模型有花斑？试试新技术！

在日常工作中，睿铂的技术同事隔三差五就会收到客户关于模型花斑问题的咨询，由此，睿铂内部技术考核题中也衍生出一道题目：“请描述一下什么情况下模型容易出现花斑及大概解决方案”。可见，对于倾斜摄影实景模型来说，花斑问题始终是停留在模型成果上挥之不去的“阴影”，是影响模型观感的罪魁祸首之一。

很多客户都想彻底地解决上述问题，但苦于内外业需要花费大量精力——选择合适的作业时段或对大量照片进行匀色处理等等，但这些方法降低项目效率的同时效果也不够好。

有没有办法从源头上解决这类问题呢？那么今天，睿铂就和大家分享一下最新技术：基于卡尔曼滤波平滑曝光模型，局部解决模型的花斑问题；

▲ 花斑会严重影响模型的观感

MAIN CAUSE OF MODEL SPECKLE模型花斑的主要成因

01天气（光影）变化

资深的航测老手都知道，最佳的倾斜摄影作业天气，要么就是万里无云晴天，要么就是亮度足够的阴天，因为这两种天气太阳光线变化是最小的，尤其是阴天还没有光线方向导致的阴影，恰到好处的云层既可以保证足够的光照强度，同时像一个巨大的匀光罩，保证地面各个方向的光照强度和光线方向基本一致，这样的模型效果是最好的；但是这种天气却是可遇不可求的。

▲ 阴天模型效果均匀

02建筑物体本身（或反射）的花斑

现代建筑大量采用了玻璃结构，玻璃的反射就会导致相邻的建筑表面斑驳，对于这种花斑基本属于无解。不过这种花斑有个好处，反光的斑驳相当于给表面加纹理，能够匹配更多同名点，避免漏洞。

▲ 建筑表面斑驳纹理（此图为航片非模型）

03测光导致同一纹理亮度不一致

在航飞过程中，即使光线强度没有变化，但相机的测光功能会随着地物纹理的变化而变化。即便是相同的曝光参数，也会导致同一个纹理表面偏亮或偏暗。纹理变化越剧烈，这种亮暗变化程度明显。尤其在城市区域，会导致建筑物表面形成斑驳的纹理（花斑），影响模型观感。

而今天睿铂要分享的技术，就是针对这种情况的一个解决办法。

▲ 相同镜头连续拍摄的照片，建筑物立面亮度不一致

PRINCIPLE OF EXPOSURE航摄曝光原理

目前比较常见的算法有平均亮度法、权重均值法、亮度直方图等。其中最普遍的就是平均亮度法。平均亮度法就是对图像所有像素亮度求平均值，通过不断调整曝光参数以达到最终的目标亮度。而权重均值法是对图像不同区域设置不同权重来计算图像亮度，例如相机中的各种测光模式的选择就是改变不同区域的权重。亮度直方图法是通过为直方图中峰值分配不同权重来计算图像亮度。航测作业曝光可以有两种方式：自动曝光和固定曝光。

固定曝光：固定曝光就是所有参数预设固定，其优势在于不会有曝光不均匀而导致模型花斑；但要求是外界光线不能有较大变化，否则模型就会整体变暗或者变亮，所以航测很少用固定曝光模型，固定曝光适用于光线稳定的场景，例如室内场景；

自动曝光：在整个白昼时，太阳的光线强度会不断变化。当地物纹理变化较大时，就需要自动曝光模式来对照片亮度进行调整，如前所示自动曝光能够解决部分外部光源变化的问题，但却不能解决纹理变化场景。

睿铂两种方式都尝试过

FIXED EXPOSURE PRINCIPLE固定曝光原理

最早睿铂研发团队是想通过固定曝光方案，首先预设一个曝光参数，在相机上方再加一个太阳辐射强度传感器或者超广角高帧率的相机，目的就是时刻测量太阳辐射强度的变化，结合相机直方图参数，对相机预设曝光参数做补偿。

这样无论太阳和地物怎么变化，都保证了最佳的曝光参数，完美解决曝光参数变化导致的光影斑驳。

不过想法很丰满，现实很骨感。

最大问题就是无人机姿态问题，我们发现无论怎么布置太阳辐射强度传感器，或者采用余弦校正器，都没法避免无人机姿态导致测光参数变化。

▲ 无人机姿态变化导致测光值变化

唯一解决方案就是需要上置一个云台，但是这样就越跑越远了，以后对于对重量不敏感的DG10可能会考虑这种技术方案。

▲ 上置测光稳定云台

▲ 云层对光线变化的影响

BASED ON KALMAN SMOOTH EXPOSURE基于卡尔曼平滑曝光

在曝光过程中，曝光过程是一个动态过程，导致曝光参数的变化主要是“天上光”“地下物”，“天上光”就是太阳进入云层的光影变化，这个时候曝光参数需要做对应的调整，“地下物”就是地物纹理的变化，这个时候曝光参数需要适当稳定；

“天上光”变化特点是五个镜头曝光参数会同步变化，而“地下物”变化的特点是五个镜头曝光参数不是同步的。

所以在做曝光平滑前只要需要一个简单判读，如果五个镜头曝光参数相对同步变化，那么这个时候就直接曝光调整，如果五个镜头曝光参数相对不是同步，那么这个时候就不能粗暴的直接调整曝光，否则就容易导致模型的花斑；

对于“地下物”的变化，相机在曝光过程中，可以把局部的光影变化当成噪声；而噪声是一种干扰，属于不确定的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。

通过观察光影变化趋势，将变化量作为噪声信号，以推断出影响图像质量的干扰因素，从而预测下一个时刻的状态值，再通过比较实际值和预测值的误差来调整预测值，最终得到较为准确的曝光信号，实现平滑过渡。

卡尔曼滤波是一种基于状态空间模型的优化算法，通过最小化系统状态的方差来提高状态估计的精度。在相机曝光过程中，我们可以将数据采集过程看作一个线性动态系统，其状态空间模型可以表示为：

x(k) = A*x(k-1) + B*u(k) + w(k)

y(k) = C*x(k) + v(k)

其中，x(k) 表示系统在时刻 k 的状态向量，A 是系统状态转移矩阵，B 是系统输入矩阵，u(k) 是输入信号，w(k) 是系统过程噪声，y(k) 表示系统在时刻 k 的观测向量，C 是观测矩阵，v(k) 是系统观测噪声。

卡尔曼滤波的基本流程如下：

预测步骤：根据先验信息预测下一个状态的值和方差，即

x(k|k-1) = A*x(k-1|k-1) + B*u(k)

P(k|k-1) = A*P(k-1|k-1)*A' + Q

其中，x(k|k-1) 表示对 x(k) 的预测值，P(k|k-1) 表示对 x(k) 预测值的协方差矩阵，Q 是系统过程噪声的协方差矩阵。

更新步骤：根据观测值和预测值进行更新，计算出最优状态值和方差，即

K(k) = P(k|k-1)*C'*(C*P(k|k-1)*C' + R)^(-1)

x(k|k) = x(k|k-1) + K(k)*(y(k) - C*x(k|k-1))

P(k|k) = (I - K(k)*C)*P(k|k-1)

其中，K(k) 表示卡尔曼增益，x(k|k) 表示对 x(k) 的最优估计值，P(k|k) 表示对 x(k) 最优估计值的协方差矩阵，R 是系统观测噪声的协方差矩阵。在此系统中，我们对每个参数进行了分析和优化，并设计自适应方式调整滤波器参数，使得滤波效果更为准确，得到我们预期的效果。

通俗来说就是卡尔曼滤波算法相当于一个“算命”先生，通过以往的曝光值来预测下一次的曝光值，实现曝光的平滑，尽可能减小花斑；

POSESCRIPT后记

以上全局平滑曝光的来龙去脉，其核心优势就是在倾斜摄影过程中，避免因纹理变化导致曝光参数变化而形成的模型花斑，提高模型的效果；这个曝光方式跟传统摄影曝光不同之处在于，不是及时去响应地物纹理的变化，追求单张影像曝光正确，而是去整体分析实现一系列影像，把局部的地物纹理变化当成噪声，实现影像整体的曝光正确，而对于太阳光覆盖地方该亮就应该亮一些，而有些深色地方或者阴影地方该暗就应适当该暗一些，达到模型整体观感一致。

▲ 普通工作模式

▲ 平滑工作模式

来源：成都睿铂科技

- END -