[发明专利]一种基于机器学习的航空影像匀光方法及系统

权利要求书

1.一种基于机器学习的航空影像匀光方法，其特征在于，所述航空影像匀光方法具体包括：

获取航空影像；

确定匀光参数；所述匀光参数为高斯模糊半径参数；

采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值，具体包括：采用不同的匀光参数值对所述航空影像进行匀光操作，得到多个不同匀光参数值的匀光航空影像；采用线性回归模型，对所有所述匀光航空影像的行列像素值进行线性回归机器学习拟合，得到不同匀光参数值下的多个拟合值；利用线性回归评价公式，计算每个所述拟合值的回归误差值；所述线性回归评价公式为最小化误差平方和代价函数的平均公式；根据所述回归误差值以及所述回归误差值对应的匀光参数值，绘制航空影像匀光机器学习的拟合误差曲线图；

根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值，具体包括：当所述拟合误差曲线图中的曲线线性变化为线性增加时，所述拟合误差曲线图中的最小曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值；当所述拟合误差曲线图中的曲线线性变化为线性递减时，所述拟合误差曲线图中的最大曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。

2.根据权利要求1所述的基于机器学习的航空影像匀光方法，其特征在于，所述航空影像为农村地区航空影像、城市地区航空影像、占据50％以上水体的航空影像或者多拼相机出现光带的航空影像。

3.根据权利要求1所述的基于机器学习的航空影像匀光方法，其特征在于，在执行采用不同的匀光参数值对所述航空影像进行匀光操作之前，所述航空影像匀光方法还包括：

确定线性回归模型。

4.根据权利要求3所述的基于机器学习的航空影像匀光方法，其特征在于，所述确定线性回归模型，具体包括：

采用最小二乘法估算回归模型及所述回归模型的参数；

根据所述回归模型及所述回归模型的参数，建立线性回归模型。

5.根据权利要求3所述的基于机器学习的航空影像匀光方法，其特征在于，在执行确定线性回归模型之前，所述航空影像匀光方法还包括：

确定匀光参数集合；所述匀光参数集合包括多个不同的匀光参数值。

6.一种基于机器学习的航空影像匀光系统，其特征在于，所述航空影像匀光系统具体包括：

航空影像获取模块，用于获取航空影像；

匀光参数确定模块，用于确定匀光参数；所述匀光参数为高斯模糊半径参数；

拟合误差曲线图得到模块，用于采用不同的匀光参数值对所述航空影像进行匀光操作，并结合机器学习中的线性回归算法，进行拟合计算后得到航空影像不同匀光效果的拟合误差曲线图；所述拟合误差曲线图的横坐标为匀光参数值，所述拟合误差曲线图的纵坐标为匀光后拟合值的回归误差值，具体包括：采用不同的匀光参数值对所述航空影像进行匀光操作，得到多个不同匀光参数值的匀光航空影像；采用线性回归模型，对所有所述匀光航空影像的行列像素值进行线性回归机器学习拟合，得到不同匀光参数值下的多个拟合值；利用线性回归评价公式，计算每个所述拟合值的回归误差值；所述线性回归评价公式为最小化误差平方和代价函数的平均公式；根据所述回归误差值以及所述回归误差值对应的匀光参数值，绘制航空影像匀光机器学习的拟合误差曲线图；

最佳匀光参数值确定模块，用于根据所述拟合误差曲线图中曲线线性变化，确定所述航空影像的最佳匀光参数值，具体包括：当所述拟合误差曲线图中的曲线线性变化为线性增加时，所述拟合误差曲线图中的最小曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值；当所述拟合误差曲线图中的曲线线性变化为线性递减时，所述拟合误差曲线图中的最大曲线斜率值对应的匀光参数值确定为确定所述航空影像的最佳匀光参数值。