[发明专利]一种基于机器学习算法的有监督假彩色图像合成方法

说明书

一种基于机器学习算法的有监督假彩色图像合成方法涉及多光谱/高光谱影像处理技术领域，解决了现有实现复杂、适用范围窄的问题，包括：对带目标分割标签的n通道多/高光谱图像进行数据处理得到具有二分类标签的特征向量；将具有二分类标签的特征向量作为进行训练数据对XGBoost模型进行训练，XGBoost模型训练完成后，根据训练过程计算各个通道的对提取目标的重要性排序及权重；选取重要性排名在前的3个通道，根据3个通道中每个通道的权重进行像素值的缩放得到3个像素值调整后的通道图像，将3个像素值调整后的通道图像合成得到假彩色图像。本发明的任务导向性强、合成图质量高适用于任意领域多光谱/高光谱影像合成假彩色图像。

技术领域

本发明涉及遥感图像处理技术领域，具体涉及一种基于机器学习算法的有监督假彩色图像合成方法。

背景技术

在医疗、遥感等领域，利用多光谱/高光谱影像(高光谱图像比多光谱图像的波段更多，即通道数更多)合成的假彩色图像对特定目标信息的提取以及目视解译任务有重要的辅助作用，如何针对特定类别目标利用多光谱/高光谱影像合成符合目视解译需求的假彩色图像是其中至关重要的一个部分。

多光谱/高光谱图像是在电磁光谱的特定波长范围内捕获图像数据的图像。这些波长可以通过滤波器分离，也可以通过使用对特定波长敏感的仪器检测，包括来自可见光范围以外的频率的光。利用多光谱/高光谱影像可以提取人眼无法通过可见光捕捉到的额外的信息。多光谱/高光谱影像通常包含三个以上波段的影像，不同波段的光谱影像对不同类型目标有不同的敏感性，利用各个波段影像的成像特性可以提取特定感兴趣目标的信息。针对不同应用领域的需求，波段数可多至数百个。

利用三幅单通道影像数据(8bit图像)分别作为R(红)、G(绿)、B(蓝)通道输入数据进行彩色图像合成即为假彩色合成影像，利用多光谱/高光谱影像中各波段数据对不同类型目标敏感性的差异，选取合适的三个波段影像进行假彩色图像合成，能够获得使特定目标更具有辨识性的假彩色图像，从而辅助实现目视解译等任务的需求。如何选取合适波段的影像进行假彩色图合成则是该过程中的关键问题。

现有的假彩色图像合成多依赖于专业知识及主观经验人工选取适应不同需求的光谱影像数据(以遥感领域中Landsat7卫星获取的多光谱/高光谱影像数据为例，其8个波段数据中的Band4对绿色植物类别差异最敏感，处于水体强吸收区；Band5位于水的吸收带，能够较好的穿透大气、云雾；Band7处于水的强吸收带，对植物水分敏感。因此依据上述专业知识选用Band4、Band5和Band7三个通道影像数据合成假彩色图像，可用于探测云、雪和冰。)

一般在遥感、医学、农业、食品等领域会有多光谱/高光谱图像，如多光谱/高光谱遥感影像用于气象分析，医疗多光谱/高光谱成像用于探测病理成分、显示病理特征和变化，无人机采集多光谱/高光谱数据用于农作物监控与农情分析，多光谱/高光谱图像技术用于食品品质检测等。

专利申请CN201810201837.0《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》，该技术方案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。专利申请CN201711464992.3《一种基于联合信息的高光谱图像伪彩色可视化方法》，该技术方案在考虑波段信息量的同时，增加对波段之间相关性的抑制，通过定义高光谱图像的联合信息，实现了高光谱波段信息量和相关性的统一描述。

现有技术存在如下问题：针对不同任务需求需要人工设计假彩色图合成方案，并且无法保证合成最适应任务需求的假彩色图，高光谱通道多，排列组合情况多，进一步考虑三个通道的不同权重，枚举情况太多，实现起来不现实，对相关任务的专业知识依赖程度高。

发明内容