CN109583479B - 一种基于形态学的高光谱图像特征提取方法 - Google Patents
一种基于形态学的高光谱图像特征提取方法 Download PDFInfo
- Publication number
- CN109583479B CN109583479B CN201811321054.2A CN201811321054A CN109583479B CN 109583479 B CN109583479 B CN 109583479B CN 201811321054 A CN201811321054 A CN 201811321054A CN 109583479 B CN109583479 B CN 109583479B
- Authority
- CN
- China
- Prior art keywords
- attribute
- tree
- value
- extinction
- topology tree
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于形态学分析的高光谱图像特征提取方法,包括如下步骤:对高光谱图像做主成分分析,并选取前T个主成分分量,T为大于0的整数;对选取的每一个主成分分量构造得到拓扑树;对选取的每一个主成分分量构造得到拓扑树;统计每个所述拓扑树的各个叶节点的属性类型,并根据属性类型,选择是否对拓扑树进行重构;计算各拓扑树叶节点属性值对应的消光值,按消光值大小对拓扑树进行剪切,得到剪切拓扑树;将剪切拓扑树重构为主成分图像,得到消光剖面特征。根据本发明提供的方案,提取的图像特征维数低,抗噪声干扰能力强;特征的复杂度低,分类精度高。
Description
技术领域
本发明涉及一种遥感图像特征提取方法,尤其涉及一种基于形态学分析的高光谱图像特征提取方法,属于数字图像处理技术领域。
背景技术
近年来,高光谱成像被用于分类变得越来越普遍,主要原因在于它包含数百个窄的连续波段,其提供了丰富的光谱信息,可以为一些简单的场景提供非常准确的分类。但是,对于复杂场景中的某些类别,仅仅依靠光谱特征来精确分类是困难的,尤其是对于那些具有相似反射率的材料,这就需要考虑高光谱图像所蕴含的其他信息。随着高光谱成像技术发展,和机载、星载成像方式的不断成熟,所提取的高光谱不仅在空间和光谱分辨率上越来越高,而且受环境方面的干扰越来越小,因此高光谱图像拥有着丰富的空间和纹理等信息。为了能充分利用高光谱所蕴含的空间信息,提出了基于形态学分析的特征提取方法。它综合利用高光谱图像的光谱-空间特征,分类准确度高。
基于以上分析,使得高光谱的应用领域得到了很好的扩展。其在民用领域得到了很好的发展。随着成像光谱技术的逐渐成熟,高光谱图像分析研究的不断深入,应用越来越广泛。
目前最新的基于形态学分析的特征提取方法主要有:属性剖面(AP)和消光剖面(EP)。这两种方法都是基于图像中形状的属性值来构建的最大树(Max-tree)和最小树(Min-tree)基础上的,不同的是,在树的剪切过程中,属性剖面是以阈值为导向来对树的节点进行剪切,而消光剖面是以消光值为导向的。由于属性剖面存在以下几个方面的不足:1)最佳阈值的设置难以掌握;2)不同的图像需要设置不同的阈值;3)可能会得到非常稀疏的特征空间。因此,属性剖面逐渐的被消光剖面所取代,而消光剖面作为一种快速准确特征提取方法,得到了广泛应用。
为了更好的根据图像中形状间的关系(包含,交叉,相离)来实现空间特征的提取,本发明对上述的消光剖面方法在进行了改进和创新,采用图像中形状的属性值来构建的拓扑树,从而提出了一种基于形态学分析的高光谱图像特征提取方法。
发明内容
本发明所要解决的技术问题在于提供一种基于形态学分析的高光谱图像特征提取方法,实现高光谱图像空间特征的准确快速提取。该方法首先是载入高光谱图像并对其做主成分分析(Principal Component Analysis,PCA)取前若干主成分,接着对这些主成分进行拓扑树的构造,并在构造的过程中计算每个节点的属性值,然后根据这些属性值对每个叶节点计算其消光值,按消光值大小进行剪切,剪去显著特征不明显的分支节点,最后根据剪切的拓扑树重构回主成分图像,得到消光剖面特征。
为实现上述的发明目的,本发明采用下述的技术方案:
一种基于形态学分析的高光谱图像特征提取方法,包括如下步骤:
(1)对高光谱图像做主成分分析,并选取前T个主成分分量,T为大于0的整数;
(2)对选取的每一个主成分分量构造得到拓扑树;
(3)统计每个所述拓扑树的各个叶节点的属性类型,并根据属性类型,选择是否对拓扑树进行重构;
(4)计算各拓扑树叶节点属性值对应的消光值,按消光值大小对拓扑树进行剪切,得到剪切拓扑树;
(5)将剪切拓扑树重构为主成分图像,得到消光剖面特征;
其中,步骤(4)的拓扑树包括步骤(2)中的拓扑树和步骤(3)中重构得到的重构拓扑树。
根据本发明的方法,优选的,在所述步骤(1)中,对高光谱图像进行主成分分析,选取最大的前T个特征值对应的特征矢量进行变换,得到T个主成分分量,其中T取值为1、2、3。
根据本发明的方法,优选的,在所述步骤(3)中,所述属性包括:增性属性和非增性属性。
根据本发明的方法,优选的,所述增性属性包括:面积属性、对比度属性、体积属性、包围盒属性;
所述非增性属性包括:标准差属性、圆度属性、延伸度属性。
根据本发明的方法,优选的,对于增性属性,直接计算步骤(2)得到的拓扑树中各个领袖像素的属性。
根据本发明的方法,优选的,对于非增性属性,对拓扑树按最小树的方法进行重构,得到重构拓扑树。
根据本发明的方法,优选的,所述步骤(4)中,对重构拓扑树中的叶节点的属性值按从小至大的顺序,进行显著性计算,具体如下:
a)从当前叶节点开始往上搜索第一个分支节点,如果没有分支节点,则跳转到步骤d);
b)在搜索到的第一个当前分支节点内,判断当前叶节点的属性值对比度是否为最大,如果是则返回步骤a),并且将当前分支节点内其他叶节点的消光值设置为其他叶节点的属性值对比度,如果否,则跳转到步骤c);
c)则将该当前叶节点的属性值对比度值赋值给当前叶节点的消光值,返回步骤a);
d)结束。
根据本发明的方法,优选的,所述步骤(4)中,按消光值大小对重构拓扑树进行剪切,仅保留特征显著的k个分支节点,得到剪切拓扑树,k=3n,n为大于1的整数。
根据本发明的方法,优选的,所述n=7。
为实现上述的发明目的,本发明采用下述的技术方案:
一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序指令,通过执行所述计算机程序执行,实现所述之一的方法。
本发明所提供的一种基于形态学分析的高光谱图像特征提取方法优点包括:
1提取的图像特征维数低,抗噪声干扰能力强;
2特征的复杂度低,分类精度高。
附图说明
图1为根据本发明实施例的高光谱图像特征提取方法流程图。
具体实施方式
下面结合附图,对本发明所提供的基于形态学分析的高光谱图像特征提取方法的具体实施步骤进行详细的说明。如图1所示,对于高光谱图像,依次通过如下的步骤进行特征的选取工作:
(1)对高光谱图像做主成分分析,并选取前T个主成分。
对高光谱图像进行主成分分析,选取最大的前T个特征值对应的特征矢量进行变换,得到T个主成分分量,作为后续特征步骤的输入成分。其中,T取值为1、2、3。经实验分析,T取值优选3。
(2)对选取的每一个主成分进行拓扑树的构造。
拓扑树由水平集的连通分量构成,体现了图像中连通分量间的包含关系。拓扑树中的每个节点存储连通分量的所有像素,连通分量存储在单个节点(即复合节点)中,并且每个节点仅存储图像中可见连通分量的像素。该连通分量具有层次关系,主要体现在三个方面:1)属于同一分支的节点对应的连通分量具有包含或交叉关系;2)同水平级节点对应的连通分量之间存在相离或邻接关系;3)不属于同一分支的节点且不属于同一个父节点对应的连通分量只能彼此相离。
所有树节点只有一个根节点(即所有连接的组件都包含在一个根组件中),这是由对应于不同节点的连接组件形成的混合组件确定的。该拓扑树的构造过程具体如下:1)使用Khalimskey网格对高光谱图像进行插值;2)使用两个层次队列存储按顺序提取的像素信息,按层次顺序排列像素信息;3)以步骤2)中的存储顺序相反的顺序,使用查找并查集方法来计算树;4)计算领袖像素的位置。领袖像素即为排序过程中出现灰度跳跃的像素。每个领袖像素代表了树中的一个节点,从逆排序往上遍历像素,即相当于从树的底层往根节点查找出所有树中所有节点,从而完成拓扑树的构造。
(3)统计拓扑树的各个节点中的属性值,根据属性是增性还是非增性属性,选择对非增性属性进行拓扑树的重构,得到重构拓扑树;
对于增性属性,如:面积属性、高度(对比度)属性、体积属性,包围盒属性等,直接在步骤2)生成的拓扑树中计算各个领袖像素的属性即可,并直接采用该拓扑树来进行后续的属性值计算。
对于非增性属性,如:标准差属性、圆度属性、延伸度属性等,需要对在步骤2)生成的拓扑树按最小树的方法进行重构树,得到重构拓扑树,并用重构拓扑树来进行后续的属性值计算。
(4)对拓扑树的叶节点的属性值计算其对应的消光值。
对增性属性,直接计算拓扑树的消光值,对于非增性属性,计算重构拓扑树的消光值。
消光值反应的是叶节点的显著性特征。现在给出拓扑树中消光值的定义。假设M是图像X的最小连通分量(即,该图像的灰度为极值,灰度最小或最大),其为一个叶节点,而为一组按属性阈值λ进行剪枝操作后的图像。随着λ的增加,叶节点M不断被剪切合并到更高级父节点。叶节点M的消光值是使得叶节点M仍是合并后父节点内最小连通分量的最大λ值,表示一组图像,对应一组λ。
消光值的计算过程如下:对拓扑树(非增性属性,则是重构拓扑树)中的叶节点的属性值按从小至大的顺序,进行显著性计算,具体如下:1)从当前叶节点开始往上搜索直到遇见一个分支节点为止,并进行判断;2)如果相对于当前分支节点的其它兄弟叶节点,该当前叶节点的属性值对比度(即分支节点与叶节点之间的属性差值)最大,则继续回到1)往上搜索,并且将拓扑树当前分支节点的其它兄弟叶节点的消光值设置为所述其它兄弟叶节点的属性值的对比度;3)如果相对于当前分支节点的其它兄弟叶节点,该叶节点的属性值对比度(即分支节点与叶节点之间的属性差值)不是最大,则将该叶节点的属性值对比度赋值给当前叶节点的消光值。重复上述操作,直到所有叶节点的消光值计算完成为止。
(5)按消光值大小对拓扑树进行剪切,仅保留特征显著的k个分支节点,得到剪切拓扑树。
在本发明中,保留的分支数量k为3n。经实验分析,n取值优选7。
(6)将剪切拓扑树重构为主成分图像,得到消光剖面特征。
对k进行不同取值,将剪切拓扑树重构回主成分图像,得到该主成分分量下的当前属性下第k个消光剖面值特征图。
重复上述(1)~(5)步,直至完成所有主成分的高光谱特征消光剖面特征图提取。
本发明方法与最大树max-tree和最小树min-tree方法实验对比,其中,最大树max-tree和最小树min-tree方法实验均为当前主流的形态学分析特征提取方法。该实验首先提取高光谱图像特征,然后以提取的特征作为支持向量机的输出入对高光谱图像进行分类,通过分类精度来对比所提取特征的性能。实验数据为机载成像光谱仪高光谱图像。本发明选用610×340像素大小图像进行实验。本发明方法提取的特征维数低、鲁棒性好,因此本发明方法的分类精度优于对比方法,见表1。
表1高光谱图像特征提取分类精度评价
本发明所提供的基于形态学分析的高光谱图像特征提取方法主要是为提升高光谱遥感图像中空间特征提取准确性而专门提出的。但显然,本说明书中所描述的特征提取方法也适用于其它成像设备如数码相机所拍摄图像的特征提取操作,所取得的有益效果也是相似的。
以上对本发明所提供的基于海面场景分类的红外遥感图像舰船检测方法进行了详细的说明,但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下,对本发明的各种改变都在本发明的范围之内。
Claims (10)
1.一种基于形态学的高光谱图像特征提取方法,包括如下步骤:
(1)对高光谱图像做主成分分析,并选取前T个主成分分量,T为大于0的整数;
(2)对选取的每一个主成分分量构造得到拓扑树;
(3)统计每个所述拓扑树的各个叶节点的属性类型,并根据属性类型,选择是否对拓扑树进行重构;
(4)计算各拓扑树叶节点属性值对应的消光值,按消光值大小对拓扑树进行剪切,得到剪切拓扑树;
(5)将剪切拓扑树重构为主成分图像,得到消光剖面特征;
其中,步骤(4)的拓扑树包括步骤(2)中的拓扑树和步骤(3)中重构得到的重构拓扑树;
所述统计每个所述拓扑树的各个叶节点的属性类型,并根据属性类型,选择是否对拓扑树进行重构,包括:
统计拓扑树的各个节点的属性值,对增性属性,在步骤(2)生成的拓扑树中计算各个领袖像素的属性,并直接采用该拓扑树来进行后续的属性值计算;对非增性属性,对步骤(2)生成的拓扑树按最小树的方法进行重构,得到重构拓扑树;
所述计算各拓扑树叶节点属性值对应的消光值,按消光值大小对拓扑树进行剪切,得到剪切拓扑树,包括:
对增性属性,计算拓扑树的消光值;对于非增性属性,计算重构的拓扑树的消光值;
消光值的计算方法为:
对拓扑树中的叶节点的属性值按从小到大的顺序,进行显著性计算,包括:
1)从当前叶节点开始往上搜索直到遇见一个分支节点为止;
2)判断分支节点与叶节点之间的属性差值是否最大,若是,即相对于当前分支节点的其他兄弟叶节点,该当前叶节点的属性值对比度,即分支节点与叶节点之间的属性差值最大,则将拓扑树当前分支节点的其他兄弟叶节点的消光值设置为所述其他兄弟叶节点的属性值的对比度,返回1)往上搜索;若否,如果相对于当前分支节点的其他兄弟叶节点,该叶节点的属性值对比度,即分支节点与叶节点之间的属性差值不是最大,则将该叶节点的属性值对比度赋值给当前叶节点的消光值;
3)重复1)-2),直至所有叶节点的消光值计算完成。
2.如权利要求1所述的基于形态学的高光谱图像特征提取方法,其特征在于:
在所述步骤(1)中,对高光谱图像进行主成分分析,选取最大的前T个特征值对应的特征矢量进行变换,得到T个主成分分量,其中T取值为1、2、3。
3.如权利要求1所述的基于形态学的高光谱图像特征提取方法,其特征在于:
在所述步骤(3)中,所述属性包括:增性属性和非增性属性。
4.如权利要求3所述的基于形态学的高光谱图像特征提取方法,其特征在于:
所述增性属性包括:面积属性、对比度属性、体积属性、包围盒属性;
所述非增性属性包括:标准差属性、圆度属性、延伸度属性。
5.如权利要求4所述的基于形态学的高光谱图像特征提取方法,其特征在于:
对于增性属性,直接计算步骤(2)得到的拓扑树中各个领袖像素的属性。
6.如权利要求4所述的基于形态学的高光谱图像特征提取方法,其特征在于:
对于非增性属性,对拓扑树按最小树的方法进行重构,得到重构拓扑树。
7.如权利要求1所述的基于形态学的高光谱图像特征提取方法,其特征在于:
对重构拓扑树中的叶节点的属性值按从小至大的顺序,进行显著性计算,具体如下:
a)从当前叶节点开始往上搜索第一个分支节点,如果没有分支节点,则跳转到步骤d);
b)在搜索到的第一个当前分支节点内,判断当前叶节点的属性值对比度是否为最大,如果是则返回步骤a),并且将当前分支节点内其他叶节点的消光值设置为其他叶节点的属性值对比度,如果否,则跳转到步骤c);
c)则将该当前叶节点的属性值对比度值赋值给当前叶节点的消光值,返回步骤a);
d)结束。
8.如权利要求1所述的基于形态学的高光谱图像特征提取方法,其特征在于:
所述步骤(4)中,计算各拓扑树叶节点属性值对应的消光值,按消光值大小对拓扑树进行剪切,仅保留k个分支节点,得到剪切拓扑树,k=3n,n为大于1的整数。
9.如权利要求8所述的基于形态学的高光谱图像特征提取方法,其特征在于:
所述n=7。
10.一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序指令,通过执行所述计算机程序实现所述权利要求1-9之一的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321054.2A CN109583479B (zh) | 2018-11-07 | 2018-11-07 | 一种基于形态学的高光谱图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321054.2A CN109583479B (zh) | 2018-11-07 | 2018-11-07 | 一种基于形态学的高光谱图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583479A CN109583479A (zh) | 2019-04-05 |
CN109583479B true CN109583479B (zh) | 2021-03-09 |
Family
ID=65921774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811321054.2A Expired - Fee Related CN109583479B (zh) | 2018-11-07 | 2018-11-07 | 一种基于形态学的高光谱图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583479B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458192B (zh) * | 2019-07-05 | 2022-06-14 | 中国地质大学(武汉) | 基于视觉显著性的高光谱遥感图像分类方法及系统 |
CN111508003B (zh) * | 2020-04-20 | 2020-12-11 | 北京理工大学 | 一种红外小目标检测跟踪及识别方法 |
CN111898423B (zh) * | 2020-06-19 | 2022-12-23 | 北京理工大学 | 一种基于形态学的多源遥感图像地物精细分类方法 |
CN112801011B (zh) * | 2021-02-07 | 2022-10-25 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN105809703B (zh) * | 2016-03-30 | 2018-10-30 | 福州大学 | 基于改进的分数阶微分及图论的粘连血细胞图像分割方法 |
CN106022358A (zh) * | 2016-05-11 | 2016-10-12 | 湖南大学 | 一种高光谱图像分类方法和装置 |
CN106203510A (zh) * | 2016-07-11 | 2016-12-07 | 南京大学 | 一种基于形态学特征和字典学习的高光谱图像分类方法 |
-
2018
- 2018-11-07 CN CN201811321054.2A patent/CN109583479B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109583479A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583479B (zh) | 一种基于形态学的高光谱图像特征提取方法 | |
Ilea et al. | Image segmentation based on the integration of colour–texture descriptors—A review | |
Zou et al. | Harf: Hierarchy-associated rich features for salient object detection | |
Çiǧla et al. | Efficient graph-based image segmentation via speeded-up turbo pixels | |
Ram et al. | Redundant wavelets on graphs and high dimensional data clouds | |
Varnousfaderani et al. | Weighted color and texture sample selection for image matting | |
Li et al. | Coda: Counting objects via scale-aware adversarial density adaption | |
CN107688830B (zh) | 一种用于案件串并的现勘视觉信息关联图层生成方法 | |
Valero et al. | Comparison of merging orders and pruning strategies for binary partition tree in hyperspectral data | |
CN107223242A (zh) | 高效的局部特征描述符过滤 | |
Sun et al. | A center-driven image set partition algorithm for efficient structure from motion | |
CN107564032A (zh) | 一种基于外观网络的视频跟踪对象分割方法 | |
Tang et al. | Deep saliency quality assessment network with joint metric | |
CN106529472A (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN106611030A (zh) | 基于视频的对象相似度比较方法和检索方法及其系统 | |
Xu et al. | Semantic segmentation of sparsely annotated 3D point clouds by pseudo-labelling | |
Wang et al. | A transformer-based mask R-CNN for tomato detection and segmentation | |
Tabb et al. | Fast and robust curve skeletonization for real-world elongated objects | |
Mishra et al. | Video shot boundary detection using dual-tree complex wavelet transform | |
Shilpa et al. | Approach for shadow detection and removal using machine learning techniques | |
Saglam et al. | An efficient object extraction with graph-based image segmentation | |
Parmar et al. | MAC-REALM: a video content feature extraction and modelling framework | |
CN114494272A (zh) | 一种基于深度学习的金属零件快速分割方法 | |
Chavate et al. | Efficient detection of abrupt transitions using statistical methods | |
CN106570123B (zh) | 基于邻接对象关联规则的遥感图像检索方法及系统 |
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 | ||
GR01 | Patent grant | ||
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: 20210309 Termination date: 20211107 |