[发明专利]基于图Graph模型的高光谱图像超像素分割方法

摘要

基于图Graph模型的高光谱图像超像素分割方法，本发明涉及高光谱图像超像素分割方法。本发明是要解决现有超像素图像分割研究大多是针对自然图像或单波段遥感图像存在较大的误差的问题，而提出的基于图Graph模型的高光谱图像超像素分割方法。该方法是通过一、得到降维后的高光谱图像以及高光谱图像的降维结果Y；二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；四、统计每个顶点v_i的24邻域中超像素标签的众数，将顶点v_i的标签更新为该众数，得到超像素分割的结果等步骤实现的。本发明应用于高光谱图像超像素分割领域。

主权项

1.基于图Graph模型的高光谱图像超像素分割方法，其特征在于，该方法具体是按照以下步骤进行的：步骤一、利用PCA降维方法对高光谱图像进行降维，得到降维后的高光谱图像以及高光谱图像的降维结果Y；步骤二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；步骤三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；步骤三一、设步骤二得到的赋权图G′的顶点数为n，输入超像素的预定数目为k，将k个超像素记为(C1,C2,…,Cr,…,Ck)；其中，Cr表示第r个超像素中顶点的集合；步骤三二、将每个顶点vi的超像素标签记为p(i)；p(i)是0到k之间的一个整数；当p(i)＝0时表示顶点vi不属于任何超像素；当p(i)≠0时表示顶点vi属于超像素Cp(i)；步骤三三、将每个顶点v_i的超像素标签p(i)设定为0；在赋权图G′中任意构造超像素C_r，利用均匀网格采样法对超像素C_r进行初始化；其中，均匀网格采样法中的网格间距为S个顶点；其中，步骤三四、遍历超像素(C1,C2,…,Cr,…,Ck)，设顶点vi在Cr中，顶点vj不在Cr中；在顶点vi与vj组成的所有边中选择权值we(vi,vj)最小的边e′(vi,vj)；将最小的边e′(vi,vj)的顶点vj的标签p(j)更新为r，将顶点vj分配给超像素Cr得到更新后的超像素Cr；p(j)是1到k之间的一个整数；步骤三五、将更新后的超像素Cr重复步骤三四，直到顶点集V中所有顶点的标签都不为0为止；步骤四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果；步骤二中根据高光谱图像的降维结果Y建立图模型，得到赋权图G′具体过程为：步骤二一、将高光谱图像的降维结果Y映射为图G，具体地说，将降维后的高光谱图像中的每个像素i映射为图G的顶点vi，根据顶点vi得到顶点集V；V＝{vi|i＝1,2，…，n}；步骤二二、将图G中每个顶点vi与vi的24邻域中顶点vj用边e(i,j)∈E进行连接，得到图G的边集E；j＝1,2，…，n；步骤二三、根据顶点集V和边集E建立图G(V，E)；步骤二四、采用邻接表的形式存储图G(V，E)；步骤二五、在邻接表中，图G的顶点vi建立单链表，在每个单链表中依序存储与顶点vi相连结的顶点；步骤二六、定义边权值；设降维后的高光谱图像中的每个像素i都联系着D个特征(ρi1,ρi2,…,ρiD)，那么图G(V，E)的边集E中的每条边e(i,j)的权值we(vi,vj)；we(vi,vj)为欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)或光谱信息差异度量的权值we3(vi,vj)；步骤二七、根据欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)和光谱信息差异度量的权值we3(vi,vj)将图G(V，E)中边e(i,j)进行赋权得到赋权图G′。