CN108447065A - 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法 - Google Patents
基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法 Download PDFInfo
- Publication number
- CN108447065A CN108447065A CN201810201837.0A CN201810201837A CN108447065A CN 108447065 A CN108447065 A CN 108447065A CN 201810201837 A CN201810201837 A CN 201810201837A CN 108447065 A CN108447065 A CN 108447065A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- color
- principal component
- histogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000015572 biosynthetic process Effects 0.000 claims description 19
- 238000003786 synthesis reaction Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013442 quality metrics Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 12
- 230000003595 spectral effect Effects 0.000 abstract description 7
- 239000002131 composite material Substances 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 abstract 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,它属于高光谱图像分割技术领域。本发明解决了由于高光谱图像数据维数高、数据冗余多导致的对图像实时分割困难的问题。本发明将高光谱图像的主要光谱信息放入假彩色图像中,对高光谱数据进行降维;将主成分加权假彩色合成图像分割成网格区域后,采用像元级和块级两个尺度对分割后的主成分加权假彩色合成图像的每一个超像元的边界进行遍历迭代,每次完整的迭代后均获得新的图像分割方案,采用直方图驱动函数对每次完整的迭代后得到的新分割方案进行评估,最终获得最佳的图像分割方案,实现对高光谱图像的超像元分割。本发明可以应用于高光谱图像的分割领域用。
Description
技术领域
本发明属于高光谱图像分割技术领域,具体涉及一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法。
背景技术
高光谱遥感是遥感领域在20世纪80年代起最重要的发展之一,至90年代已成为国际遥感技术领域的热门课题,也是今后几十年内的遥感的前沿技术。高光谱图像具有较高的光谱分辨率,提供了关于地物类型的丰富的信息,由于高光谱图像有许多波段,且每一波段都可以看作是一幅灰度图像,因此,针对每一幅图像进行单独分析和研究时,就需要对高光谱图像进行分割。传统的高光谱图像分割方法有K均值聚类算法和其他聚类算法,但采用传统的K均值聚类算法和其他聚类算法存在着由于数据维度高、数据冗余多导致的对图像快速和精确分割困难的问题。
发明内容
本发明的目的是为解决由于高光谱图像数据维度高、数据冗余多导致的对图像实时分割困难的问题。
本发明为解决上述技术问题采取的技术方案是:
一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,该方法的具体步骤为:
步骤一、对P波段M×N像元的高光谱图像数据X进行主成分加权假彩色合成,将高光谱图像转化为P维数据;分别计算P维数据各自维度内所有像元的平均值向量;
步骤二、利用步骤一得到的P维数据和P维数据各自维度内所有像元的平均值向量,计算P维数据各自维度的特征协方差矩阵,分别计算出各个维度的特征协方差矩阵的特征值和特征向量;对各个维度的特征协方差矩阵的特征值和特征向量单位化,将单位化后的特征值λj按照由大到小顺序排列得到特征值组成的向量λ,将单位化后的特征向量aj按照由大到小顺序排列得到特征向量组成的向量A,其中,j=1,2,…,P;
步骤三、对步骤二中的向量A进行转置得到向量AT,利用向量AT对原高光谱图像进行转换,得到转换后的主成分图像Yj;
步骤四、从步骤三中的主成分图像Yj中取出前S个主成分图像Yj',j'=1,2,…,S,将取出的S个主成分图像Yj'分为三组,第3n+1图像为第一组,第3n+2图像为第二组,第3n+3图像为第三组,n=0,1,…,Q,3Q+3≤S,Q和S为正整数;将每组内的主成分图像进行累加计算,得到高光谱图像的主成分加权假彩色合成图像;
步骤五、将步骤四得到的高光谱图像的主成分加权假彩色合成图像分割成网格区域;
步骤六、采用像元级和块级两个尺度对步骤五分割后的主成分加权假彩色合成图像的每一个超像元的边界进行遍历;即对图像中每个超像元的边界先进行一次块级遍历,然后再进行一次像元级遍历,当对所有超像元遍历过一次时,即完成一次完整的遍历;
遍历时对超像元的边界处的所有像元分别采用像元级别的方案调整和块级别的方案调整,调整时以步骤五的网格区域作为分割的基本方案,经过调整获得新的分割方案后,采用颜色直方图驱动函数E(s)作为评估函数对新分割方案进行评估,函数值越高评价越好;
通过不断的迭代遍历过程,每次迭代后均获得新的分割方案,并采用颜色直方图驱动函数E(s)评估新分割方案,最终获得最佳的分割方案,即实现高光谱图像的超像元分割。
本发明的有益效果是:本发明提供了一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,本发明将高光谱图像转化为P维数据,利用P维数据各自维度内所有像元的平均值向量计算出P维数据各自维度的特征协方差矩阵,利用P维数据的特征协方差矩阵的特征向量组成的向量A的转置向量AT对原高光谱图像进行转换,得出转换后的主成分图像Yj;从主成分图像Yj中取出前S个主成分图像Yj',并将取出的S个主成分图像Yj'按照第3n+1图像为第一组,第3n+2图像为第二组,第3n+3图像为第三组的方式进行分组,分别对每组内的主成分图像进行累加计算,得到高光谱图像的主成分加权假彩色合成图像,实现了对高光谱数据的降维;将主成分加权假彩色合成图像分割成网格区域后,采用像元级和块级两个尺度对分割后的主成分加权假彩色合成图像的每一个超像元的边界进行遍历迭代,且遍历时对超像元的边界处的所有像元采用像元级别的方案调整和块级别的方案调整,每次完整的迭代后均获得新的图像分割方案,我们采用颜色直方图驱动函数对得到的每个新分割方案进行评估,直至找出最佳的分割方案,实现对高光谱图像的超像元分割。
采用本发明的高光谱图像分割方法可以减少50%的运算时间,且运算精度提高了约5%左右。
本发明对提高高光谱图像的分割效率和分割精度起到很好的作用。
附图说明
图1是本发明的基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法的工作流程图;
图2是本发明的颜色直方图驱动函数评估分割方案的工作流程图;
图3是本发明实施例中所述的高光谱图像的地物真实信息的示意图;
图4是本发明实施例中所述的高光谱图像的主成分加权假彩色合成图像的示意图;
图5是本发明实施例所述的高光谱图像分割效果的示意图。
具体实施方式
具体实施方式一:如图1和2所示,本实施方式所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,具体是按照以下步骤进行的:
步骤一、对P波段M×N像元的高光谱图像数据X进行主成分加权假彩色合成,将高光谱图像转化为P维数据;分别计算P维数据各自维度内所有像元的平均值向量;
步骤二、利用步骤一得到的P维数据和P维数据各自维度内所有像元的平均值向量,计算P维数据各自维度的特征协方差矩阵,分别计算出各个维度的特征协方差矩阵的特征值和特征向量;对各个维度的特征协方差矩阵的特征值和特征向量单位化,将单位化后的特征值λj按照由大到小顺序排列得到特征值组成的向量λ,将单位化后的特征向量aj按照由大到小顺序排列得到特征向量组成的向量A,其中,j=1,2,…,P;
步骤三、对步骤二中的向量A进行转置得到向量AT,利用向量AT对原高光谱图像进行转换,得到转换后的主成分图像Yj;
步骤四、从步骤三中的主成分图像Yj中取出前S个主成分图像Yj',j'=1,2,…,S,将取出的S个主成分图像Yj'分为三组,第3n+1图像为第一组,第3n+2图像为第二组,第3n+3图像为第三组,n=0,1,…,Q,3Q+3≤S,Q和S为正整数;将每组内的主成分图像进行累加计算,得到高光谱图像的主成分加权假彩色合成图像;
步骤五、将步骤四得到的高光谱图像的主成分加权假彩色合成图像分割成网格区域;
步骤六、采用像元级和块级两个尺度对步骤五分割后的主成分加权假彩色合成图像的每一个超像元的边界进行遍历;即对图像中每个超像元的边界先进行一次块级遍历,然后再进行一次像元级遍历,当对所有超像元遍历过一次时,即完成一次完整的遍历;
遍历时对超像元的边界处的所有像元分别采用像元级别的方案调整和块级别的方案调整,调整时以步骤五的网格区域作为分割的基本方案,经过调整获得新的分割方案后,采用颜色直方图驱动函数E(s)作为评估函数对新分割方案进行评估,函数值越高评价越好;
通过不断的迭代遍历过程,每次迭代后均获得新的分割方案,并采用颜色直方图驱动函数E(s)评估新分割方案,最终获得最佳的分割方案,即实现高光谱图像的超像元分割。
方案调整的过程如下:检测目标像元周围3·3区域内的超像元隶属,假如目标像元周围存在其他超像元,依次修改目标像元的超像元隶属(使目标像元隶属于其他超像元),将此次修改作为新方案,然后评估新方案是否优于原方案,如果优于则保留新方案,不优于则放弃新方案。
本实施方式将高光谱图像的主要光谱信息放入假彩色图像中,实现了对高光谱图像数据的降维,且本实施方式中的高光谱图像是指光谱分辨率在10l数量级范围内的光谱图像。针对高光谱图像区域尺度差距大的特点,采用颜色直方图驱动函数E(s)对每次调整后的新分割方案进行评估,保证了度量函数的计算效率和度量准确性,采用超像元分割尺度保证了图像的充分分割,在分割过程中使用爬山优化算法把全局问题转化为局部寻优问题,保证了算法的高效性,最终选择出最佳的图像分割方案,实现了高光谱图像的超像元分割。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一的具体过程为:
对P波段M×N像元的高光谱图像数据X=(x1,x2,…xi,…,xM×N)=(X1,X2,…,Xj,…,XP)T进行主成分加权假彩色合成,其中,X是(M×N)×P维矩阵,xi表示高光谱图像中的第i个像元,i=1,2,…,M×N,即将M×N的像元矩阵转换为(M×N)×1的像元列向量,Xj表示图像的第j个维度,其中,j=1,2,…,P;
分别计算P维数据各自维度内所有像元的平均值向量:
表示高光谱图像数据在各个维度内所有像元的平均值向量。
本实施方式将高光谱图像转化为P维高维数据,通过计算M×N组数据相对于均值的变化量从而获取每组数据相对于本维度均值的变化趋势。
具体实施方式三:本实施方式与具体实施方式二不同的是:步骤二的具体过程为:
高光谱图像数据各个维度的特征协方差矩阵为:
特征协方差矩阵C的对角元素表示各个维度的方差;分别计算各个维度的协方差矩阵C特征值和特征向量,对各个维度的特征协方差矩阵C的特征值和特征向量单位化,将单位化后的特征值λj和特征向量aj分别按照从大到小的顺序排列得到特征值组成的向量λ=(λ1,λ2,…,λP)和特征向量组成的向量A=(a1,a2,…,aP)。
协方差矩阵的非对角元素是衡量不同波段之间同时变化的变化程度,相关系数越大则相关性越大,则说明该波段的成像更加有代表作用也就是包含的特征信息越多,那么就可以认为该波段的主成分可能会越高。
具体实施方式四:本实施方式与具体实施方式三不同的是:步骤三的具体过程为:
利用特征向量组成的向量A=(a1,a2,…,aP)的转置向量AT对原高光谱图像进行转换,得到各维度的主成分图像Yj,各维度的主成分图像Yj组成的矩阵的转置为Y,Y为(M×N)×P维矩阵:
Y=Yj T=ATXj (3)。
具体实施方式五:本实施方式与具体实施方式四不同的是:步骤四的具体过程为:
设定主成分阈值参数为T,0≤T≤1,当前S个主成分图像Yj'第一次满足条件时,将前S个主成分图像Yj'提取出来作为主成分加权假彩色图像的数据来源;其中,λj'是第j'个维度的特征协方差矩阵C的单位化后特征值,j'=1,2,…S;
将提取出来的前S个主成分图像Yj'分为三组,第3n+1个图像为第一组,第3n+2个图像为第二组,第3n+3个图像为第三组,n=0,1,…,Q,3Q+3≤S,Q和S均为正整数;
对每组主成分图像对应的单位化后的特征值在各组内进行归一化处理:
其中,λ3n+1是第3n+1个维度的协方差矩阵C的单位化后的特征值,λ3n+2是第3n+2个维度的协方差矩阵C的单位化后的特征值,λ3n+3是第3n+3个维度的协方差矩阵C的单位化后的特征值,λ'3n+1是第一组主成分图像对应的单位化后的特征值的组内归一化值,λ'3n+2是第二组主成分图像对应的单位化后的特征值的组内归一化值,λ'3n+3是第三组主成分图像对应的单位化后的特征值的组内归一化值;
将每组的主成分图像在组内以主成分加权的形式进行累加计算,得到高光谱图像的主成分加权假彩色合成图像:
其中,Gray函数为将主成分图像数据矩阵放缩离散化为灰度图像数据矩阵的灰度化函数,ColorR、ColorG和ColorB分别表示假彩色图像中三种颜色的2维M×N矩阵,这三个矩阵组合成的彩色图像Color是包含着高光谱图像特征信息的低维数据包。
具体实施方式六:本实施方式与具体实施方式五不同的是:步骤五的具体过程为:
设定量级阈值U,根据量级阈值U评估出高光谱图像的主成分加权假彩色合成图像的超像元数量和超像元大小,利用评估出的超像元数量和超像元大小对高光谱图像的主成分加权假彩色合成图像进行初次分割;再依据评估出的超像元数量将高光谱图像的主成分加权假彩色合成图像分割成网格区域。
对高光谱图像的主成分加权假彩色合成图像的分割方法进行遍历优化之前,先评估图像应该被分割的区域数量,图像的分割程度由算法使用者控制量级阈值U,然后算法依据评估出的超像元数量和超像元大小确定不大于阈值合理的分割数量,然后对图像进行初次分割。再依据评估出的超像元数量将高光谱图像的主成分加权假彩色合成图像分割为一定大小的网格区域。为了保证图像的过度分割程度,应当刻意选择较大的量级阈值U。
具体实施方式七:本实施方式与具体实施方式六不同的是:步骤六的像元级别的方案调整和块级别的方案调整具体指的是:
像元级别的方案调整指的是,把修改某一个像元的超像元归属后的方案作为一个新的方案去评估;
块级别的方案调整指的是,将隶属于某一个超像元的所有空间相连像元作为一个整块,把修改了整个块像元的超像元归属后的方案作为一个新的方案去评估。
我们采用了像元级和块级两个尺度的遍历并行使用,进一步加快了遍历速度。在我们的分割方法中,对图像中每个超像元先进行一次块级遍历再进行一次像元级遍历,当对所有超像元修整过一次时视为一次完整的迭代。
具体实施方式八:本实施方式与具体实施方式七不同的是:步骤六的颜色直方图驱动函数E(s)对新分割方案进行评估的具体过程为:
颜色直方图驱动函数为E(s)=H(s)+γG(s),s表示分割区域,H(s)和G(s)分别是分割区域的颜色均匀性度量函数和边缘平滑函数,γ为恒定值,对于图像的分割处理,设γ=1;
对于颜色均匀性度量函数H(s),假设每个超像元的颜色分布相互独立,将颜色空间离散化,并构建直方图;
设定G为直方图中矩形的离散数量,是颜色空间的一个封闭子集,每组颜色空间中的标记为γ,即定义了直方图中的G个矩形的颜色;
为超像元Ak中的像元集的颜色直方图:
其中,I(α)表示像元α的颜色,像元α归属于超像元Ak,Z是直方图的归一化因子,是颜色判定函数,当像元α的颜色落在箱体中时返回1;
是颜色分布的距离度量,超像元Ak中所有像元的颜色与所有像元颜色的均值的距离为
其中,是超像元Ak中所有像元颜色的均值,μ为颜色直方图距离权值系数;
是颜色分布的质量度量,颜色均匀性度量函数H(s)为每个超像元中质量的评估,
是评估直方图颜色的集中度以及颜色之间距离的方程:
直方图集中在一个矩形中时,达到最大值1;所有颜色箱都具有相同值的情况下,达到最小值;
对于边界平滑函数G(s),定义Nα是围绕像元α的大小为N×N的区域内的像元集合;
分别计算围绕每个像元α的N×N区域内存在的不同超像元的数量k,将各个不同超像元离散为直方图的各个矩形,基于直方图的质量度量,在N×N区域中定义超像元标签的直方图
是直方图中k个箱体的高度,且不同超像元的数量等于直方图中箱体个数等于直方图中矩形个数,每个矩形对应于超像元标签;j”∈Nα是像元j”隶属于像元集合Nα,δ(I0(j”)∈Ak)是超像元判定函数,当像元j”隶属的超像元落在箱体中Ak时返回1,否则返回0;I0(j”)表示像元j”的超像元隶属函数;
对于边界像元α,每个边界像元α的N×N区域内的像元不只隶属于一个超像元,当边界像元α的N×N区域的像元只隶属于两个超像元时,超像元具有最好的形状;
将所有的超像元的边界平滑能量的总和作为边界平滑函数G(s),如下:
k是边界像元α的N×N区域内存在的不同超像元的数量,k=1,2,…m;边界像元α的取值范围是1至S0;若边界像元α的N×N区域内包含唯一的超像元的像元时,则G(s)处于最大值。
采用颜色直方图驱动函数E(s)对分割方案进行评估时,把初始网格看作是分割的基本方案,然后每次完整的迭代后获得新的分割方案均进行评估,经过评估,最终获得最佳的分割方案,实现了对高光谱图像的超像元分割,而且采用本发明的高光谱图像分割方法可以减少50%的运算时间,且运算精度提高了约5%左右。
本实施方式中所述的边界像元为网格的边界附近的像元。
实施例
如图3所示,为102个光谱波段1096×715像元的高光谱图像的地物真实信息,图像的分辨率达到1.3m,包含9种地物;将高光谱图像转化为102维数据;分别计算102维数据各自维度内所有像元的平均值向量;
计算102维数据各自维度的特征协方差矩阵,以及各特征协方差矩阵的特征值和特征向量;将单位化后的特征值按照由大到小顺序排列得到特征值组成的向量λ,将单位化后的特征向量按照由大到小顺序排列得到特征向量组成的向量A;利用向量A对原高光谱图像进行转换,得到转换后的主成分图像;
当主成分阈值取值较低时,性能指标过差;当主成分阈值取值过高时,算法会浪费大量的计算成本,并且由于引入噪声性能指标反而有所下降;我们设定主成分阈值取T取0.98时,得到高光谱图像的主成分加权假彩色合成图像如图4所示;将高光谱图像的主成分加权假彩色合成图像分割成初始的网格区域;
对图像中每个超像元的边界先进行一次块级遍历,然后再进行一次像元级遍历,遍历时对超像元的边界处的所有像元分别采用像元级别的方案调整和块级别的方案调整,调整时以初始网格区域作为分割的基本方案,经过调整获得新的分割方案;通过不断的迭代遍历过程,每次迭代后均获得新的分割方案,并采用颜色直方图驱动函数E(s)评估新分割方案,颜色直方图距离权值系数μ为1,E(s)函数值越高评价越好,最终获得最佳的分割方案。如图5所示,为颜色直方图距离权值系数μ=1、主成分阈值取T取0.98时的高光谱图像分割效果图,即实现高光谱图像的超像元分割。
Claims (8)
1.一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,该方法的具体步骤为:
步骤一、对P波段M×N像元的高光谱图像数据X进行主成分加权假彩色合成,将高光谱图像转化为P维数据;分别计算P维数据各自维度内所有像元的平均值向量;
步骤二、利用步骤一得到的P维数据和P维数据各自维度内所有像元的平均值向量,计算P维数据各自维度的特征协方差矩阵,分别计算出各个维度的特征协方差矩阵的特征值和特征向量;对各个维度的特征协方差矩阵的特征值和特征向量单位化,将单位化后的特征值λj按照由大到小顺序排列得到特征值组成的向量λ,将单位化后的特征向量aj按照由大到小顺序排列得到特征向量组成的向量A,其中,j=1,2,…,P;
步骤三、对步骤二中的向量A进行转置得到向量AT,利用向量AT对原高光谱图像进行转换,得到转换后的主成分图像Yj;
步骤四、从步骤三中的主成分图像Yj中取出前S个主成分图像Yj',j'=1,2,…,S,将取出的S个主成分图像Yj'分为三组,第3n+1图像为第一组,第3n+2图像为第二组,第3n+3图像为第三组,n=0,1,…,Q,3Q+3≤S,Q和S为正整数;将每组内的主成分图像进行累加计算,得到高光谱图像的主成分加权假彩色合成图像;
步骤五、将步骤四得到的高光谱图像的主成分加权假彩色合成图像分割成网格区域;
步骤六、采用像元级和块级两个尺度对步骤五分割后的主成分加权假彩色合成图像的每一个超像元的边界进行遍历;即对图像中每个超像元的边界先进行一次块级遍历,然后再进行一次像元级遍历,当对所有超像元遍历过一次时,即完成一次完整的遍历;
遍历时对超像元的边界处的所有像元分别采用像元级别的方案调整和块级别的方案调整,调整时以步骤五的网格区域作为分割的基本方案,经过调整获得新的分割方案后,采用颜色直方图驱动函数E(s)作为评估函数对新分割方案进行评估,函数值越高评价越好;
通过不断的迭代遍历过程,每次迭代后均获得新的分割方案,并采用颜色直方图驱动函数E(s)评估新分割方案,最终获得最佳的分割方案,即实现高光谱图像的超像元分割。
2.根据权利要求1所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤一的具体过程为:
对P波段M×N像元的高光谱图像数据X=(x1,x2,…xi,…,xM×N)=(X1,X2,…,Xj,…,XP)T进行主成分加权假彩色合成,其中,X是(M×N)×P维矩阵,xi表示高光谱图像中的第i个像元,i=1,2,…,M×N,即将M×N的像元矩阵转换为(M×N)×1的像元列向量,Xj表示图像的第j个维度,其中,j=1,2,…,P;
分别计算P维数据各自维度内所有像元的平均值向量:
表示高光谱图像数据在各个维度内所有像元的平均值向量。
3.根据权利要求2所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤二的具体过程为:
高光谱图像数据各个维度的特征协方差矩阵为:
特征协方差矩阵C的对角元素表示各个维度的方差;分别计算各个维度的协方差矩阵C特征值和特征向量,对各个维度的特征协方差矩阵C的特征值和特征向量单位化,将单位化后的特征值λj和特征向量aj分别按照从大到小的顺序排列得到特征值组成的向量λ=(λ1,λ2,…,λP)和特征向量组成的向量A=(a1,a2,…,aP)。
4.根据权利要求3所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤三的具体过程为:
利用特征向量组成的向量A=(a1,a2,…,aP)的转置向量AT对原高光谱图像进行转换,得到各维度的主成分图像Yj,各维度的主成分图像Yj组成的矩阵的转置为Y,Y为(M×N)×P维矩阵:
Y=Yj T=ATXj (3)。
5.根据权利要求4所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤四的具体过程为:
设定主成分阈值参数为T,0≤T≤1,当前S个主成分图像Yj'第一次满足条件时,将前S个主成分图像Yj'提取出来作为主成分加权假彩色图像的数据来源;其中,λj'是第j'个维度的特征协方差矩阵C的单位化后特征值,j'=1,2,…S;
将提取出来的前S个主成分图像Yj'分为三组,第3n+1个图像为第一组,第3n+2个图像为第二组,第3n+3个图像为第三组,n=0,1,…,Q,3Q+3≤S,Q和S均为正整数;
对每组主成分图像对应的单位化后的特征值在各组内进行归一化处理:
其中,λ3n+1是第3n+1个维度的协方差矩阵C的单位化后的特征值,λ3n+2是第3n+2个维度的协方差矩阵C的单位化后的特征值,λ3n+3是第3n+3个维度的协方差矩阵C的单位化后的特征值,λ'3n+1是第一组主成分图像对应的单位化后的特征值的组内归一化值,λ'3n+2是第二组主成分图像对应的单位化后的特征值的组内归一化值,λ'3n+3是第三组主成分图像对应的单位化后的特征值的组内归一化值;
将每组的主成分图像在组内以主成分加权的形式进行累加计算,得到高光谱图像的主成分加权假彩色合成图像:
其中,Gray函数为将主成分图像数据矩阵放缩离散化为灰度图像数据矩阵的灰度化函数,ColorR、ColorG和ColorB分别表示假彩色图像中三种颜色的2维M×N矩阵,这三个矩阵组合成的彩色图像Color是包含着高光谱图像特征信息的低维数据包。
6.根据权利要求5所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤五的具体过程为:
设定量级阈值U,根据量级阈值U评估出高光谱图像的主成分加权假彩色合成图像的超像元数量和超像元大小,利用评估出的超像元数量和超像元大小对高光谱图像的主成分加权假彩色合成图像进行初次分割;再依据评估出的超像元数量将高光谱图像的主成分加权假彩色合成图像分割成网格区域。
7.根据权利要求6所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤六中的像元级别的方案调整和块级别的方案调整具体指的是:
像元级别的方案调整指的是,把修改某一个像元的超像元归属后的方案作为一个新的方案去评估;
块级别的方案调整指的是,将隶属于某一个超像元的所有空间相连像元作为一个整块,把修改了整个块像元的超像元归属后的方案作为一个新的方案去评估。
8.根据权利要求1或7所述的一种基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法,其特征在于,所述步骤六的颜色直方图驱动函数E(s)对新分割方案进行评估的具体过程为:
颜色直方图驱动函数为E(s)=H(s)+γG(s),s表示分割区域,H(s)和G(s)分别是分割区域的颜色均匀性度量函数和边缘平滑函数,γ为恒定值,对于图像的分割处理,设γ=1;
对于颜色均匀性度量函数H(s),假设每个超像元的颜色分布相互独立,将颜色空间离散化,并构建直方图;
设定G为直方图中矩形的离散数量,是颜色空间的一个封闭子集,每组颜色空间中的标记为γ,即定义了直方图中的G个矩形的颜色;
为超像元Ak中的像元集的颜色直方图:
其中,I(α)表示像元α的颜色,像元α归属于超像元Ak,Z是直方图的归一化因子,是颜色判定函数,当像元α的颜色落在箱体中时返回1;
是颜色分布的距离度量,超像元Ak中所有像元的颜色与所有像元颜色的均值的距离为
其中,是超像元Ak中所有像元颜色的均值,μ为颜色直方图距离权值系数;
是颜色分布的质量度量,颜色均匀性度量函数H(s)为每个超像元中质量的评估,
是评估直方图颜色的集中度以及颜色之间距离的方程:
直方图集中在一个矩形中时,达到最大值1;所有颜色箱都具有相同值的情况下,达到最小值;
对于边界平滑函数G(s),定义Nα是围绕像元α的大小为N×N的区域内的像元集合;
分别计算围绕每个像元α的N×N区域内存在的不同超像元的数量k,将各个不同超像元离散为直方图的各个矩形,基于直方图的质量度量,在N×N区域中定义超像元标签的直方图
是直方图中k个箱体的高度,且不同超像元的数量等于直方图中箱体个数等于直方图中矩形个数,每个矩形对应于超像元标签;j”∈Nα是像元j”隶属于像元集合Nα,δ(I0(j”)∈Ak)是超像元判定函数,当像元j”隶属的超像元落在箱体中Ak时返回1,否则返回0;I0(j”)表示像元j”的超像元隶属函数;
对于边界像元α,每个边界像元α的N×N区域内的像元不只隶属于一个超像元,当边界像元α的N×N区域的像元只隶属于两个超像元时,超像元具有最好的形状;
将所有的超像元的边界平滑能量的总和作为边界平滑函数G(s),如下:
k是边界像元α的N×N区域内存在的不同超像元的数量,k=1,2,…m;边界像元α的取值范围是1至S0;若边界像元α的N×N区域内包含唯一的超像元的像元时,则G(s)处于最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201837.0A CN108447065B (zh) | 2018-03-12 | 2018-03-12 | 一种高光谱超像元分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201837.0A CN108447065B (zh) | 2018-03-12 | 2018-03-12 | 一种高光谱超像元分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447065A true CN108447065A (zh) | 2018-08-24 |
CN108447065B CN108447065B (zh) | 2021-07-30 |
Family
ID=63194708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810201837.0A Active CN108447065B (zh) | 2018-03-12 | 2018-03-12 | 一种高光谱超像元分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447065B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949320A (zh) * | 2019-03-20 | 2019-06-28 | 哈尔滨工业大学 | 基于熵与互信息的高光谱图像超像元分割方法 |
CN110516754A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于多尺度超像元分割的高光谱图像分类方法 |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
CN111563544A (zh) * | 2020-04-27 | 2020-08-21 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097252A (zh) * | 2016-06-23 | 2016-11-09 | 哈尔滨工业大学 | 基于图Graph模型的高光谱图像超像素分割方法 |
CN106251328A (zh) * | 2016-07-13 | 2016-12-21 | 南京农业大学 | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 |
CN106355625A (zh) * | 2016-08-31 | 2017-01-25 | 甘宗平 | 一种单极化sar假彩色影像生成方法 |
US20170329045A1 (en) * | 2016-05-13 | 2017-11-16 | Gas Sensing Technology Corp. | Gross mineralogy and petrology using raman spectroscopy |
-
2018
- 2018-03-12 CN CN201810201837.0A patent/CN108447065B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170329045A1 (en) * | 2016-05-13 | 2017-11-16 | Gas Sensing Technology Corp. | Gross mineralogy and petrology using raman spectroscopy |
CN106097252A (zh) * | 2016-06-23 | 2016-11-09 | 哈尔滨工业大学 | 基于图Graph模型的高光谱图像超像素分割方法 |
CN106251328A (zh) * | 2016-07-13 | 2016-12-21 | 南京农业大学 | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 |
CN106355625A (zh) * | 2016-08-31 | 2017-01-25 | 甘宗平 | 一种单极化sar假彩色影像生成方法 |
Non-Patent Citations (2)
Title |
---|
HAYEM-GHEZ, ANITA等: "Characterizing pigments with hyperspectral imaging variable false-color composites", 《APPLIED PHYSICS A-MATERIALS SCIENCE & PROCESSING》 * |
杜先荣等: "一种改进的基于TM影像的水体提取方法", 《济南大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949320A (zh) * | 2019-03-20 | 2019-06-28 | 哈尔滨工业大学 | 基于熵与互信息的高光谱图像超像元分割方法 |
CN110516754A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于多尺度超像元分割的高光谱图像分类方法 |
CN110516754B (zh) * | 2019-08-30 | 2022-11-01 | 大连海事大学 | 一种基于多尺度超像元分割的高光谱图像分类方法 |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
CN110796038B (zh) * | 2019-10-15 | 2023-04-18 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
CN111563544A (zh) * | 2020-04-27 | 2020-08-21 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
CN111563544B (zh) * | 2020-04-27 | 2023-07-25 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108447065B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Factorization-based texture segmentation | |
CN108447065B (zh) | 一种高光谱超像元分割方法 | |
CN105608433B (zh) | 一种基于核协同表达的高光谱图像分类方法 | |
CN107146228B (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
CN106529419B (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
CN106296695A (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN105608474A (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN110569860B (zh) | 结合判别分析和多核学习的图像有趣性二分类预测方法 | |
CN110796667A (zh) | 基于改进小波聚类的彩色图像分割方法 | |
CN107563442A (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN109215003B (zh) | 一种图像融合方法及装置 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN109190511A (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN114299382A (zh) | 高光谱遥感图像分类方法及*** | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN113486879A (zh) | 图像区域建议框检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |