基于波段权重的多尺度Retinex遥感图像渐晕校正方法

鲍一丹，李艺健，何 勇，朱姜蓬，万 亮，岑海燕

基于波段权重的多尺度Retinex遥感图像渐晕校正方法

鲍一丹，李艺健，何 勇，朱姜蓬，万 亮，岑海燕※

（浙江大学生物系统工程与食品科学学院，杭州 310058；农业农村部光谱检测重点实验室，杭州 310058；浙江大学现代光学仪器国家重点实验室，杭州 310027）

针对传统函数逼近法存在的校正质量不稳定、耗时长以及Retinex算法存在的光晕、泛灰和光谱数据失真的问题，该文提出了一种带光谱恢复的多尺度Retinex渐晕校正方法。通过对无人机遥感图像全局亮度的估计以及光谱恢复因子的引入，实现无人机遥感光谱图像的渐晕校正。利用该文方法对遥感图像进行处理，并与基于高斯曲面的函数逼近法和多尺度Retinex算法结果进行对比，依据灰度分布情况、标准差、平均梯度、清晰度、光谱相关系数以及光谱角指标进行评价分析。试验结果表明，该文提出的方法可以取得较好的渐晕校正效果，结果不存在光晕、泛灰现象，结果的平均梯度和清晰度均值分别为0.077 4和49.33，相较原始图像和函数逼近法以及多尺度Retinex算法处理结果，平均梯度分别提高了5.94%、5.56%和4.78%，清晰度分别提高了8.94%、6.79%和6.63%，该文方法校正图像的对比度和清晰度更优，方法具有较好的渐晕校正效果。

遥感；图像处理；Retinex理论；光谱恢复；渐晕校正

0 引 言

智慧农业通过先进的数据采集技术和网络通信技术等实现在整个农业生产和加工过程中的自动化生产[1]。其中，光谱和成像技术能够快速无损获取作物养分生理信息，并能有效地对作物长势和逆境胁迫响应进行动态监测，对实现农业的精准化、数字化、信息化及智能化管理和作业具有重要意义[2]。随着无人机及小型光谱相机技术的发展，利用无人机搭载光谱成像设备获取作物表型信息成为可能[3]。无人机近地遥感能够快速、高通量地获取大田作物信息。相比卫星遥感，具有分辨率高、运行周期、受天气状况影响小等优点[4-5]，成为近年来的研究热点。

无人机受到续航时间等限制，其搭载的光谱相机需要进行微型化设置，导致镜头光通路受限，在成像时出现渐晕现象，即影像灰度分布出现中间亮，边缘暗的情况[6]。通常光谱相机传感器感光范围宽，采集的光谱数据易受到二次谐波的影响，为了消除这一影响，光谱相机通常需要外加滤光片，导致光谱图像的渐晕现象更加严重[7]，最终影响光谱成像数据的质量和后期图像拼接、特征提取、目标检测以及分类识别等结果[8]。

传统的渐晕校正方法可以分为以下2类：查表法（look-up-table，LUT）和函数逼近法（function approximation method，FAM）[9]。查表法是在适当理想的条件下采集标准图像并获得各个像素的衰减因子，得出各像素相应的校正因子表，然后对图像的对应像素点进行校正[10]。函数逼近法通过选择合适的函数来拟合图像中灰度值变化，以寻求一种可以解释渐晕图像灰度变化的渐晕模型，根据这一模型来得到各像素点的校正因子[11]。查表法需要特定的均匀光照条件及其他理想条件，在工程实现上较难。函数逼近法假定一个特定的渐晕模型，不同图像的特征会影响函数的拟合结果，导致图像的校正质量不稳定[12]，且函数逼近法属于迭代优化算法，耗时较长。

因此，为了得到更好的去渐晕效果以及更高的效率，需要寻找一种新的思路来去除遥感图像中因渐晕导致的亮度不均匀现象。Retinex图像增强算法被广泛应用于图像去雾领域，近年来部分学者将其引入影像灰度不均匀修复领域[13]。如Li等[14]将多分辨率变分Retinex模型引入遥感影像处理，实现遥感图像的亮度不均匀性校正。Kwok等[13]将单尺度Retinex算法改进为边缘提取算法，并通过非线性强度映射实现了低照度图像的恢复。

Retinex理论可以修复图像灰度不均匀的现象，但也存在一定局限性。基于以上思想，本文将其引入遥感图像的渐晕校正方法并进行改进，从而实现图像较好的渐晕校正效果。

1 数据与方法

1.1 低空遥感图像的获取

低空遥感图像由八旋翼电动无人机搭载的XIMEA xiQ系列 CMV2K-SSM5×5型多光谱工业相机（IMEC，Leuven，Belgium）采集，飞行高度为25m，飞行速度为2.5 m/s。该多光谱相机为基于Fabry-Pérot结构的mosaic型光谱相机，单帧成像可采集25个波段（600～1 000 nm）的光谱图像，单波段图像分辨率为409×216像素，图像位深为10 bits。

采集的遥感图像所覆盖区域为浙江省诸暨市安华镇三联村粮食功能产区（120°6′7.99″E，29°30′55.52″N），种植作物为水稻，采集面积为6 667 m2。图像采集的时间为2017年8月27日上午09:31-09:40，环境照度变化范围为60 000~80 000 lx。一个架次共计200张多光谱图像，每幅图像均存在明显的渐晕效应。

1.2 带光谱恢复的Retinex渐晕校正方法

1.2.1 Retinex理论

Edwin Land和McCann提出了以人类视觉系统对亮度和颜色感知模型为依据的Retinex理论[15]。Retinex理论假设图像I由2部分组成：亮度分量和反射分量，二者的乘积即为图像本身[16]。其基本理论模型如式（1）所示。

式中(,)为图像中像素点的坐标。反射分量描述了物体的辐射度和空间属性，而亮度分量是图像中渐晕效应或其他亮度变化的原因[14]，去除亮度分量L可以实现对图像中亮度不均匀的校正。

1.2.2 Retinex算法

根据Retinex理论，Retinex算法要解决的核心问题是对原图像的亮度分量和反射分量进行估算[17]。目前Retinex算法主要发展出了以下4种：基于路径比较、基于迭代、基于中心/环绕和基于可变框架模型的Retinex算法[18-19]。在这4类算法中，基于中心/环绕的Retinex算法运算过程更加简单，算法效率更高且效果表现更好[14]，因此单尺度Retinex算法（single scale retinex，SSR）、多尺度Retinex算法（multi-scale retinex，MSR）等基于中心/环绕的Retinex算法应用更多。

Jobson等[20]认为亮度分量为图像中变化缓慢的部分，可以由环绕函数和相应通道的亮度分量进行卷积得到(,)分量。常用的环绕函数为高斯函数[21]，采用式（2）计算。

多尺度Retinex算法是在估计图像亮度分量时计算多个尺度的SSR并进行加权平均来实现的，其数学模型见式（3）。

式中表示尺度数目，σ表示第个尺度参数，ω为第个尺度参数的权重。

1.2.3 带光谱校正的Retinex渐晕校正方法

基于中心/环绕的Retinex算法存在的最主要2个缺点[14]是：1）产生光晕效应；2）不同通道的图像灰度相关性损失，即图像光谱信息失真。基于中心/环绕的Retinex理论假设亮度分量是平滑的，而实际在明暗突变过渡区域并非如此，这导致在过渡区亮度分量估计错误而产生光晕现象。图像光谱信息失真的原因是每个通道的图像各自估计亮度分量，而没有考虑各通道之间的相关性[14]。

为了解决以上2个缺点，本文提出一种带光谱恢复的多尺度Retinex（multi-scale retinex with spectrum restoration，MSRSR）渐晕校正方法，其伪代码及流程示意图分别如表1和图1所示。

表1 带光谱恢复的多尺度Retinex（MSRSR）方法伪代码

由于渐晕现象中图像呈现整体亮度由中心向四周递减的现象，且这一变化是平滑的，而使用SSR或MSR算法提取的亮度分量会受到物体边缘信息和明暗突变区域的影响，这导致提出来的亮度分量并不符合渐晕效应中图像亮度平滑的变化规律。为解决这一问题，本文基于一个架次所有飞行图像的平均图像提取仅与渐晕效应和环境亮度相关的全局亮度分量，这一亮度分量符合渐晕现象中亮度由中心向四周平滑递减的规律。基于以上思想，为了提取造成渐晕现象的亮度变化分量，用集合描述一个架次飞行获取的张遥感图像，见式（4）。

各个波段的平均图像meanband计算如式（5）。