CN101667291A - 基于像素空间信息的高光谱图像分割方法 - Google Patents
基于像素空间信息的高光谱图像分割方法 Download PDFInfo
- Publication number
- CN101667291A CN101667291A CN200910024053A CN200910024053A CN101667291A CN 101667291 A CN101667291 A CN 101667291A CN 200910024053 A CN200910024053 A CN 200910024053A CN 200910024053 A CN200910024053 A CN 200910024053A CN 101667291 A CN101667291 A CN 101667291A
- Authority
- CN
- China
- Prior art keywords
- euclidean distance
- pixel
- matrix
- pixel space
- spectrum image
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于像素空间信息的高光谱图像分割方法,主要是解决现有方法中不能将相近地貌很好的分割出来的不足。其分割步骤是:求解高光谱数据的像素特征和像素空间欧氏距离矩阵,并进行归一化;对像素特征和像素空间欧氏距离矩阵进行加权,将加权后的两个矩阵相加形成联合相异度矩阵,调节加权参数,得到多组联合相异度矩阵;使用等距映射算法对每一组的联合相异度矩阵进行降维,得到多组映射结果;对每组映射结果进行统计分析,完成高光谱图像的初步分割;对初步划分的边界点进行类别校正,得到最后的图像分割结果。本发明能够有效地找到高光谱图像中的不同地貌的细微差别,可用于军事目标识别,矿藏勘探,环境状况分析。
Description
技术领域
本发明属于图像处理技术领域,特别是一种图像分割方法,该方法可以对复杂地貌进行分析,从相近地貌中发现感兴趣的目标并大体划定地貌间的边界。
背景技术
图像分割是指对自然图像或SAR图像进行处理,将图像中不同目标分离出来。高光谱图像数据由高光谱遥感产生的,维数很高,它的每一维数据都是一幅灰度图像。使用传统的图像分割方法无法对其进行整体处理,对数据的每一维进行处理后再组合起来工作量太大,效果也很难保证。国外的一些学者提出了使用支持向量机对高光谱图像进行分割,效果也较好。但支持向量机是一种有监督学习方法,在进行训练时必须知道训练样本的类别属性,这一弱点限制了它在这一领域的应用,因为在实际工作中往往不知道图像中各部分的类别。流形学习算法可以在不知道数据类别的情况下降低数据维数并保持数据内部几何关系。这一特性使得流形学习在高光谱图像分割领域有广泛的应用。2002年澳大利亚的一些学者提出将流形学习中的等距映射算法应用到高光谱图像分割领域。在他们的工作中用等距映射算法对图像进行降维,然后使用贝叶斯网络进行类别划分完成图像分割工作。尽管他们的工作中只是挑选了像素特征差别大即高光谱图像中的每个像素点整体的灰度信息的地貌进行试验性分割,但效果还是不很理想。
发明内容
本发明的在于克服上述已有技术的不足,提供一种基于像素空间信息的高光谱图像分割方法,以提高图像分割效果。
实现本发明目的技术方案是将像素空间信息引入等距映射算法,将像素空间信息与像素特征信息组合起来,找到一个从像素空间分布到像素特征分布的渐变过程,以此找到地貌间的边界将高光谱图像分割,具体步骤如下:
为实现上述目的,本发明包括如下步骤:
(1)对高光谱图像数据的像素特征信息和像素空间信息分别进行欧氏距离求解,获得像素特征欧氏距离矩阵和像素空间欧氏距离矩阵,并对这两个矩阵进行归一化;
(2)将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加权,并通过调节加权参数改变二者的大小,使加权后的两个矩阵相加后形成联合相异度矩阵,反复调整加权参数,得到多组联合相异度矩阵;
(3)使用等距映射算法分别对每一组的联合相异度矩阵进行降维,得到多组映射结果;
(4)对多组映射结果分别进行欧氏距离求解,并统计像素点空间近邻变化情况,将与近邻距离持续变大的点判定为边界点,完成高光谱图像的初步分割;
(5)对图像初步分割结果中的边界点进行如下类别校正,得到最后的图像分割结果,
5a)根据像素空间欧氏距离矩阵和像素特征欧氏距离矩阵提取每个边界点与其像素空间八近邻点的像素特征欧氏距离,形成该边界点的距离集合;
5b)按每个边界点的八近邻点类别统计其距离集合,形成x个欧氏距离向量;
5c)计算每一个欧氏距离向量的中值,将x个中值中最小的那个向量代表的类别设定为该边界点的最终类别。
本发明与现有技术相比具有以下优点:
1、本发明由于将像素空间信息引入高光谱图像分割领域,增加了处理图像时的信息量,与其它流形技术不同之处在于本方法依据从像素空间分布到像素特征分布的渐进变化过程分割图像,相比于其它的无监督学习方法理论上更加完备,效果也更好;
2、本发明由于采用图像初次分割后,对边界点进行类别校正,因而减少了错分的边界点,使最终得到的分割结果更接近于图像的地貌的真实分布。
附图说明
图1是本发明的高光谱图像分割流程图;
图2是本发明待处理的高光谱数据类别示意图;
图3是使用等距映射算法对像素特征信息进行处理的映射结果图;
图4是本发明的高光谱图像分割结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1:求解高光谱图像数据的像素特征信息和像素空间信息的欧氏距离,并进行归一化。
1.1)选取高光谱图像中图3所示的区域,该区域的数据包含200个波段,每个波段都是一幅灰度图像,由此可以将这些数据视为200个灰度特征矩阵,按波段顺序将每个灰度特征矩阵按照列分解,然后按顺序连接起来形成一个大的列向量,由此得到了200个列向量;
1.2)将这200个列向量组合起来形成像素特征矩阵data,该特征矩阵data的每一行都表示一个像素点的像素特征矢量,计算每两行像素特征矢量的欧氏距离,得到像素特征欧氏距离矩阵Y1;
1.3)按照1.2)步中像素点的顺序获取每个像素点在图像上的空间位置矢量,将所有点的空间位置矢量组成像素位置矩阵axis,该空间矩阵axis的每一行都表示一个像素点的空间位置矢量,计算每两行像素空间位置矢量的欧氏距离,得到像素空间欧氏距离矩阵Y2;
1.4)得到像素特征欧氏距离矩阵Y1和像素空间欧氏距离矩阵Y2后,找到这两个矩阵中的最大值,用Y1和Y2除以其本身的最大值,完成对这两个矩阵的归一化。
步骤2:将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加权,得到多组联合相异度矩阵。
得到归一化的像素特征欧氏距离矩阵Y1和像素空间欧氏距离矩阵Y2后,设定一个加权参数λ,用λ乘以像素特征欧氏距离矩阵Y1,用1-λ乘以像素空间欧氏距离矩阵Y2,将加权后的两个矩阵相加,得到联合相异度矩阵D,矩阵D的具体形式是D=λ*Y1+(1-λ)*Y2,通过改变λ的大小可以得到多组合相异度矩阵,在本实验仿真中λ从0增加到0.5,一次增加0.05,即保持两个矩阵的加权参数合为1,先设定像素特征欧氏距离矩阵的加权参数初始值为0,然后将该参数每次增加0.05,直到该参数增加到0.5,像素空间欧氏距离矩阵的加权参数则相应由1减少到0.5。
步骤3:使用等距映射算法分别对每一组的联合相异度矩阵进行降维,得到多组映射结果。
步骤4:对多组映射结果分别进行欧氏距离求解,并统计像素点空间近邻变化情况,将与其近邻距离持续变大的点判定为边界点,完成高光谱图像的初步分割。
4.1)将每个映射结果视为一个矩阵,矩阵的每一行表示一个像素点的映射坐标,计算每两行映射坐标的欧氏距离,得到每组映射结果的像素欧氏距离矩阵L;
4.2)根据像素空间欧氏距离矩阵Y2取得每个像素点八近邻变化情况,即得到像素空间欧氏距离矩阵Y2每一行中最小的八个非0值的列号,这些列号就是该像素点的八近邻在像素欧氏距离矩阵L中的列号,将这些列号的数值组成该行所代表的点的列表向量In,将这些列表向量In组成八近邻列表矩阵index,该矩阵的每一行都代表一个像素点的列表向量;
4.3)按照八近邻列表矩阵index在L中找到每个点的八近邻距离,将其中最大三个相加得到一个距离和值,对每组映射结果进行相同处理,得到多个距离和值,将这些距离和值按顺序组成该点的偏移行向量;
4.4)将所有点的偏移行向量组成偏移矩阵dist,根据参数调整的顺序用dist的后一个列向量减去前一个列向量,得到近邻变化矩阵L’,L’的每一行表示一个像素点的近邻变化情况,即近邻变化行向量,统计近邻变化矩阵L’每一行中大于0的数值个数,将这个个数作为该点的近邻变化值,由此得到变化描述列向量S;
4.5)针对dist设定一个阈值,查找dist每一行中大于这个阈值的数值个数,将这个个数再加到变化描述列向量S的相应行的数字上;
4.6)针对变化描述列向量S设定一个阈值m,将S各行中大于这个阈值m的行所表示的点标记为边界点;
4.7)将由4.6)步中标记的边界点隔开的数据块标记为不同的类别,得到初步的图像分割结果W。
步骤5:对图像初步分割结果中的边界点进行类别校正,得到最后的图像分割结果。
5.1)根据像素空间欧氏距离矩阵和像素特征欧氏距离矩阵提取每个边界点与其像素空间八近邻点的像素特征欧氏距离,即计算每个被标记为边界点的像素点与其八近邻列表In中记录的像素点间的像素特征欧氏距离,形成该边界点的特征距离集合;
5.2)按每个边界点的八近邻点类别统计其距离集合,即依据步骤4得到的标记类别统计5.1)得到的八个欧氏距离,如果近邻点属于同一类就将它们与该边界点的欧氏距离值放在同一向量中,设该边界点的八近邻共分为x类,由此形成x个向量;
5.3)计算5.2)中得到的每个向量的中值,将x个中值中中值最小的那个向量的类别作为该边界点的最终类别,更新步骤4中得到的分割结果W得到更新后的分割结果W’,对所有的边界点进行以上的处理,将最终得到的W’作为最后的分割结果。
本发明的效果通过以下仿真进一步说明。
1.仿真条件与内容:
我们使用的实验数据是典型的AVIRIS高光谱图像。原始图像取自1992年6月拍摄的美国印第安纳州西北部印第安遥感试验区的一部分,地貌类别共计16类。该图像来源于Purdue大学遥感图像处理实验室。原始数据的波段是220,每个波段图像的大小为145×145,每个像素16bits。在具体的实验中我们选取了噪声污染少的200个波段。本发明中由于图像尺寸相对于等距映射算法来说过于巨大,我们只能选取图像中一部分演示本方法的效果。
实验使用的软件平台为MATLAB7.0。
2.仿真结果:
图3是使用现有等距映射算法对像素特征信息进行处理的映射结果图,图4是使用本发明的高光谱图像分割结果图。从图3和图4两幅图可以看出,直接使用等距映射算法各类样本点间有很严重的混杂现象,很难进行类别划分,误分率会很高;本发明中的方法能够将不同的地貌分割出来,混杂现象基本不存在,分类效果要比直接使用等距映射算法好的多。
Claims (3)
1、一种高光谱图像分割方法,其特征在于包含步骤如下:
(1)对高光谱图像数据的像素特征信息和像素空间信息分别进行欧氏距离求解,获得像素特征欧氏距离矩阵和像素空间欧氏距离矩阵,并对这两个矩阵进行归一化;
(2)将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加权,并通过调节加权参数改变二者的大小,使加权后的两个矩阵相加后形成联合相异度矩阵,反复调整加权参数,得到多组联合相异度矩阵;
(3)使用等距映射算法分别对每一组的联合相异度矩阵进行降维,得到多组映射结果;
(4)对多组映射结果分别进行欧氏距离求解,并统计像素点空间近邻变化情况,将与近邻距离持续变大的点判定为边界点,完成高光谱图像的初步分割;
(5)对图像初步分割结果中的边界点进行如下类别校正,得到最后的图像分割结果,
5a)根据像素空间欧氏距离矩阵和像素特征欧氏距离矩阵提取每个边界点与其像素空间八近邻点的像素特征欧氏距离,形成该边界点的特征距离集合;
5b)按每个边界点的八近邻点类别统计其距离集合,形成x个欧氏距离向量;
5c)计算每一个欧氏距离向量的中值,将x个中值中最小的那个向量代表的类别设定为该边界点的最终类别。
2、根据权利要求1所述的高光谱图像分割方法,其特征在于所述的反复调整加权参数,得到多组联合相异度矩阵,是保持两个矩阵的加权参数合为1,设定像素特征欧氏距离矩阵的加权参数初始值为0,然后将该参数每次增加0.05,直到该参数增加到0.5,像素空间欧氏距离矩阵的加权参数则相应由1减少到0.5。
3、根据权利要求1所述的高光谱图像分割方法,特征在于所述的统计像素点空间近邻变化情况,按如下步骤进行:
3a)根据像素空间欧氏距离矩阵取得每个像素点八近邻变化情况,将每个点的八近邻变化最大三个相加得到一个距离和值,对每组映射结果进行相同处理,得到多个距离和值,形成该点的和值集合;
3b)将每一个点的和值集合组成偏移行向量,并根据参数调整的顺序用后一个和值减去前一个和值,得到近邻变化行向量,这两个行向量表示该点的近邻变化情况,统计近邻变化行向量中大于0的数值个数,得到近邻变化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100240536A CN101667291B (zh) | 2009-09-25 | 2009-09-25 | 基于像素空间信息的高光谱图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100240536A CN101667291B (zh) | 2009-09-25 | 2009-09-25 | 基于像素空间信息的高光谱图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101667291A true CN101667291A (zh) | 2010-03-10 |
CN101667291B CN101667291B (zh) | 2012-02-08 |
Family
ID=41803902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100240536A Expired - Fee Related CN101667291B (zh) | 2009-09-25 | 2009-09-25 | 基于像素空间信息的高光谱图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101667291B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103077404A (zh) * | 2012-12-31 | 2013-05-01 | 中国科学院自动化研究所 | 基于马尔科夫随机场的局部增量式可视化聚类方法 |
CN106407982A (zh) * | 2016-09-23 | 2017-02-15 | 厦门中控生物识别信息技术有限公司 | 一种数据处理方法以及设备 |
CN111192271A (zh) * | 2018-11-14 | 2020-05-22 | 银河水滴科技(北京)有限公司 | 一种图像分割方法及装置 |
CN112329654A (zh) * | 2020-11-10 | 2021-02-05 | 中国地震局地震预测研究所 | 基于多流形学习算法的高光谱影像数据分类方法及系统 |
-
2009
- 2009-09-25 CN CN2009100240536A patent/CN101667291B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103077404A (zh) * | 2012-12-31 | 2013-05-01 | 中国科学院自动化研究所 | 基于马尔科夫随机场的局部增量式可视化聚类方法 |
CN103077404B (zh) * | 2012-12-31 | 2016-07-06 | 中国科学院自动化研究所 | 基于马尔科夫随机场的局部增量式可视化聚类方法 |
CN106407982A (zh) * | 2016-09-23 | 2017-02-15 | 厦门中控生物识别信息技术有限公司 | 一种数据处理方法以及设备 |
CN106407982B (zh) * | 2016-09-23 | 2019-05-14 | 厦门中控智慧信息技术有限公司 | 一种数据处理方法以及设备 |
CN111192271A (zh) * | 2018-11-14 | 2020-05-22 | 银河水滴科技(北京)有限公司 | 一种图像分割方法及装置 |
CN111192271B (zh) * | 2018-11-14 | 2023-08-22 | 银河水滴科技(北京)有限公司 | 一种图像分割方法及装置 |
CN112329654A (zh) * | 2020-11-10 | 2021-02-05 | 中国地震局地震预测研究所 | 基于多流形学习算法的高光谱影像数据分类方法及系统 |
CN112329654B (zh) * | 2020-11-10 | 2021-05-28 | 中国地震局地震预测研究所 | 基于多流形学习算法的高光谱影像数据分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101667291B (zh) | 2012-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN102208037B (zh) | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 | |
CN100557626C (zh) | 基于免疫谱聚类的图像分割方法 | |
CN111414942A (zh) | 一种基于主动学习和卷积神经网络的遥感图像分类方法 | |
CN101667291B (zh) | 基于像素空间信息的高光谱图像分割方法 | |
CN105631415A (zh) | 一种基于卷积神经网络的视频行人识别方法 | |
CN102096819A (zh) | 利用稀疏表示与字典学习进行图像分割的方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN109035289B (zh) | 基于切比雪夫不等式h阈值的紫色土图像分割提取方法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN112016596B (zh) | 基于卷积神经网络的农田土壤肥力评价方法 | |
CN102122353A (zh) | 利用增量字典学习与稀疏表示进行图像分割的方法 | |
CN102800051A (zh) | 基于分数阶微分的自适应浮选泡沫图像增强方法 | |
CN110378272B (zh) | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN115984621A (zh) | 一种基于限制性原型对比网络的小样本遥感图像分类方法 | |
CN109271427A (zh) | 一种基于近邻密度和流形距离的聚类方法 | |
CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN102254033A (zh) | 基于熵权重的全局k-均值聚类方法 | |
CN113705641A (zh) | 基于富上下文网络的高光谱图像分类方法 | |
CN112906666A (zh) | 一种农业种植结构的遥感识别方法 | |
CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN110084820A (zh) | 基于改进fcm算法的紫色土图像自适应分割提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120208 Termination date: 20170925 |