CN110163874B - 基于同质区域分割的双边滤波算法 - Google Patents
基于同质区域分割的双边滤波算法 Download PDFInfo
- Publication number
- CN110163874B CN110163874B CN201910421967.XA CN201910421967A CN110163874B CN 110163874 B CN110163874 B CN 110163874B CN 201910421967 A CN201910421967 A CN 201910421967A CN 110163874 B CN110163874 B CN 110163874B
- Authority
- CN
- China
- Prior art keywords
- pixel
- homogeneous
- processed
- bilateral filtering
- input 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于同质区域分割的双边滤波算法,首先利用高光谱图像内各像素的物理特征在空间上的连续性,将高光谱图像分割成若干个光谱相似的同质区域,然后对每一个同质区域内的各像素依次进行双边滤波,最终得到输出图像。因此极大的降低了像素对应的双边滤波模板内非结构相似像素的数量,双边滤波模板内各像素结构相似度较高,从而极大减少了非结构相似像素的权重分配,减少了非结构相似像素对双边滤波输出值负面影响较大的问题,输出图像内的边界较为明显,对比度好。
Description
技术领域
本发明涉及高光谱图像处理领域,尤其是涉及基于同质区域分割的双边滤波算法。
背景技术
随着科学技术的发展,高光谱遥感技术得到了巨大的发展。高光谱数据可表示为高光谱数据立方体,是三维数据结构。高光谱数据可视为三维图像,在普通二维图像之外又多了一维光谱信息。其空间图像描述地表的二维空间特征,其光谱维揭示了图像每一像元的光谱曲线特征,由此实现了遥感数据空间维与光谱维信息的有机融合。高光谱遥感图像含有丰富的光谱信息,可以提供空间域信息和光谱域信息,具有“图谱合一”的特点,可以实现对地物精确的辨别与细节提取,对于认识客观世界提供了有利条件。由于高光谱图像独有的特点,高光谱遥感技术已经广泛的应用在不同的领域。在民用领域,高光谱遥感影像已经被用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计、农作物分析等方面。高光谱遥感技术已经广泛的应用于人们的日常生活中。因此,设计实用高效的高光谱图像分类方法,已经成为现代社会必不可少的科技需求。
双边滤波算法是一种非线性滤波器,它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样,双边滤波算法也是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,所用的加权平均基于高斯分布。双边滤波算法的具体公式如下:
其中,
ωs,t表示模板Ns内像素t的权重,Ns表示窗口大小为(2δα+1)×(2δα+1)的模板,s表示模板Ns中心像素位置,t表示模板Ns任意像素的位置,Is和It分别表示位置s和t的像素值,δα和δγ分别表示高斯滤波标准差和高斯滤波模糊度,是空间距离函数,是像素值之差函数,这两个函数使用高斯递减函数来定义:
综上,双边滤波算法是结合图像的空间近邻度和像素值相似度的一种折衷处理,相对基于扩散的滤波来说,具有简单、非迭代、局部的特点,双边滤波算法通过空间距离和像素值之差加权限制非结构相似像素的影响,所以在边缘附近,离得较远的像素不会太多影响到边缘上的像素值,然而,这样会存在以下问题:
1、滤波模板内非结构相似像素与中心像素的空间距离越小,则该非结构相似像素对中心像素滤波输出值影响越大,也就是说,中心像素的滤波输出值所包含该非结构相似像素的特征越多;
2、滤波模板内所有的非结构相似像素都被进行权重分配,随着滤波模板内的非结构相似像素数量变多,中心像素的滤波输出值会收到更大的影响。
发明内容
本发明提供了基于同质区域分割的双边滤波算法,用于解决现有双边滤波算法滤波模板内中心像素包含过多非相似结构像素特征的问题。
实现本发明所用的技术特征为:
基于同质区域分割的双边滤波算法,包括如下步骤:
(1)输入图像;
(2)对输入图像进行分割得到A个同质区域,其中,A为正整数;
(3)将其中一个同质区域选为待处理同质区域;
(4)将待处理同质区域中的一个像素选为中心像素s;
(5)在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的模板Ns,对模板Ns内的像素进行双边滤波,得到中心像素s的处理像素值Os:
其中,
ωs,t表示像素t的权重,s为中心像素,t表示模板Ns内的任意像素,Is表示中心像素s的像素值,It分别表示任意像素t的像素值,δγ表示高斯滤波模糊度,是s和t的空间距离函数,是s和t的像素值之差函数;
(6)将待处理同质区域的下一个像素选为新的中心像素s,执行步骤(5),得到该像素对应的处理像素值;
(7)重复步骤(6)直到待处理同质区域内每个像素均作为中心像素,得到待处理同质区域内每个像素对应的处理像素值;
(8)将下一个同质区域选为新的待处理同质区域,执行步骤(4)~(7),得到该同质区域内每个像素的处理像素值;
(9)重复步骤(8)直到图像内A个同质区域均作为待处理同质区域,得到图像内每个像素对应的处理像素值。
进一步的,所述步骤(2)对输入图像进行分割所采用的算法为ERS算法。
进一步的,在所述步骤(2)中,将输入图像进行分割后,还依次对各同质区域内的像素数量进行统计。
有益效果:
本发明提供的基于同质区域分割的双边滤波算法,首先利用高光谱图像内各像素的物理特征在空间上的连续性,将高光谱图像分割成若干个光谱相似的同质区域,然后对每一个同质区域内的像素进行双边滤波,因此对输入图像内的每个像素进行双边滤波时,极大的降低了像素对应的双边滤波模板内非结构相似像素的数量,双边滤波模板内各像素结构相似度较高,从而极大减少了非结构相似像素的权重分配,减少了非结构相似像素对双边滤波输出值负面影响较大的问题,输出图像内的边界较为明显,对比度好。
附图说明
下面结合附图及具体实施例对本发明作进一步说明,其中:
图1是本发明的基本流程示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
如图1所示,基于同质区域分割的双边滤波算法,包括如下步骤:
(1)输入图像;
(2)对输入图像按光谱相似度进行分割得到A个同质区域,其中,A为正整数,在划分过程中,输入图像可能存在不相接的两个或者以上区域内光谱相似度一致,这些光谱相似度一致的区域都被划分成不同的同质区域,即各同质区域为像素的组合,并且各同质区域内的组成像素在空间上是连续的,经分割后,同一同质区域内的各像素在光谱相似度较高,而与该同质区域相接的各同质区域与该同质区域内的像素的光谱相似度很低;
(3)将输入图像分割得到的若干个同质区域任选一个同质区域选为待处理同质区域,此处并不限定同质区域的选取顺序;
(4)将待处理同质区域中的一个像素选为中心像素s;
(5)在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的模板Ns,对模板Ns内的像素进行双边滤波,得到中心像素s的处理像素值Os:
其中,
ωs,t表示像素t的权重,s为模板Ns内的中心像素,t表示模板Ns内的任意像素,Is表示中心像素s的像素值,It分别表示任意像素t的像素值,δγ表示高斯滤波模糊度,是s和t的空间距离函数,是s和t的像素值之差函数;
(6)将待处理同质区域的下一个像素选为新的中心像素s,执行步骤(5),得到该像素对应的处理像素值;
(7)重复步骤(6)直到待处理同质区域内每个像素均作为中心像素,得到待处理同质区域内每个像素对应的处理像素值;
(8)将下一个同质区域选为新的待处理同质区域,执行步骤(4)~(7),得到该同质区域内每个像素的处理像素值,不同的同质区域所包含的像素可能不同,因此对不同的同质区域进行处理时,步骤(4)~(7)重复的次数也会不同;
(9)重复步骤(8)直到图像分割得到的若干个同质区域均依次作为待处理同质区域,得到图像内每个像素对应的处理像素值;
(10)将输入图像内每个像素对应的处理像素值输出组合得到输出图像。
优选的,所述步骤(2)采用熵率超像素分割算法对输入图像进行分割,熵率超像素分割算法也叫ERS算法。
优选的,在所述步骤(2)中,将输入图像进行分割后,还依次对各同质区域内的像素数量进行统计。以便于从像素数量上判别所划分的各同质区域大小是否合理。
本发明提供的基于同质区域分割的双边滤波算法在高光谱图像空谱特征提取中的应用如下:
对维数为d,像素总数为n的高光谱图像I=(I1,I2,...,In)∈Rdxn按如下步骤进行处理,设定的高斯滤波标准差为δα、高斯滤波模糊度为δγ,其中,d、n为正整数;
A)将高光谱I的第i帧(1≤i≤d)输入基于高光谱遥感图像分割的双边滤波器;
B)采用ERS算法对第i帧进行同质区域分割,得到A个同质区域,其中,A为正整数;
C)将第i帧的第j个同质区域(1≤j≤A)作为待处理同质区域,其中,j为正整数;
D)统计并得到待处理同质区域内的像素数量B,其中,B为正整数;
E)将待处理同质区域的第k个像素(1≤k≤B)作为中心像素s,其中,k为正整数;
F)通过公式①得到中心像素s的处理像素值Os;
G)将待处理同质区域的下一个像素作为中心像素s,重复步骤F),直至处理完待处理区域内的所有像素,按每一个像素的处理像素值Os得到待处理同质区域的特征成分Oj;
H)将第i帧的下一个同质区域作为待处理同质区域,重复步骤D)~G),的直至处理完第i帧内所有的同质区域,按每一个同质区域的特征成分Oj得到第i帧的特征成分Oj;
I)对高光谱I的下一帧重复步骤A)~H),直至处理完高光谱I内所有的帧,按每一帧的特征成分得到高光谱I的特征成分O=(O1,O2,…On)∈Rd×n。
本发明提供的基于同质区域分割的双边滤波算法,首先利用高光谱图像内各像素的物理特征在空间上的连续性,将高光谱图像分割成若干个光谱相似的同质区域,然后对每一个同质区域内的像素进行双边滤波,因此对输入图像内的每个像素进行双边滤波时,极大的降低了像素对应的双边滤波模板内非结构相似像素的数量,双边滤波模板内各像素结构相似度较高,从而极大减少了非结构相似像素的权重分配,减少了非结构相似像素对双边滤波输出值负面影响较大的问题,输出图像内的边界较为明显,对比度好。
需要说明的是,以上所述只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (3)
1.基于同质区域分割的双边滤波算法,其特征在于,包括如下步骤:
(1)输入图像,所述输入图像为高光谱图像;
(2)对输入图像按光谱相似度进行分割得到A个同质区域,其中,A为正整数;
(3)将其中一个同质区域选为待处理同质区域;
(4)将待处理同质区域中的一个像素选为中心像素s;
(5)在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的模板Ns,对模板Ns内的像素进行双边滤波,得到中心像素s的处理像素值Os:
其中,
(6)将待处理同质区域的下一个像素选为新的中心像素s,执行步骤(5),得到该像素对应的处理像素值;
(7)重复步骤(6)直到待处理同质区域内每个像素均作为中心像素,得到待处理同质区域内每个像素对应的处理像素值;
(8)将下一个同质区域选为新的待处理同质区域,执行步骤(4)~(7),得到该同质区域内每个像素的处理像素值;
(9)重复步骤(8)直到输入图像内A个同质区域均作为待处理同质区域,得到输入图像内每个像素对应的处理像素值;
(10)将输入图像内每个像素对应的处理像素值输出组合得到输出图像。
2.如权利要求1所述的基于同质区域分割的双边滤波算法,其特征在于:
所述步骤(2)采用熵率超像素分割算法对输入图像进行分割。
3.如权利要求1或2所述的基于同质区域分割的双边滤波算法,其特征在于:
在所述步骤(2)中,将输入图像进行分割后,还依次对各同质区域内的像素数量进行统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421967.XA CN110163874B (zh) | 2019-05-21 | 2019-05-21 | 基于同质区域分割的双边滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421967.XA CN110163874B (zh) | 2019-05-21 | 2019-05-21 | 基于同质区域分割的双边滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163874A CN110163874A (zh) | 2019-08-23 |
CN110163874B true CN110163874B (zh) | 2022-05-20 |
Family
ID=67631492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910421967.XA Active CN110163874B (zh) | 2019-05-21 | 2019-05-21 | 基于同质区域分割的双边滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163874B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3937492A1 (en) * | 2020-07-07 | 2022-01-12 | Google LLC | Alpha channel post processing in image coding |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651783A (zh) * | 2016-09-29 | 2017-05-10 | 厦门美图之家科技有限公司 | 图像滤波方法及装置 |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
CN109615599A (zh) * | 2018-12-13 | 2019-04-12 | 钦州学院 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
-
2019
- 2019-05-21 CN CN201910421967.XA patent/CN110163874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651783A (zh) * | 2016-09-29 | 2017-05-10 | 厦门美图之家科技有限公司 | 图像滤波方法及装置 |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
CN109615599A (zh) * | 2018-12-13 | 2019-04-12 | 钦州学院 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
Non-Patent Citations (2)
Title |
---|
Entropy Rate Superpixel Segmentation;Ming-Yu Liu等;《CVPR 2011》;20110822;第2097-2104页 * |
SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery;Junjun Jiang等;《https://arxiv.org/abs/1806.09807》;20180915;第1-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163874A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN106548160A (zh) | 一种人脸微笑检测方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
Gui et al. | A new method for soybean leaf disease detection based on modified salient regions | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
Bhagat et al. | Eff-UNet++: A novel architecture for plant leaf segmentation and counting | |
CN111881933A (zh) | 一种高光谱图像分类方法及系统 | |
Chen et al. | A new process for the segmentation of high resolution remote sensing imagery | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
CN116843975A (zh) | 结合空间金字塔注意力机制的高光谱图像分类方法 | |
CN110163874B (zh) | 基于同质区域分割的双边滤波算法 | |
Honawad et al. | Soil classification and suitable crop prediction | |
Ouzounis et al. | Interactive collection of training samples from the max-tree structure | |
CN106228553A (zh) | 高分辨率遥感图像阴影检测装置与方法 | |
He et al. | Effective haze removal under mixed domain and retract neighborhood | |
CN104899875A (zh) | 一种基于积分匹配的快速图像协同显著区域监测方法 | |
CN115456886A (zh) | 一种基于深度学习和光照模型的航空遥感影像阴影去除方法 | |
CN109949320B (zh) | 基于熵与互信息的高光谱图像超像元分割方法 |
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 |