[发明专利]基于光谱梯度与层次结构的高光谱图像显著性目标检测方法

摘要

本发明公开了一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法，用于解决现有高光谱图像显著性目标检测方法计算量大的技术问题。技术方案是首先生成光谱梯度图；再生成图像分割区域；建立基于图像层次结构的显著性检测模型；再建立基于背景先验及边缘特征的显著性计算方法；计算显著图结果。由于通过在原始高光谱图像的光谱维上计算光谱梯度，提取图像的光谱梯度特征，以减弱光照不均带来的不利影响。使用简单线性迭代聚类算法(Simple Linear Iterative Clustering，SLIC)生成超像素，对高光谱图像进行分割并加速计算进程，通过计算分割区域间的光谱特征对比度来衡量其显著性，计算量小。

主权项

1.一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法，其特征在于包括以下步骤：步骤一、生成光谱梯度图像；对每个像元计算光谱梯度，生成光谱梯度图像，以便所提取的光谱梯度特征向量之间维持原始图像中的空间关系；式中，是光谱梯度向量的第j个分量；是原始光谱向量第j个分量；Δλ是相邻波段波长差值；对一个高光谱数据块D中每一个像素对应的光谱向量使用公式(1)得到一个新的光谱梯度数据块X；步骤二、生成图像分割区域；对光谱梯度数据块X进行简单线性迭代聚类算法，具体步骤如下：输入：光谱梯度图像X，期望超像素边长s，权重系数m；输出：标记出各超像素的分割图像；1.初始化过程：1)以s为间隔长度，在梯度图像X上初始化一组初始聚类中心C；2)将各中心调整到3×3邻域内梯度最小值所在的位置；3)设置每个像元对应的标签l_i＝‑1，到其当前所属中心的距离d_i＝+∞；2.迭代更新像元标签、各聚类中心：1)对当前聚类中心C_k，在边长为2s正方形邻域内，按公式(2)计算邻域内各像元x_i到C_k的距离D(x_i,C_k)；2)若D(x_i,C_k)<d_i，则置x_i对应的标签l_i＝k，并更新d_i＝D(x_i,C_k)；3)重复步骤1)、步骤2)直至前后两次迭代之间各中心的变化小于阈值；式中，d_g(x_i,C_k)是x_i与C_k中光谱梯度部分的欧氏距离；d_s(x_i,C_k)是x_i与C_k空间位置的欧式距离；m是两项距离间的权重系数；采用双核函数代替均值漂移算法中的密度函数完成均值漂移过程中的相关计算，其具体形式为式中，x_g是像元x对应的光谱梯度向量；x_s是像元x所在的空间坐标；T_g是光谱特征对应核函数带宽；T_s是空间坐标对应核函数带宽；δ是归一化系数；均值漂移算法具体步骤如下：输入：超像素中心向量C＝{C₁,C₂,…,C_k,…C_n}，光谱阈值T_g，空间阈值T_s；输出：对输入超像素中心的标记向量l_sp；1)以超像素向量C_k其作为初始中心进行均值漂移过程，记所得候选中心C′_j；2)对出现在C′_j形成路径上的所有样本，计其对C′_j的投票数加1；3)遍历当前候选中心集合C′，寻找与C′_j的光谱梯度距离小于T_g/2，且空间距离小于T_s/2的首选中心C′_i；4)若则合并C′_i、C′_j上的计票，同时向C′添加C′_i、C′_j均值，并删除C′_i；否则，转步骤5)；5)对各超像素中心，重复步骤1)到4)，得到最终的各聚类中心；6)对各超像素中心，取获得投票最多的聚类中心C′_m为其归属，得l_sp；步骤三、建立基于图像层次结构的显著性目标检测模型；对步骤二中样本光谱特征相似性要求的光谱阈值T_g，以及控制样本邻域范围的空间阈值T_s，分别取值为0.1、0.2、0.3、0.4倍的max{r,c}，和10、20、25、30；这样，底层的超像素经过不同粒度下的聚类后，总共将产生4个层次上聚类结果，形成一个4层的图像层次结构；将作为底层节点的超像素块全体记作其中表示了超像素的个数；另外，将第i层中的第j个分割区域抽象为节点如上所述，在层数为h的层次结构下考察超像素上最终的显著性结果，则相应的显著性检测模型表示为式中，是返回第i层中所有包含的节点下标；ω_i是节点所在层次的权重；是节点上的显著性数值；步骤四、位置先验、背景先验及边缘特征显著性计算方法；1.位置先验与背景先验；位置先验的数学表达式如下：式中，是区域R_i中像元x_k到图像中心点的欧式距离；选定距离图像四周10像素以内所有像素构成的方环区域为图像的边界区域R_b；对于图像层次结构中的节点计算其背景先验大小时遵循以下三条规则：1)若则对施加的惩罚函数2)否则，若则惩罚函数3)与R_b交集规模愈大，惩罚应越重，即的绝对值更大；以上三条规则明确了以接触惩罚计算背景先验时的边界条件和影响因素；在满足规则的情况下，采用不同形式的惩罚函数得到不同的具体计算方法；惩罚函数的定义为式中，ξ是边界区域内每个像素所带的惩罚因子；2.边缘特征显著性；将高光谱图像各波段的均值作为其对应的灰度图像I_hsi，使用Canny检测子得到边缘特征；利用高光谱图像空间维度上的边缘特征计算区域显著性，步骤如下：输入：高光谱图像平均灰度图I_hsi，层次结构节点及其所在分割结果图I_seg；输出：上的边缘特征显著性1)对I_hsi使用Canny检测子提取边缘，得到结果2)对I_seg用3×3方差为1.5的高斯滤波器进行滤波，使区域边界宽度增加；3)对滤波后的I_seg求梯度幅值图像，经二值化得到边界提取结果4)利用下式将分割区域边界上的图像边缘累加，得到式中，是分割区域的边界；是中位于内的边缘特征累加运算；步骤五、计算显著图；在具体计算显著图时，要确定层次结构中各节点或者各层次上分割区域的显著性计算方法；由光谱梯度区域对比、边缘特征显著性、位置先验以及背景先验四个部分组成；位置先验计算公式如下：在施加先验时，仅对基于光谱特征区域对比的部分进行增强，不对基于边缘特征的部分进行操作；背景先验由于选取的图像边界宽度较小，对抑制背景有比较好的效果，故对基于两种特征的计算方法同时予以施加；最终得到显著性计算公式为式中，是权重系数。