,且影像中存在少量暗斑。

2.3 定量分析

为了定量衡量不同算法的色彩平衡处理效果,分别统计匀光匀色后影像的标准差S、平均梯度M和信息熵E,结果如表1所示。对于照度较低的航空正射影像,Mask算法处理后的影像标准差S更加接近原图像,且平均梯度M、信息熵E较小,未对图像进行有效色彩恢复;而Retinex算法和本文算法处理后的影像标准差S较原图有所拉大,且处理后的图像信息更加丰富。对于照度不均的航空正射影像,本文算法处理后的影像标准差S更加接近原图像,且处理后的图像平均梯度M、信息熵E更大,承载的图像信息更加丰富;Mask算法次之,Retinex算法最差。

表1 不同色彩平衡算法评价指标

3 结束语

针对Mask算法、Retinex算法在单幅影像色彩平衡处理过程中色彩失真、亮度恢复不佳等问题,本文基于HIS彩色空间,利用多项式同步拟合环境因素和时间因素对影像亮度的影响值,并用标准亮度值进行亮度修正,不仅实现了可见光影像的匀光处理,同时还最大限度地保证了地物要素的真实色彩信息。

分别利用三种算法对两幅明暗程度不一的可见光影像进行匀光处理,通过实验分析表明,本文算法可以有效修复影像的亮度信息,同时保证了地物要素的真实色彩,但当可见光影像亮度较低致使像元R、G、B三个波段的Dn值相同时,该方法处理后的影像会出现红斑效应。