CN104182997A - 高光谱图像压缩方法及应用 - Google Patents
高光谱图像压缩方法及应用 Download PDFInfo
- Publication number
- CN104182997A CN104182997A CN201410403590.2A CN201410403590A CN104182997A CN 104182997 A CN104182997 A CN 104182997A CN 201410403590 A CN201410403590 A CN 201410403590A CN 104182997 A CN104182997 A CN 104182997A
- Authority
- CN
- China
- Prior art keywords
- spectrum image
- high spectrum
- pixel
- curve
- trigonometric function
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种高光谱图像压缩方法及应用,该方法包括以下步骤:(1)提取高光谱图像目标区域像素的光谱曲线;(2)对所述光谱曲线进行离散傅里叶变换,将光谱曲线分解成多个线性组合的三角函数波;(3)选择每个像素对应的振幅最大的前p个三角函数波,提取该p个三角函数波的振幅、频率和初相位,组合作为该像素的特征值,p为不小于5的自然数。本发明通过傅里叶变换将每个像素的特征值缩小为3×p个,而每个像素原始特征值长度与波段数相同,压缩比例高,并且可以通过改变p的值实现识别精度的调节。利用本发明用于物品分类,数据处理量简单,易于实现,识别精度也较高。
Description
技术领域
本发明涉及一种图像处理方法,尤其涉及一种高光谱图像压缩方法及应用。
背景技术
高光谱图像有很高的光谱分辨率,能解决多光谱所不能解决的问题,因而在军事侦察、目标识别、战场态势评估等领域有重要意义。然而较高的光谱分辨率是以较大的数据量为代价的,以典型的高光谱数据AVIRIS来说,一幅图像大约有140M字节(512行,614列,224个谱带,每个像素2字节)。高光谱图像的海量数据给存储和传输带来极大困难,成为制约高光谱遥感进一步发展的因素,因此高光谱图像的压缩显得尤其必要。
CN 102156998A公开了一种高光谱图像压缩方法,包括:对待压缩的图像进行分级压缩处理,对感兴趣空间信息和感兴趣光谱信息无损或者近无损的压缩,对其它信息进行大于感兴趣空间信息和感兴趣光谱信息所选压缩比的压缩。该方法可以使特定区域免于损坏,但查找特定区域增加了算法的复杂度。
CN 103024398 A公开了一种基于稀疏矩阵的高光谱遥感图像的压缩感知处理方法,该方法包含小波变换、数据类型变换、量化、稀疏矩阵压缩编码、正交追踪匹配译码、数据类型反变换、反量化以及小波反变换八个步骤,顺序执行。
现在对高光谱图像压缩方法的研究着重在于如何提高压缩比率,节省存储空间以及提高图像恢复后的质量,但将高光谱图像应用于物品分类,如水果品种分类等,则无需考虑高光谱图像的恢复,仅仅需要考虑最大限度压缩高光谱图像,但又能有效保留高光谱图像的特征,从而实现物品分配的目的。
发明内容
本发明提供了一种高光谱图像压缩方法,该方法可以对图像进行高比例压缩,减少数据处理量,并且能够有效提取图像特征。
一种高光谱图像压缩方法,包括以下步骤:
(1)提取高光谱图像目标区域像素的光谱曲线;
(2)对所述光谱曲线进行离散傅里叶变换,将光谱曲线分解成多个线性组合的三角函数波;
(3)选择每个像素对应的振幅最大的前p个三角函数波,提取该p个三角函数波的振幅、频率和初相位,组合作为该像素的特征值,p为不小于5的自然数。
所述目标区域是图像去除背景后的部分。
所谓高光谱图像是在每个波段对实物取像,每个像素在每个波段都有能量值,将该像素所有波段的能量值放在坐标系中,就得到该像素对应的光谱曲线。
该方法相当于将每个像素的特征值个数减少到3×p个,而原来应该是与光谱波段数量相同。
波段数量影响高光谱图像的精度,波段数量越少,光谱图像精度越低,所含信息量越少,光谱曲线被分解后得到的三角函数波数量越少,所述光谱曲线的分辨率一股为1-10nm。
高光谱图像的波段的波长覆盖范围和波段数量由成像仪器本身决定,光谱曲线中波段的波长范围一股与高光谱图像的波长覆盖范围一致,特殊情况下可以小于它的波长涵盖范围,同样的道理会影响特征值。
所述目标区域是需识别的区域,因为物品肯定是放置在一定背景中取像,由于背景对于物品分类没有作用,在压缩前,可以把背景先去除,只对目标区域的图像进行压缩,减少数据处理量。
所述离散傅里叶变换是指将光谱曲线分解成若干个波长、振幅和初相位各不相同的三角函数波(正弦和/或余弦函数)。三角函数波的数量与波段数量是相同的。
因为振幅越大的三角函数波所包含的信息越多,因此会选择振幅最大的几个三角函数波的参数作为特征值,选取的三角函数波数量越多(p越大),单个像素包含的信息量越大,计算机处理负荷也越大,但当数量过少时,会导致包含的信息量不够,而无法应用,一股会选择5-10个三角函数波(5≤p≤10)。
本发明还提供了一种物品分类的方法,包括:
(1)获取待测样本的高光谱图像;
(2)采用所述的高光谱图像压缩方法对所述高光谱图像进行压缩;
(3)将压缩后的高光谱图像输入经训练的神经网络分类模型中,判断物品的类别。
所述神经网络分类模型的训练方法为:
(1)获取已知样本的高光谱图像;
(2)采用所述的高光谱图像压缩方法对所述高光谱图像进行压缩;
(3)每个已知样本选取多个像素点,以每个像素的特征值作为输入,以分类结果作为输出进行训练。
在分类时,同样以待测样本高光谱图像压缩后的像素特征值作为输入,神经网络模型可以输出相应的分类结果,不用将所有像素的特征值输入,只需选择其中一部分或几个,就可以进行分类。
本发明实施例举例对葡萄干进行了分类,总共包含8种葡萄干,具体为:冰糖心,b黑加仑,c红提,d玫瑰紫,e马奶子,f沙漠王,g香妃,f雪莲果,最终识别准确度可以达到90%以上。
本发明通过傅里叶变换将每个像素的特征值缩小为3×p个,而每个像素原始特征值长度与波段数相同,压缩比例高,并且可以通过改变p的值实现识别精度的调节。利用本发明用于物品分类,数据处理量简单,易于实现,识别精度也较高。
附图说明
图1为八种葡萄干的RGB图像。
图2为八种葡萄干的光谱曲线。
图3为八种葡萄干混合放置的视场图。
图4为八种葡萄干混合放置后采集的高光谱图像进行背景掩膜后的图。
图5为八种葡萄干的识别结果图。
具体实施方式
以8种不同品种的葡萄干为例,采集葡萄干的高光谱图像,光谱范围覆盖921-1680nm,共226个光谱波段。
(1)如图1所示的8种葡萄高,其中a冰糖心,b黑加仑,c红提,d玫瑰紫,e马奶子,f沙漠王,g香妃,f雪莲果。采集上述8种不同品种葡萄干的高光谱图像,采集的高光谱图像的光谱范围覆盖921-1680nm。
高光谱图像的每一个像素可得一条光谱曲线,该曲线含有226个光谱数据,8种葡萄干的示例光谱曲线如图2所示。
(2)每一种葡萄干选取500个像素,对应的光谱曲线进行傅里叶波形分解。单个像素的光谱曲线可分解成226个正弦波形,选取其中振幅最大的5个波形。提取这5个波形的振幅、频率和初相位,共15个数据作为单个光谱曲线的特征值。
(3)对压缩后的数据建立神经网络分类模型。共有8种葡萄干,每种取500个像素,总共4000个像素,每个像素的数据压缩成含15个数据的特征值。对这些数据,建立一个4层的神经网络拓扑结构,含15个输入数据,第一层有8个节点,隐含层有5个节点,输出层有1个节点。将4000个像素用于训练神经网络分类模型,每个像素的15个特征值作为网络的输入数据,葡萄干的类别号作为网络的输出数据(类别号按品种的不同,分为1,2,...,8)。经过训练的网络的权值和阈值如表1至表4所示。
表1.输入数据到第一层的权值
表2.第一层到隐含层的权值
表3.隐含层到输出层的权值
表4.神经网络的阈值
(4)为了验证所建神经网络的优劣,另取8种不同品种的葡萄干各两粒采集高光谱图像并将压缩后的数据输入已建立好的神经网络模型,预测葡萄干的品种。将8种不同品种的葡萄干各两粒放于高光谱成像仪的视场范围内,如图3所示。采集视场范围内的高光谱图像,用掩模法将背景剔除,结果如图4所示。
(5)将图4中所有的葡萄干像素的光谱数据进行压缩,再输入已训练好的神经网络模型,预测每一个像素的品种类别号。对每一个像素的品种类别号进行标记,分别将识别出的每一个品种的葡萄干显示出来,如图5所示,其中a是冰糖心,b是黑加仑,c是红提,d是玫瑰紫,e是马奶子,f是沙漠王,g是香妃,h是雪莲果。
(6)用神经网络识别葡萄干种类的精度用灵敏度、准确度和特异度三个指标来确定。对每一种葡萄干的识别结果分别计算这三个精度指标,用公式2、公式3和公式4计算。其中a是真阴性数量,b是假阳性数量,c是假阴性数量,d是真阳性数量。以冰糖心葡萄干为例,计算三个精度时,公式中的a表示其他7类葡萄干像素被正确识别的数量,b表示其他7类葡萄干像素被无识别为冰糖心的数量,c表示冰糖心像素被无识别为其他7类葡萄干像素的数量,d表示冰糖心像素被正确识别的数量。其他7类葡萄干的三个精度指标计算方法依此类推。表5显示了每一种葡萄干的识别精度指标。
灵敏度=d/(c+d) 公式2
准确度=d/(b+d) 公式3
特异度=a/(a+b) 公式4
表5.葡萄干的识别精度
Claims (8)
1.一种高光谱图像压缩方法,包括以下步骤:
(1)提取高光谱图像目标区域像素的光谱曲线;
(2)对所述光谱曲线进行离散傅里叶变换,将光谱曲线分解成多个线性组合的三角函数波;
(3)选择每个像素对应的振幅最大的前p个三角函数波,提取该p个三角函数波的振幅、频率和初相位,组合作为该像素的特征值,p为不小于5的自然数。
2.如权利要求1所述的高光谱图像压缩方法,其特征在于,所述光谱曲线的分辨率为1-10nm。
3.如权利要求1所述的高光谱图像压缩方法,其特征在于,所述光谱曲线的波长覆盖范围为921-1680nm。
4.如权利要求1所述的高光谱图像压缩方法,其特征在于,所述p不大于10。
5.一种物品分类的方法,包括:
(1)获取待测样本的高光谱图像;
(2)采用权利要求1所述的高光谱图像压缩方法对所述高光谱图像进行压缩;
(3)将压缩后的高光谱图像输入经训练的神经网络分类模型中,判断物品的类别。
6.如权利要求5所述的物品分类方法,其特征在于,所述神经网络分类模型的训练方法为:
(1)获取已知样本的高光谱图像;
(2)采用所述的高光谱图像压缩方法对所述高光谱图像进行压缩;
(3)每个已知样本选取多个像素点,以每个像素的特征值作为输入,以分类结果作为输出进行训练。
7.如权利要求5所述的物品分类方法,其特征在于,所述物品为葡萄干。
8.如权利要求7所述的物品分类方法,其特征在于,所述葡萄干包括冰糖心、黑加仑、红提、玫瑰紫、马奶子、沙漠王、香妃和雪莲果8个品种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410403590.2A CN104182997B (zh) | 2014-08-15 | 2014-08-15 | 高光谱图像压缩方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410403590.2A CN104182997B (zh) | 2014-08-15 | 2014-08-15 | 高光谱图像压缩方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182997A true CN104182997A (zh) | 2014-12-03 |
CN104182997B CN104182997B (zh) | 2017-05-10 |
Family
ID=51964013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410403590.2A Active CN104182997B (zh) | 2014-08-15 | 2014-08-15 | 高光谱图像压缩方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182997B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230442A (zh) * | 2016-08-09 | 2016-12-14 | 国电南瑞科技股份有限公司 | 一种故障录波压缩重构方法 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN111144502A (zh) * | 2019-12-30 | 2020-05-12 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像分类方法及其装置 |
CN112020724A (zh) * | 2019-04-01 | 2020-12-01 | 谷歌有限责任公司 | 学习可压缩的特征 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6347286B1 (en) * | 1997-07-22 | 2002-02-12 | Eurocopter | Method and device operating by interpolation in a discrete spectrum to determine characteristics of a signal and application thereof |
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN102663420A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 基于小波包变换和灰色预测模型的高光谱图像分类方法 |
CN102831436A (zh) * | 2012-08-02 | 2012-12-19 | 哈尔滨工业大学 | 基于参考图互信息波段选择和emd的高光谱图像分类方法 |
CN103149163A (zh) * | 2013-02-05 | 2013-06-12 | 南京农业大学 | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 |
-
2014
- 2014-08-15 CN CN201410403590.2A patent/CN104182997B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6347286B1 (en) * | 1997-07-22 | 2002-02-12 | Eurocopter | Method and device operating by interpolation in a discrete spectrum to determine characteristics of a signal and application thereof |
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN102663420A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 基于小波包变换和灰色预测模型的高光谱图像分类方法 |
CN102831436A (zh) * | 2012-08-02 | 2012-12-19 | 哈尔滨工业大学 | 基于参考图互信息波段选择和emd的高光谱图像分类方法 |
CN103149163A (zh) * | 2013-02-05 | 2013-06-12 | 南京农业大学 | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230442A (zh) * | 2016-08-09 | 2016-12-14 | 国电南瑞科技股份有限公司 | 一种故障录波压缩重构方法 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN108960333B (zh) * | 2018-07-12 | 2021-12-17 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN112020724A (zh) * | 2019-04-01 | 2020-12-01 | 谷歌有限责任公司 | 学习可压缩的特征 |
CN111144502A (zh) * | 2019-12-30 | 2020-05-12 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像分类方法及其装置 |
CN111144502B (zh) * | 2019-12-30 | 2023-02-10 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像分类方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104182997B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rasti et al. | Noise reduction in hyperspectral imagery: Overview and application | |
Huang et al. | Spatial and spectral image fusion using sparse matrix factorization | |
Wang et al. | Content-based image retrieval by integrating color and texture features | |
CN107609573B (zh) | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 | |
CN107292258B (zh) | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
Hang et al. | Graph regularized nonlinear ridge regression for remote sensing data analysis | |
CN104182997A (zh) | 高光谱图像压缩方法及应用 | |
CN108197650A (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络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 | |
Giordano et al. | ROI-based on-board compression for hyperspectral remote sensing images on GPU | |
Ran et al. | Hyperspectral image classification for mapping agricultural tillage practices | |
CN116051896A (zh) | 一种轻量化混合张量神经网络的高光谱图像分类方法 | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN110674848A (zh) | 联合稀疏表示与二部图分割的高维数据联合聚类方法 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
Nidhin Prabhakar et al. | Empirical wavelet transform for improved hyperspectral image classification | |
Nechikkat et al. | Variational mode feature-based hyperspectral image classification | |
Luo et al. | Wavelet-based extended morphological profile and deep autoencoder for hyperspectral image classification | |
CN107832793A (zh) | 一种高光谱图像的分类方法及系统 | |
CN116403046A (zh) | 一种高光谱影像分类装置及方法 | |
Tiwari et al. | Simulation of the hyperspectral data using Multispectral data | |
Liang et al. | Forest species classification of uav hyperspectral image using deep learning | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |