CN107316041A - 一种基于背景自学习的高光谱图像生物信息提取方法 - Google Patents

一种基于背景自学习的高光谱图像生物信息提取方法 Download PDF

Info

Publication number
CN107316041A
CN107316041A CN201710423985.2A CN201710423985A CN107316041A CN 107316041 A CN107316041 A CN 107316041A CN 201710423985 A CN201710423985 A CN 201710423985A CN 107316041 A CN107316041 A CN 107316041A
Authority
CN
China
Prior art keywords
information
background
extracting method
cluster
high spectrum
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.)
Pending
Application number
CN201710423985.2A
Other languages
English (en)
Inventor
王东波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taicang Chengze Network Technology Co Ltd
Original Assignee
Taicang Chengze Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taicang Chengze Network Technology Co Ltd filed Critical Taicang Chengze Network Technology Co Ltd
Priority to CN201710423985.2A priority Critical patent/CN107316041A/zh
Publication of CN107316041A publication Critical patent/CN107316041A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques

Abstract

本发明提出了一种基于背景自学习的高光谱图像生物信息提取方法，包括以下步骤：（1）使用最小误差高光谱信息辨识法来估计图像中端元个数；（2）背景聚类整合；（3）背景聚类融合；（4）找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；（5）提取信息。本发明提出的提取方法避免了获取信息时物理接触造成的破坏，能多次稳定获取图像，能有效地对背景信息进行估计，提取完整的生物目标信息，有效地提高了提取精度。

Description

一种基于背景自学习的高光谱图像生物信息提取方法
技术领域
本发明涉及遥感信息技术领域，具体涉及一种基于背景自学习的高光谱图像生物信息提取方法。
背景技术
为了快速准确地提取附着于载体的生物特征信息，或确定生物体体表或体内某一区域存在的异常特征信息，传统的方法一般采用直接接触提取的方法，这往往会对信息载体造成损伤。通过拍摄含有目标特征信息的图像，对图像进行处理得到这些信息，是更可可靠的方法。
一般页言，基于图像的生物特征提取方法大多是单波段全色图像，通过对图像的形状进行计算，或对图像进行滤波增强等方法获取目标区域形状。但是，传统单波全色图像存在着明显缺陷：在外界环境如光照等因素存在差异的情况下，单波段全色图像呈现出来的特征会发生较大变化，从而加大了信息提取的难度。随着成像光谱仪的出现，可以获取更加丰富和稳定的信息，利于进行进一步的生物信息提取，对于生物载体上的某些特征信息的提取，可以通过目标探测完成。近年来涌现了许多基于高光谱图像的目标信息提取方法，最常见的方法有匹配滤波器方法（MF）、约束能量最小化方法(CEM)、自适应余弦一致性评传器方法(ACE)、光谱角方法(SAM)、正交子空间投影方法(OSP)等，这些方法中，MF和SAM方法没有一致背景信息，，CEM、ACE和OSP方法在抑制背景信息的同时受到目标信息的影响，导致对背景信息估计不够准确。
因此，针对上述问题，本发明提出了一种新的技术方案。
发明内容
本发明的目的是提供一种有效对背景信息进行估计，提取完整的生物目标信息的基于背景自学习的高光谱图像生物信息提取方法。
本发明是通过以下技术方案来实现的：
一种基于背景自学习的高光谱图像生物信息提取方法，包括以下步骤：
使用最小误差高光谱信息辨识法来估计图像中端元个数；
将步骤得到的端元数作为聚类数，将聚类数引入到最小误差高光谱信息辨识法对背景信息进行聚类；
得到聚类信息后，将聚类中心的光谱信息作为向量，计算各聚类间的光谱角，并合并光谱角的类别；
找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；
在提取目标信息前，给每个像素点决定一个背景类，以当前像素为中心，划定一个正方形区域，以该区域内的所有像素点的信息共同决定当像像素的背景类，然后对正方形区域内的所有像素点进行加权平均的方法，得到具有空间信息的测试像素点光谱信息，再通过算法对每个像素进行计算，得到的值通过阈值划分来判定是否为需要提取的目标信息。
进一步地，所述步骤中，每个聚类中的像素个数不少于图像的波段数。
进一步地，当像素个数小于图像的波段数的类别合并到最近的类别中。
进一步地，所述步骤中正方形区域的大小可以根据要求进行调整。
进一步地，所述步骤中每个像素计算的算法为广义似然比方法。
本发明的有益效果是：本发明提出的提取方法避免了获取信息时物理接触造成的破坏，能多次稳定获取图像，能有效地对背景信息进行估计，提取完整的生物目标信息，有效地提高了提取精度。
具体实施方式
下面结合实施例对本发明做进一步地说明。
实施例1
一种基于背景自学习的高光谱图像生物信息提取方法，包括以下步骤：
使用最小误差高光谱信息辨识法来估计图像中端元个数；
将步骤得到的端元数作为聚类数，将聚类数引入到最小误差高光谱信息辨识法对背景信息进行聚类；
得到聚类信息后，将聚类中心的光谱信息作为向量，计算各聚类间的光谱角，并合并光谱角的类别；
找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；
在提取目标信息前，给每个像素点决定一个背景类，以当前像素为中心，划定一个正方形区域，以该区域内的所有像素点的信息共同决定当像像素的背景类，然后对正方形区域内的所有像素点进行加权平均的方法，得到具有空间信息的测试像素点光谱信息，再通过算法对每个像素进行计算，得到的值通过阈值划分来判定是否为需要提取的目标信息。
在本实施例中，步骤中，每个聚类中的像素个数不少于图像的波段数。
在本实施例中，当像素个数小于图像的波段数的类别合并到最近的类别中。
在本实施例中，所述步骤中正方形区域的大小可以根据要求进行调整。
在本实施例中，所述步骤中每个像素计算的算法为广义似然比方法。
本发明提出的提取方法避免了获取信息时物理接触造成的破坏，能多次稳定获取图像，能有效地对背景信息进行估计，提取完整的生物目标信息，有效地提高了提取精度。
以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于背景自学习的高光谱图像生物信息提取方法，其特征在于：包括以下步骤：
使用最小误差高光谱信息辨识法来估计图像中端元个数；
将步骤得到的端元数作为聚类数，将聚类数引入到最小误差高光谱信息辨识法对背景信息进行聚类；
得到聚类信息后，将聚类中心的光谱信息作为向量，计算各聚类间的光谱角，并合并光谱角的类别；
找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；
在提取目标信息前，给每个像素点决定一个背景类，以当前像素为中心，划定一个正方形区域，以该区域内的所有像素点的信息共同决定当像像素的背景类，然后对正方形区域内的所有像素点进行加权平均的方法，得到具有空间信息的测试像素点光谱信息，再通过算法对每个像素进行计算，得到的值通过阈值划分来判定是否为需要提取的目标信息。
2.根据权利要求1所述一种基于背景自学习的高光谱图像生物信息提取方法，其特征在于：所述步骤中，每个聚类中的像素个数不少于图像的波段数。
3.根据权利要求2所述一种基于背景自学习的高光谱图像生物信息提取方法，其特征在于：当像素个数小于图像的波段数的类别合并到最近的类别中。
4.根据权利要求1所述一种基于背景自学习的高光谱图像生物信息提取方法，其特征在于：所述步骤中正方形区域的大小可以根据要求进行调整。
5.根据权利要求1所述一种基于背景自学习的高光谱图像生物信息提取方法，其特征在于：所述步骤中每个像素计算的算法为广义似然比方法。
CN201710423985.2A 2017-06-07 2017-06-07 一种基于背景自学习的高光谱图像生物信息提取方法 Pending CN107316041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710423985.2A CN107316041A (zh) 2017-06-07 2017-06-07 一种基于背景自学习的高光谱图像生物信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710423985.2A CN107316041A (zh) 2017-06-07 2017-06-07 一种基于背景自学习的高光谱图像生物信息提取方法

Publications (1)

Publication Number Publication Date
CN107316041A true CN107316041A (zh) 2017-11-03

Family

ID=60182149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710423985.2A Pending CN107316041A (zh) 2017-06-07 2017-06-07 一种基于背景自学习的高光谱图像生物信息提取方法

Country Status (1)

Country Link
CN (1) CN107316041A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466923B1 (en) * 1997-05-12 2002-10-15 Chroma Graphics, Inc. Method and apparatus for biomathematical pattern recognition
US8478070B2 (en) * 2009-07-15 2013-07-02 Sony Corporation Information processing apparatus, block detection method, and program
CN104077748A (zh) * 2013-03-28 2014-10-01 富士通株式会社 图像校正设备、图像校正方法以及生物认证设备
CN104503731A (zh) * 2014-12-15 2015-04-08 柳州职业技术学院 二值图像连通域标记快速识别方法
CN105608355A (zh) * 2015-07-08 2016-05-25 宇龙计算机通信科技(深圳)有限公司 生物信息验证方法、生物信息验证系统和终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466923B1 (en) * 1997-05-12 2002-10-15 Chroma Graphics, Inc. Method and apparatus for biomathematical pattern recognition
US8478070B2 (en) * 2009-07-15 2013-07-02 Sony Corporation Information processing apparatus, block detection method, and program
CN104077748A (zh) * 2013-03-28 2014-10-01 富士通株式会社 图像校正设备、图像校正方法以及生物认证设备
CN104503731A (zh) * 2014-12-15 2015-04-08 柳州职业技术学院 二值图像连通域标记快速识别方法
CN105608355A (zh) * 2015-07-08 2016-05-25 宇龙计算机通信科技(深圳)有限公司 生物信息验证方法、生物信息验证系统和终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张玉香: "《一种基于背景自学习的高光谱图像生物信息提取方法》", 《计算机科学》 *

Similar Documents

Publication Publication Date Title
CN106355188B (zh) 图像检测方法及装置
CN107330397B (zh) 一种基于大间隔相对距离度量学习的行人重识别方法
EP2599034B1 (en) Object recognition using incremental feature extraction
WO2019071664A1 (zh) 结合深度信息的人脸识别方法、装置及存储介质
CN104299003B (zh) 一种基于相似规则高斯核函数分类器的步态识别方法
Ishikura et al. Saliency detection based on multiscale extrema of local perceptual color differences
CN106709500B (zh) 一种图像特征匹配的方法
US20180260974A1 (en) Color recognition through learned color clusters
TW201142718A (en) Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes
Hati et al. Plant recognition from leaf image through artificial neural network
Ng et al. Iris recognition using rapid Haar wavelet decomposition
CN106056083B (zh) 一种信息处理方法及终端
CN107464335B (zh) 一种纸币冠字号定位方法
US11854249B2 (en) Character recognition method and terminal device
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN102915540A (zh) 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法
CN111259756A (zh) 基于局部高频次特征和混合度量学习的行人重识别方法
CN110826612A (zh) 深度学习的训练识别方法
CN107527001B (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
Liu et al. Iris recognition in visible spectrum based on multi-layer analogous convolution and collaborative representation
CN104751139A (zh) 基于汗腺特征点和指纹图像特征点的快速指纹识别方法
CN117474029A (zh) 基于区块链的ai偏振增强图码波频采集成像识别方法
CN107316041A (zh) 一种基于背景自学习的高光谱图像生物信息提取方法
CN107368788A (zh) 一种基于背景自学习的高光谱图像生物信息提取方法
CN104598876A (zh) 嵌入式人脸识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171103

WD01 Invention patent application deemed withdrawn after publication