由于大气与传感器光谱响应特性差异的影响，直接由红、绿、蓝三个波段合成的多光谱遥感图像普遍存在颜色失真的现象。传统上，颜色失真的问题通常通过基于辐射传输模型的大气校正进行恢复，但其效果严重受限于传感器的绝对辐射校正水平和成像时刻大气参数的精度。而基于经验的颜色校正方法则难以获得一致的效果，并且通常需要有经验的操作人员参与，不能实现自动化处理。基于此，本课题旨在实现一种端到端的全自动多光谱遥感图像颜色校正算法，对于任意包含红、绿、蓝波段的多光谱遥感图像，该算法可自动校正色偏，并且可以有效的实现海量遥感图像数据的大批量自动化颜色校正处理。

本课题所采用的实验数据是分辨率为8m的GF-1号和分辨率为4m的GF-2号多光谱遥感图像以及部分Google Earth图像。论文的主要工作如下：

(1)详细讨论了遥感图像颜色校正与颜色恒常性之间的关系，并在理论和实际应用中分别证明了颜色恒常性算法校正多光谱遥感图像颜色失真的可行性。

(2)提出一种基于CNN（Convolutional Neural Networks）回归网络的多光谱遥感图像颜色自动校正方法——ACCN（Automatic color-correction Network）模型。该模型通过卷积神经网络学习图像的高层特征，预测消除图像颜色误差后的RGB通道上的颜色分布直方图，自动完成颜色校正。ACCN模型由20000幅大小为224×224的GF-1号遥感图像在TensorFlow框架上以KL散度为损失函数训练获得。实验证明，该模型实现了多光谱遥感图像端到端全自动的颜色校正，并且具有良好的校正效果、较快的计算速度和低内存消耗的特点，适用于大批量自动化处理大规模的遥感数据。

 (3)利用DS-Net方法估计标准光照实现了遥感图像的颜色恒常，完成了遥感图像颜色的自动校正。DS-Net具有两个相互作用的子网络，即假设网络（HypNet）和选择网络（SelNet）。HypNet通过从CNN主体中得到的两个分支，对切片的光源估计生成两个竞争假设；SelNet自适应地从这些合理的假设中选择最优的估计。本文利用对角模型估计出的标准光照作为标签，进行训练模型，实现了DS-Net自动校正多光谱遥感图像的颜色。实验表明，校正后的图像色调和谐，颜色鲜明。

(4)设计了一款全自动遥感图像自然色彩修正系统的软件。该软件嵌入了ACCN模型，不仅可以利用系统默认参数直接校正遥感图像，并且支持输入新的数据集重新训练模型。