CN104268558A - 用于光谱图像数据降维的邻居点搜索方法及系统 - Google Patents

Abstract

本发明提出了一种用于光谱图像数据降维的邻居点搜索方法及系统，包括首先对当前像素所在窗口的像素进行筛选，剔除受噪声等因素干扰较大的像素；然后对当前像素以及待比对像素所在窗口内像素分别进行排序，计算当前像素和待比对像素所在窗口的光谱距离；选取相似度最高的若干像素为当前像素的邻居点。本发明的方法充分利用了空间信息，而且通过排序使得搜索过程不受图像几何形态上的变化影响，具有空间鲁棒性，对一些噪声污染点也有很好的抑制作用，使得寻找到的邻居点更准确，提高了高光谱图像数据降维处理的性能。

Description

用于光谱图像数据降维的邻居点搜索方法及系统

技术领域

本发明涉及光谱图像数据降维技术领域，具体地说，本发明涉及用于光谱图像数据降维的邻居点搜索方法及系统。

背景技术

光谱遥感是一门新兴的对地观测技术，它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围内，获取许多精细的、连续的狭窄谱段上光谱数据的技术。运用机载或者星载的具有高光谱分辨率的仪器，对地球表面进行遥感可以得到很多地面观测很难得到的信息。光谱成像仪获得的是一个三维的数据立方体，其中包括二维空间信息和每个像素的一维光谱曲线信息。随着光谱仪技术的进步，光谱仪已从最初的多光谱、高光谱向超光谱发展，即波段数越来越多，测量得到的光谱越来越精细。特别是近年来出现的超光谱技术，波段数已经达到数百甚至上千。随着光谱仪光谱波段数增多，其直接后果就是所获取的光谱数据维度的增加，数据维度的增加在给光谱遥感应用带来便利的同时，也对后期的数据处理提出的新的要求。其中一个最重要的问题就是冗余信息的存在。由于光谱仪波段多，宽度窄，使得相邻或者相近波段上的采集到的光谱数据很接近，有着很强的相关性，也就是说信息的冗余度较高。冗余信息的存在增大了数据处理的运算量，而对于光谱数据的分析没有意义，因此在利用光谱进行检测、分类等应用前，有必要通过降维等手段消除数据间的冗余。

近年来，对光谱图像进行数据降维的方法被广泛的研究，其中流形学习方法中的局部线性嵌入(LLE)非线性降维算法成为一种主要的降维方法。对于LLE算法，其中一个最重要的步骤就是对于每个像素点，寻找整个光谱图像中和它最相似的若干点作为光谱域邻居点，邻居点选取的合适与否将直接影响降维性能。

传统的LLE算法在搜索邻居点时，在整个图像上逐一计算每个像素点与当前像素的光谱距离，取距离最近的若干像素点为光谱邻居。这就将光谱图像当成一个个孤立的点，或者说是一组无序的光谱向量队列，忽视了光谱图像中的空间信息，使得降维后的数据不能很好地重构出高光谱数据的三维特性。因此需要寻找一种能够在邻居点搜索过程中充分利用光谱图像空间信息的方法，提高邻居点的选取准确度，从而提高整个降维方法的性能。

发明内容

针对现有技术缺陷，本发明提出了一种用于光谱图像数据降维的邻居点搜索及系统。

为达到上述目的，本发明采用的技术方案包括一种用于光谱图像数据降维的邻居点搜索方法，以需要寻找邻居点的像素为当前像素，执行包括以下步骤，

步骤1，以当前像素为中心建立窗口，记为窗口A，对窗口A内的像素进行筛选，包括计算窗口A内各像素分别与当前像素的光谱距离D_xj然后求均值D_x，当窗口A内某像素与当前像素的光谱距离D_xj大于α×D_x时删除该像素，其中α为预定的阈值系数；

步骤2，对光谱图像中每个待比对像素分别执行以下步骤，

步骤2.1，以待比对像素为中心建立窗口，记为窗口B，将步骤1所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序；

将窗口A内筛选剩下的像素进行排序，包括按照光谱距离D_xj由小到大依次排序；设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m；

将窗口B内像素分别进行排序，包括计算窗口B内各像素分别与待比对像素的光谱距离D_yj，并按照光谱距离D_yj由小到大依次排序；记排序后的序列为B₁,B₂,...B₉；

步骤2.2，计算当前像素所在窗口和待比对像素所在窗口的光谱距离，包括从排序后的序列B₁,B₂,...B₉中取前m个像素B₁,B₂,...B_m，计算当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB如下，

$D_{\mathrm{AB}}=\frac{{\mathrm{\Σ}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离；

步骤3，根据步骤2所得当前像素所在窗口和各待比对像素所在窗口的光谱距离D_AB，选取若干D_AB最小的相应待比对像素为当前像素的邻居点。

而且，任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下，

$\mathrm{SAM}(a,b)={\cos }^{-1}\frac{<a,b>}{\left|a\right|\left|b\right|}$

其中，<a,b>为a与b的内积，||表示取二范数。

而且，窗口大小为3×3。

本发明还相应提供了一种用于光谱图像数据降维的邻居点搜索系统，包括以下模块，

当前像素窗口筛选模块，用于以需要寻找邻居点的像素为当前像素，以当前像素为中心建立窗口，记为窗口A，对窗口A内的像素进行筛选，包括计算窗口A内各像素分别与当前像素的光谱距离D_xj然后求均值D_x，当窗口A内某像素与当前像素的光谱距离D_xj大于α×D_x时删除该像素，其中α为预定的阈值系数；

窗口光谱距离确定模块，包括以下子模块，

排序子模块，用于以待比对像素为中心建立窗口，记为窗口B，将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序；

将窗口A内筛选剩下的像素进行排序，包括按照光谱距离D_xj由小到大依次排序；设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m；

将窗口B内像素分别进行排序，包括计算窗口B内各像素分别与待比对像素的光谱距离D_yj，并按照光谱距离D_yj由小到大依次排序；记排序后的序列为B₁,B₂,...B₉；

距离计算子模块，用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离，包括从排序后的序列B₁,B₂,...B₉中取前m个像素B₁,B₂,...B_m，计算当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB如下，

$D_{\mathrm{AB}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离；

邻居点选择模块，用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离D_AB，选取若干D_AB最小的相应待比对像素为当前像素的邻居点。

而且，任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下，

$\mathrm{SAM}(a,b)={\cos }^{-1}\frac{<a,b>}{\left|a\right|\left|b\right|}$

其中，<a,b>为a与b的内积，||表示取二范数。

而且，窗口大小为3×3。

本方法首先对当前像素所在窗口的像素进行筛选，剔除受噪声等因素干扰较大的像素，然后对当前像素以及待比对像素所在窗口内像素进行相似度排序，计算当前像素和待比对像素所在窗口的光谱距离，遍历全图后选取相似度最高的若干像素为当前像素的邻居点。本发明具有以下优点：

1、对受噪声等因素影响较大的点进行了剔除，避免了噪声点对邻居点搜索的影响，提高了搜索的正确率；

2、充分利用了光谱图像的空间信息，并通过窗口内像素排序，可以避免空间信息由镜像、旋转等几何变换带来的影响，提高了鲁棒性。

3、广泛适用于多光谱、高光谱、超光谱的情况，提高了光谱图像数据降维处理的性能，有效降低遥感信息的冗余度。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例的当前像素窗口示意图。

图3为本发明实施例的待比对像素窗口示意图。

具体实施方式

本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。

下面结合附图对本发明进行进一步的说明。

参照附图1，本发明主要包括以需要为其寻找邻居点的像素为当前像素，对当前像素执行3个步骤：对当前像素所在窗口的像素进行筛选；对每个待比对像素，将当前像素窗口内筛选剩下的像素以及待比对像素所在窗口内像素分别进行排序，计算当前像素和待比对像素所在窗口的光谱距离；根据计算的窗口光谱距离选取为当前像素选取若干邻居点；下面对本发明实施例所提供邻居点搜索方法的各步骤进行详细说明：

步骤(1)：以当前像素为中心建立窗口，记为窗口A，对当前像素所在窗口内的像素进行筛选，剔除受噪声等因素干扰较大的像素。

具体实施时，窗口尺寸n×n可由本领域技术人员自行设定，一般n取奇数。窗口中包含N＝n×n个像素。

实施例具体操作如下：

如图2，以当前像素为中心，取3×3大小的窗口，N＝9，设窗口内各像素从左至右，从上至下分别为X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉，其中X₅就是当前像素；分别计算X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉与X₅的光谱距离，光谱距离计算公式如下：

$\mathrm{SAM}(a,b)={\cos }^{-1}\frac{<a,b>}{\left|a\right|\left|b\right|}$

其中，SAM(a,b)为像素a与像素b之间的光谱距离，<a,b>为a与b的内积，||表示取二范数。

设X_j与X₅的光谱距离为D_xj，j的取值为1,2,…,N，记X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉与X₅的光谱距离分别为D_x1-D_x9，计算9个光谱距离D_x1,D_x2,D_x31,D_x4,D_x5,D_x6,D_x7,D_x8,D_x9的均值D_x；当D_x1-D_x9中出现大于α×D_x的光谱距离的情况时，认定与之对应的像素为受噪声因素干扰的像素，并将该像素剔除，其中α为预定的阈值系数，具体实施时本领域技术人员可自行设定取值，本实施例中取1.25。

步骤(2)：对各待比对像素，分别以待比对像素为中心建立窗口，基于步骤1所得结果进行窗口像素对比排序，求取当前像素所在窗口和待比对像素所在窗口的光谱距离。

对可能是当前像素的邻居点，都需要作为待比对像素，然后确定他们是否为当前像素的邻居点。一般除了当前像素，整张光谱图像其余像素都可作为作为待比对像素。

对任一待比对像素，执行以下步骤，

步骤(2.1)：以待比对像素为中心建立窗口，记为窗口B，将当前像素窗口内筛选剩下的像素以及待比对像素所在窗口内像素分别进行排序。窗口B尺寸与窗口A一致。

实施例具体操作如下：

将步骤(1)筛选剩下的像素按照与之所对应的光谱距离D_x1-D_x9由小到大进行排序，设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m，其中步骤(1)中剔除了9-m个噪声像素且1≤m≤8；由于X₅与自己最相似，因此A₁就是X₅，其余像素按照与X₅的相似程度(即光谱距离由小到大)依次排序。

如图3，以待比对像素为中心，取3×3大小的窗口，设窗口内各像素从左至右，从上至下分别为Y₁,Y₂,Y₃,Y₄,Y₅,Y₆,Y₇,Y₈,Y₉，其中Y₅就是待比对像素；根据步骤(1)中光谱距离计算公式分别计算Y₁,Y₂,Y₃,Y₄,Y₅,Y₆,Y₇,Y₈,Y₉与Y₅的光谱距离，设Y_j与Y₅的光谱距离为D_yj，j的取值为1,2,…,N，即可得到D_y1-D_y9；将Y₁-Y₉按照与之所对应的光谱距离D_y1-D_y9由小到大进行排序，记排序后的序列为B₁,B₂,...B₉，同样B₁就是Y₅，其余像素按照与X₅的相似程度(即光谱距离由小到大)依次排序。

步骤(2.2)：计算当前像素所在窗口和待比对像素所在窗口的光谱距离，实施例具体操作如下：

从排序后的序列B₁,B₂,...B₉中取前m个像素，即B₁,B₂,...B_m，根据步骤(1)中光谱距离计算公式分别计算与A₁与B₁、A₂与B₂,...A_m与B_m的光谱距离，则当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB为：

$D_{\mathrm{AB}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离，同样根据步骤(1)中光谱距离计算公式分别计算得到。

步骤(3)：根据步骤2计算的光谱距离选取为当前像素选取若干邻居点。

实施例具体操作如下：

从步骤(2)所得光谱图像中所有待比对像素所在窗口与当前像素所在窗口的光谱距离D_AB后，选取出前K个光谱距离最小的待比对像素所在窗口，则与之对应的K个待比对像素为当前像素的邻居点，其中K为所需邻居点个数，一般为光谱图像数据降维算法中需要的邻居点个数，可根据需要预先设定。

本发明还相应提供了一种用于光谱图像数据降维的邻居点搜索系统，包括以下模块，

当前像素窗口筛选模块，用于以需要为其寻找邻居点的像素为当前像素，以当前像素为中心建立窗口，记为窗口A，对窗口A内的像素进行筛选，包括计算窗口A内各像素分别与当前像素的光谱距离D_xj然后求均值D_x，当窗口A内某像素与当前像素的光谱距离D_xj大于α×D_x时删除该像素，其中α为预定的阈值系数；

窗口光谱距离确定模块，包括以下子模块，

排序子模块，用于以待比对像素为中心建立窗口，记为窗口B，将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序；

将窗口A内筛选剩下的像素进行排序，包括按照光谱距离D_xj由小到大依次排序；设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m；

将窗口B内像素分别进行排序，包括计算窗口B内各像素分别与待比对像素的光谱距离D_yj，并按照光谱距离D_yj由小到大依次排序；记排序后的序列为B₁,B₂,...B₉；

距离计算子模块，用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离，包括从排序后的序列B₁,B₂,...B₉中取前m个像素B₁,B₂,...B_m，计算当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB如下，

$D_{\mathrm{AB}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离；

邻居点选择模块，用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离D_AB，选取若干D_AB最小的相应待比对像素为当前像素的邻居点。

具体实施时，可采用软件模块化技术实现各模块。各模块具体实现参见方法中各步骤，本发明不予赘述。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (6)

1.一种用于光谱图像数据降维的邻居点搜索方法，其特征在于：以需要寻找邻居点的像素为当前像素，执行包括以下步骤，

步骤1，以当前像素为中心建立窗口，记为窗口A，对窗口A内的像素进行筛选，包括计算窗口A内各像素分别与当前像素的光谱距离D_xj然后求均值D_x，当窗口A内某像素与当前像素的光谱距离D_xj大于α×D_x时删除该像素，其中α为预定的阈值系数；

步骤2，对光谱图像中每个待比对像素分别执行以下步骤，

步骤2.1，以待比对像素为中心建立窗口，记为窗口B，将步骤1所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序；

将窗口A内筛选剩下的像素进行排序，包括按照光谱距离D_xj由小到大依次排序；设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m；

将窗口B内像素分别进行排序，包括计算窗口B内各像素分别与待比对像素的光谱距离D_yj，并按照光谱距离D_yj由小到大依次排序；记排序后的序列为B₁,B₂,...B₉；

步骤2.2，计算当前像素所在窗口和待比对像素所在窗口的光谱距离，包括从排序后的序列B₁,B₂,...B₉中取前m个像素B₁,B₂,...B_m，计算当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB如下，

$D_{\mathrm{AB}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离；

步骤3，根据步骤2所得当前像素所在窗口和各待比对像素所在窗口的光谱距离D_AB，选取若干D_AB最小的相应待比对像素为当前像素的邻居点。

2.根据权利要求1所述用于光谱图像数据降维的邻居点搜索方法，其特征在于：任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下，

$\mathrm{SAM}(a,b)={\cos }^{-1}\frac{<a,b>}{\left|a\right|\left|b\right|}$

其中，<a,b>为a与b的内积，||表示取二范数。

3.根据权利要求1或2所述用于光谱图像数据降维的邻居点搜索方法，其特征在于：窗口大小为3×3。

4.一种用于光谱图像数据降维的邻居点搜索系统，其特征在于：包括以下模块，

当前像素窗口筛选模块，用于以需要寻找邻居点的像素为当前像素，以当前像素为中心建立窗口，记为窗口A，对窗口A内的像素进行筛选，包括计算窗口A内各像素分别与当前像素的光谱距离D_xj然后求均值D_x，当窗口A内某像素与当前像素的光谱距离D_xj大于α×D_x时删除该像素，其中α为预定的阈值系数；

窗口光谱距离确定模块，包括以下子模块，

排序子模块，用于以待比对像素为中心建立窗口，记为窗口B，将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序；

将窗口A内筛选剩下的像素进行排序，包括按照光谱距离D_xj由小到大依次排序；设筛选剩下的像素有m个，记排序后的像素所构成序列为A₁,A₂,...A_m；

将窗口B内像素分别进行排序，包括计算窗口B内各像素分别与待比对像素的光谱距离D_yj，并按照光谱距离D_yj由小到大依次排序；记排序后的序列为B₁,B₂,...B₉；

距离计算子模块，用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离，包括从排序后的序列B₁,B₂,...B₉中取前m个像素B₁,B₂,...B_m，计算当前像素所在窗口和待比对像素所在窗口的光谱距离D_AB如下，

$D_{\mathrm{AB}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=m}\mathrm{SAM}(A_i,B_i)}{m}$

其中，SAM(A_i,B_i)为A_i与B_i的光谱距离；

邻居点选择模块，用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离D_AB，选取若干D_AB最小的相应待比对像素为当前像素的邻居点。

5.根据权利要求1所述用于光谱图像数据降维的邻居点搜索系统，其特征在于：任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下，

$\mathrm{SAM}(a,b)={\cos }^{-1}\frac{<a,b>}{\left|a\right|\left|b\right|}$

其中，<a,b>为a与b的内积，||表示取二范数。

6.根据权利要求1或2所述用于光谱图像数据降维的邻居点搜索系统，其特征在于：窗口大小为3×3。