CN110334731A - 一种光谱图像的空间信息提取方法、装置及电子设备 - Google Patents

一种光谱图像的空间信息提取方法、装置及电子设备 Download PDF

Info

Publication number
CN110334731A
CN110334731A CN201910385846.4A CN201910385846A CN110334731A CN 110334731 A CN110334731 A CN 110334731A CN 201910385846 A CN201910385846 A CN 201910385846A CN 110334731 A CN110334731 A CN 110334731A
Authority
CN
China
Prior art keywords
pixel
spectrum picture
value
spatial information
pixel value
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
Application number
CN201910385846.4A
Other languages
English (en)
Other versions
CN110334731B (zh
Inventor
周浩
张国东
袁国武
高赟
张露
陈竞
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201910385846.4A priority Critical patent/CN110334731B/zh
Publication of CN110334731A publication Critical patent/CN110334731A/zh
Application granted granted Critical
Publication of CN110334731B publication Critical patent/CN110334731B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提出一种光谱图像的空间信息提取方法、装置及电子设备，涉及光谱图像处理领域，该方法包括：获取光谱图像，根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。在压缩后的光谱图像中选取像素区域，计算像素区域中的多个像素的像素值的均值和方差，根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。由于采用基于均值和方差计算的方法从光谱图像中提取空间信息，方法本身计算量小且设计合理，从而提高了分类精度、分类结果的准确率，并具有计算量小的优点。

Description

一种光谱图像的空间信息提取方法、装置及电子设备
技术领域
本申请涉及光谱图像处理领域，具体而言，涉及一种光谱图像的空间信息提取方法、装置及电子设备。
背景技术
不论是在语音识别还是在光谱图像识别分类中，特征信息提取是否充分、准确会对识别分类的精度以及结果产生巨大的影响，因此怎样对特征信息的进行有效提取是识别分类中必须面对的问题。
目前，在光谱图像的特征信息提取领域，现有的特征信息提取方法存在着分类精度低、分类结果不准确以及计算量大的问题。
发明内容
本申请的目的在于提供一种光谱图像的空间信息提取方法、装置及电子设备，其能够提高分类精度、分类结果的准确率以及具有计算量小的优点。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种光谱图像的空间信息提取方法，包括：获取光谱图像。根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。在压缩后的光谱图像中选取像素区域。计算像素区域中的多个像素的像素值的均值和方差。根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。
第二方面，本申请实施例提供一种一种光谱图像的空间信息提取装置，包括：光谱图像获取模块、光谱图像压缩模块、区域选取模块、计算模块以及空间信息提取模块，光谱图像获取模块用于获取光谱图像。光谱图像压缩模块用于根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。区域选取模块用于在压缩后的光谱图像中选取像素区域。计算模块用于计算像素区域中的多个像素的像素值的均值和方差。空间信息提取模块用于根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。
第三方面，本申请实施例提供一种电子设备，电子设备包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现上述的光谱图像的空间信息提取方法。
相对于现有技术，本申请实施例所提供的一种光谱图像的空间信息提取方法、装置及电子设备，该方法包括：获取光谱图像，根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。在压缩后的光谱图像中选取像素区域，计算像素区域中的多个像素的像素值的均值和方差，根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。由于采用基于均值和方差计算的方法提取光谱图像的空间信息，方法本身计算量小且设计合理，从而提高了分类精度、分类结果的准确率，并具有计算量小的优点。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本申请实施例所提出的一种光谱图像的空间信息提取方法。
图2为本申请实施例所提出的表示光谱图像的三维立方体数据的示意图。
图3为本申请实施例所提出的另一种光谱图像的空间信息提取方法。
图4为本申请实施例所提出的光谱图像的维度压缩的示意图。
图5为本申请实施例所提出的选取标签像素a的像素区域A的示意图。
图6为本申请提供的提取Pavia University数据集的空间信息的流程示意图。
图7为本申请实施例提供的一种光谱图像的空间信息提取装置的示意性结构框图。
图8为本申请实施例提供的一种电子设备的结构框图。
图中：100-光谱图像的空间信息提取装置；101-光谱图像获取模块；102-光谱图像压缩模块；103-区域选取模块；104-计算模块；105-空间信息提取模块；200-电子设备；201-存储器；202-处理器；203-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，为本申请实施例所提供的一种光谱图像的空间信息提取方法。该方法的执行主体是光谱图像的空间信息提取装置，方法包括如下步骤：
步骤S100，获取光谱图像。
在本实施例中，光谱图像为由在多个光谱通道获取的图像组成的立方体图像。如图2所示，获取的光谱图像可以是一个a×b×c的三维立方体数据，其中，axb代表该光谱图像的一个光谱通道(光谱波段)获取的子图像的空间尺寸大小，即子图像有a行、b列，共计axb个像素，c代表该光谱图像具有c个光谱通道。换句话说，每个像素对应c个光谱通道，即每个像素有c个波段的像素值。
可以理解的是，本申请提出的光谱图像可以是高光谱图像或多光谱图像，其中，高光谱图像为成像波段(光谱通道)较多的光谱图像，一般有数十到数百个波段，即高光谱图像是由在较多光谱通道获取的子图像(二维数据矩阵)组成的图像(三维立方体数据)，由于高光谱图像的成像波段较多，高光谱图像具有较高的数据冗余。多光谱图像为成像波段(光谱通道)较少的光谱图像，一般有几个到十几个波段。
步骤S200，根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。
在本实施例中，通过预设的维度压缩规则对光谱图像进行处理从光谱图像中提取出了包含有主成分特征的压缩后的光谱图像，例如，根据预设的维度压缩规则对大小为a×b×c的光谱图像处理，得到a×b×d的压缩后的光谱图像，其中，a×b×d的值代表该压缩后的光谱图像包括的像素值个数，d代表压缩后的光谱图像有多少个空间尺寸为a×b的主成分数据，即d为压缩后的高光谱图像维数(光谱通道数)，并且d小于c。可以理解，由于d小于c，可以实现数据处理量地大量减少。
步骤S300，在压缩后的光谱图像中选取像素区域。
在本实施例中，光谱图像预设有标记像素，得到的压缩后的光谱图像包括与标记像素对应的标签像素。在压缩后的光谱图像中根据每个标签像素的位置选取每个标签像素对应的像素区域，可以理解，选取出来的像素区域的数量与标签像素的数量一致。
步骤S400，计算像素区域中的多个像素的像素值的均值和方差。
在本实施例中，从压缩后的光谱图像中选取的像素区域的数量有多个，每个像素区域中包括有多个像素的像素值。在选取到像素区域后，根据均值和方差计算公式计算每个像素区域中的多个像素的像素值的均值和方差。
步骤S500，根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。
在本实施例中，在获取到每个像素区域的多个像素的像素值的均值和方差后，每个像素区域均可以提取出表征空间信息的特征数据，以第一个像素区域的特征数据的提取为例，可以根据第一个像素区域的多个像素的像素值的均值和方差以及该像素区域的目标像素的像素值获得压缩后的光谱图像的表征空间信息的特征数据，其中，目标像素为像素区域的中心位置的像素。
进一步的，请参阅图3，为本申请实施例所提出的另一种光谱图像的空间信息提取方法。
步骤S200具体包括如下步骤：
步骤S201，将光谱图像转换为二维矩阵数据。
步骤S202，对二维矩阵数据进行降维处理，得到降维图像。
步骤S203，对降维图像进行尺寸变换，得到压缩后的光谱图像；其中，压缩后的光谱图像包括多张灰度图像，且每张灰度图像的空间尺寸与光谱图像的空间尺寸对应。
需要说明的是，由于高光谱图像中每个光谱通道的灰度值都非常大，在得到压缩后的光谱图像后，还可以对多张灰度图像进行归一化处理，以减少计算复杂度，增加计算的普适性，并且使得后续在根据本申请提供的方法进行分类训练时能够快速收敛。
步骤S300具体包括：步骤S301，以压缩后的光谱图像中的标签像素为中心，选取预设范围内的所有像素作为像素区域。
步骤S400具体包括如下步骤：
步骤S401，根据公式提取像素区域的多个像素的像素值的均值。
步骤S402，根据公式提取像素区域的多个像素的像素值的方差，其中，μX代表均值，Xk代表像素区域中的像素值，n代表多个像素的总数，σX代表方差，k为不大于n的正整数。
步骤S500具体包括如下步骤：
步骤S501，计算多个像素的像素值中的每个像素值与多个像素的像素值中的目标像素的像素值的差值的绝对值，其中，目标像素为像素区域的中心位置的像素。
步骤S502，从多个像素的像素值中选取绝对值不小于方差的预设倍数的像素值，作为保留像素值。
步骤S503，计算保留像素值的均值和方差，将保留像素值的均值和方差以及目标像素的像素值作为空间信息。
下面以对一个10×8×20的光谱图像进行空间信息的提取为例，对上述步骤S100～S500做进一步解释。其中，该10×8×20的光谱图像已经预先对若干感兴趣的点进行标记，得到标签点，可以理解，若干标签点的像素即为上述的标记像素。
如图4所示，首先对10×8×20的光谱图像进行矩阵变换得到一个80×20的二维矩阵。然后根据PCA降维规则对该80×20的二维矩阵进行降维处理，得到80×12的降维图像。再对该80×12的降维图像进行尺寸转换，得到10×8×12的压缩后的光谱图像。可以理解，该10×8×12的压缩后的光谱图像包括12张灰度图像，每张灰度图像的空间尺寸为10×8。在获取到压缩后的光谱图像后，对压缩后的光谱图像中的像素值进行归一化处理，以减少计算复杂度，增加本申请提供的方法的普适性。优选的，PCA降维规则将光谱图像对应的二维矩阵进行12维的降维处理。
从压缩后的光谱图像中获取与光谱图像中的标签点的位置相对应的像素点作为标签像素。以标签像素为中心，选取预设范围内的所有像素作为像素区域。如图5所示，以选取标签像素a的像素区域A为例，以标签像素a为中心，选取正方形区域内的所有像素作为像素区域A，优选的，上述的预设正方形区域可以是5×5的正方形区域。可以理解，由于压缩后的光谱图像包括12张灰度图像，在选取像素区域时，实际是在上述的12张灰度图像中选取。
需要说明的是，如果该标签像素的位置正好位于图像的边缘部分，选取预设范围内的所有像素过程中存在有些像素不存在时，可以用一预设值填充不存在的像素的像素值，从而实现对边缘部分的标签像素的像素区域的选取。优选的，该预设值为0。
在获取到所有标签像素的像素区域后，对每个像素区域中的多个像素的像素值进行均值和方差的计算。以对一个5×5像素区域中的多个像素的像素值进行均值和方差的计算为例，根据公式计算该像素区域的多个像素的像素值的均值，根据公式计算该像素区域的多个像素的像素值的方差，其中，μX代表均值，Xk代表像素区域中的像素值，n代表多个像素的总数，σX代表方差，k为不大于n的正整数。
在计算出每个像素区域中的多个像素的像素值的均值和方差后，从每个像素区域中的多个像素的像素值中选取绝对值不小于方差的预设倍数的像素值，作为保留像素值，并计算保留像素值的均值和方差，将保留像素值的均值和方差以及目标像素的像素值作为空间信息。
以获取一个5×5像素区域中的保留像素值并计算保留像素值的均值和方差为例，计算该5x5像素区域中每个像素的像素值与中心像素的像素值(目标像素的像素值)相减的绝对值，得到多个计算结果。从上述的多个计算结果中选取绝对值不小于方差的预设倍数的像素值，作为保留像素值。优选的，预设倍数为0.05。
可以理解，在从每个像素区域中获取保留像素值，并计算保留像素值的均值和方差并将保留像素值的均值和方差以及目标像素的像素值作为空间信息之后，每个像素区域都会对应一组表征空间信息的数据(保留像素值的均值和方差以及目标像素的像素值)，因此，空间信息包括多组数据，每组数据表征其对应的像素区域(即标签像素)的空间信息。
可以理解，在上述举例中，通过PCA降维以及尺寸变换形成了12维光谱信息，也就是上述的12张灰度图像，因为每一维的光谱信息不同，所以计算出来的均值和方差也就不同。要提取空间信息就要重复计算12张灰度图像中的每张灰度图像进行处理，最后将得到的多组数据合到一起形成一个整体空间信息，代表该光谱图像的空间信息，即最后提取的空间信息由上述的多组数据代表。
为了直观地展现本申请提供的光谱图像的空间信息提取方法，下面以提取PaviaUniversity(帕维亚大学)数据集的空间信息为例，对上述方法做进一步解释。
请参照图6，为本申请提供的提取Pavia University数据集的空间信息的流程示意图。Pavia University数据集是一个610x340x103的立方体，先把该立方体数据转化成207400x103的二维矩阵，然后通过PCA降维，将207400x103二维矩阵变成207400x3的二维矩阵，再把207400x3的矩阵变成610x340x3三维立方体数据，之后对每一维数据进行像素区域的选取，最后计算每一维相应的均值和方差，结合每个像素区域的中心点像素值，从而得到Pavia University数据集空间信息。
需要说明的时，本申请还可以将获取的空间信息及其对应的预设有标签的光谱图像作为训练数据，输入SVM(支持向量机，Support Vector Machine)分类器中进行训练。在训练结束后的分类识别阶段，将未知标签的光谱图像样本作为输入数据，再按本申请提供的方法提取空间信息，并输入到训练后的SVM分类识别器进行识别，从而实现未知标签的光谱图像样本的分类识别。
进一步的，本申请还将本申请提出的光谱图像的空间信息提取方法与现有的几种基于深度学习的高光谱光谱图像的空间信息提取方法进行实验对比，得到了如下表1所示的对比数据，其中，现有的几种基于深度学习的高光谱光谱图像的空间信息提取方法为学术论文(孙巧巧.基于深度学习的高光谱图像分类及参数设置研究[D].青岛科技大学,2018.)中提出的“空间信息+DBN(深度信念网络，Deep Belief Network)”以及“空间信息+CNN(卷积神经网络，Convolutional Neural Networks)”。实验对比基于的环境为：64位14.04版本的Ubuntu系统、TITAN X Pascal(显卡型号)、TensorFlow(框架)、Anaconda3(编译环境)、python(编写语言)，实验对比基于的数据集为Pavia University数据集，实验对比的规则为：不同的空间信息提取方法都选择30％的数据作为训练，70％的数据作为测试。并且，本申请提出的光谱图像的空间信息提取方法采用的PCA降维规则为12维降维。
表1
由表1可知，对比表1中不同的空间信息提取方法对应的分类精度值可知，空间信息+DBN得到的分类精度值为85.86％，空间信息+CNN得到的分类精度值为91.42％，本发明提出的方法的分类精度值为97.6516％，因此，本申请提供的光谱图像的空间信息提取方法能更充分的提取有用的空间信息特征，有利于高光谱图像的分类，同时也提高了分类精度。
请参阅图7，为本申请实施例提供的一种光谱图像的空间信息提取装置100的示意性结构框图。需要说明的是，本实施例所提供的光谱图像的空间信息提取装置100，其基本原理及产生的技术效果与前述方法实施例相同，为简要描述，本实施例中未提及部分，可参考前述方法实施例中的相应内容。该装置包括光谱图像获取模块101、光谱图像压缩模块102、区域选取模块103、计算模块104以及空间信息提取模块105。
该光谱图像获取模块101用于获取光谱图像。
可以理解的是，该光谱图像获取模块101可以执行上述步骤S100。
该光谱图像压缩模块102用于根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。
可以理解的是，该光谱图像压缩模块102可以执行上述步骤S200。
该区域选取模块103用于在压缩后的光谱图像中选取像素区域，具体的，该区域选取模块103用于以压缩后的光谱图像中的标签像素为中心，选取预设范围内的所有像素作为像素区域。
可以理解的是，该区域选取模块103可以执行上述步骤S300、步骤S301。
该计算模块104用于计算像素区域中的多个像素的像素值的均值和方差。
可以理解的是，该计算模块104可以执行上述步骤S400。
该空间信息提取模块105用于根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。
可以理解的是，该空间信息提取模块105可以执行上述步骤S500。
进一步的，该光谱图像压缩模块102在根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像时，具体用于：将光谱图像转换为二维矩阵数据；对二维矩阵数据进行降维处理，得到降维图像，对降维图像进行尺寸转换，最终得到压缩后的光谱图像；其中，压缩后的光谱图像包括多张灰度图像，且每张灰度图像的空间尺寸与光谱图像的空间尺寸对应。需要说明的是，该光谱图像压缩模块102还可以用于对上述的多张灰度图像进行归一化处理。
可以理解的是，该光谱图像压缩模块102可以执行上述步骤S201、步骤S202、步骤S203。
进一步的，该计算模块104在计算像素区域中的多个像素的像素值的均值和方差时，具体用于：根据公式提取像素区域的多个像素的像素值的均值；根据公式提取像素区域的多个像素的像素值的方差，其中，μX代表均值，Xk代表像素区域中的像素值，n代表多个像素的总数，σX代表方差，k为不大于n的正整数。
可以理解的是，该计算模块104可以执行上述步骤S401、步骤S402。
进一步的，该空间信息提取模块105在根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息时，具体用于：计算多个像素的像素值中的每个像素值与多个像素的像素值中的目标像素的像素值的差值的绝对值，其中，目标像素为像素区域的中心位置的像素；从多个像素的像素值中选取绝对值不小于方差的预设倍数的像素值，作为保留像素值；计算保留像素值的均值和方差，将保留像素值的均值和方差以及目标像素的像素值作为空间信息。
可以理解的是，该空间信息提取模块105可以执行上述步骤S501、步骤S502以及步骤S503。
请参阅图8，图8为本申请实施例提供的一种电子设备200的结构框图。电子设备包括存储器201、处理器202和通信接口203，该存储器201、处理器202和通信接口203相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器201可用于存储软件程序及模块，如本申请实施例所提供的光谱图像的空间信息提取装置100对应的程序指令/模块，处理器202通过执行存储在存储器201内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口203可用于与其他节点设备进行信令或数据的通信。
其中，存储器201可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器202可以是一种集成电路芯片，具有信号处理能力。该处理器202可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图8所示的结构仅为示意，该电子设备200还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上，本申请实施例所提供的一种光谱图像的空间信息提取方法、装置及电子设备，该方法包括：获取光谱图像，根据预设的维度压缩规则对光谱图像进行处理，得到压缩后的光谱图像。在压缩后的光谱图像中选取像素区域，计算像素区域中的多个像素的像素值的均值和方差，根据多个像素的像素值的均值和方差提取压缩后的光谱图像的空间信息。由于采用基于均值和方差计算的方法提取光谱图像的空间信息，方法本身计算量小且设计合理，从而提高了分类精度、分类结果的准确率，并具有计算量小的优点。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种光谱图像的空间信息提取方法，其特征在于，包括：
获取光谱图像；
根据预设的维度压缩规则对所述光谱图像进行处理，得到压缩后的光谱图像；
在所述压缩后的光谱图像中选取像素区域；
计算所述像素区域中的多个像素的像素值的均值和方差；
根据所述多个像素的像素值的均值和方差提取所述压缩后的光谱图像的空间信息。
2.根据权利要求1所述的光谱图像的空间信息提取方法，其特征在于，所述根据所述多个像素的像素值的均值和方差提取所述压缩后的光谱图像的空间信息的步骤包括：
计算所述多个像素的像素值中的每个像素值与目标像素的像素值的差值的绝对值，其中，所述目标像素为所述像素区域的中心位置的像素；
从所述多个像素的像素值中选取所述绝对值不小于所述方差的预设倍数的像素值，作为保留像素值；
计算所述保留像素值的均值和方差，将所述保留像素值的均值和方差以及所述目标像素的像素值作为所述空间信息。
3.根据权利要求1所述的光谱图像的空间信息提取方法，其特征在于，所述计算所述像素区域中的多个像素的像素值的均值和方差的步骤包括：
根据公式提取所述像素区域的多个像素的像素值的均值；
根据公式提取所述像素区域的多个像素的像素值的方差；其中，μX代表均值，Xk代表所述像素区域中的像素值，n代表所述多个像素的总个数，σX代表方差，k为不大于n的正整数。
4.根据权利要求1所述的光谱图像的空间信息提取方法，其特征在于，所述光谱图像预设有标记像素，所述压缩后的光谱图像包括与所述标记像素对应的标签像素，所述在所述压缩后的光谱图像中选取像素区域的步骤包括：
以所述压缩后的光谱图像中的标签像素为中心，选取预设范围内的所有像素作为所述像素区域。
5.根据权利要求1所述的光谱图像的空间信息提取方法，其特征在于，所述根据预设的维度压缩规则对所述光谱图像进行处理，得到压缩后的光谱图像的步骤包括：
将所述光谱图像转换为二维矩阵数据；
对所述二维矩阵数据进行降维处理，得到降维图像；
对所述降维图像进行尺寸转换，得到所述压缩后的光谱图像；其中，所述压缩后的光谱图像包括多张灰度图像，且每张所述灰度图像的空间尺寸与所述光谱图像的空间尺寸对应。
6.根据权利要求5所述的光谱图像的空间信息提取方法，其特征在于，所述根据预设的维度压缩规则对所述光谱图像进行处理，得到压缩后的光谱图像的步骤之后，所述方法还包括：
对所述多张灰度图像进行归一化处理。
7.一种光谱图像的空间信息提取装置，其特征在于，包括：
光谱图像获取模块，用于获取光谱图像；
光谱图像压缩模块，用于根据预设的维度压缩规则对所述光谱图像进行处理，得到压缩后的光谱图像；
区域选取模块，用于在所述压缩后的光谱图像中选取像素区域；
计算模块，用于计算所述像素区域中的多个像素的像素值的均值和方差；
空间信息提取模块，用于根据所述多个像素的像素值的均值和方差提取所述压缩后的光谱图像的空间信息。
8.根据权利要求7所述的光谱图像的空间信息提取装置，其特征在于，所述空间信息提取模块用于计算所述多个像素的像素值中的每个像素值与目标像素的像素值的差值的绝对值，其中，所述目标像素为所述像素区域的中心位置的像素；
所述空间信息提取模块还用于从所述多个像素的像素值中选取所述绝对值不小于所述方差的预设倍数的像素值，作为保留像素值；
所述空间信息提取模块还用于计算所述保留像素值的均值和方差，将所述保留像素值的均值和方差以及所述目标像素的像素值作为所述空间信息。
9.根据权利要求7所述的光谱图像的空间信息提取装置，其特征在于，所述计算模块用于根据公式提取所述像素区域的多个像素的像素值的均值；根据公式提取所述像素区域的多个像素的像素值的方差；其中，μX代表均值，Xk代表所述像素区域中的像素值，n代表所述多个像素的总数，σX代表方差，k为不大于n的正整数。
10.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
CN201910385846.4A 2019-05-09 2019-05-09 一种光谱图像的空间信息提取方法、装置及电子设备 Expired - Fee Related CN110334731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910385846.4A CN110334731B (zh) 2019-05-09 2019-05-09 一种光谱图像的空间信息提取方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385846.4A CN110334731B (zh) 2019-05-09 2019-05-09 一种光谱图像的空间信息提取方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110334731A true CN110334731A (zh) 2019-10-15
CN110334731B CN110334731B (zh) 2022-04-12

Family

ID=68139954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385846.4A Expired - Fee Related CN110334731B (zh) 2019-05-09 2019-05-09 一种光谱图像的空间信息提取方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110334731B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037183A (zh) * 2020-08-12 2020-12-04 深圳大学 2d saxs图谱计算方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1633159A (zh) * 2005-01-26 2005-06-29 北京中星微电子有限公司 一种去除图像噪声的方法
US20090060354A1 (en) * 2007-08-28 2009-03-05 Jing Xiao Reducing Compression Artifacts in Multi-Layer Images
CN103310227A (zh) * 2012-03-16 2013-09-18 上海联影医疗科技有限公司 基于神经网络的自动窗宽窗位提取方法
US20150363664A1 (en) * 2014-06-13 2015-12-17 Nokia Corporation Method, Apparatus and Computer Program Product for Image Processing
CN107871132A (zh) * 2017-10-31 2018-04-03 广东交通职业技术学院 一种空间特征自适应寻优的高光谱图像分类方法
CN109598284A (zh) * 2018-10-23 2019-04-09 广东交通职业技术学院 一种基于大间隔分布和空间特征的高光谱图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1633159A (zh) * 2005-01-26 2005-06-29 北京中星微电子有限公司 一种去除图像噪声的方法
US20090060354A1 (en) * 2007-08-28 2009-03-05 Jing Xiao Reducing Compression Artifacts in Multi-Layer Images
CN103310227A (zh) * 2012-03-16 2013-09-18 上海联影医疗科技有限公司 基于神经网络的自动窗宽窗位提取方法
US20150363664A1 (en) * 2014-06-13 2015-12-17 Nokia Corporation Method, Apparatus and Computer Program Product for Image Processing
CN107871132A (zh) * 2017-10-31 2018-04-03 广东交通职业技术学院 一种空间特征自适应寻优的高光谱图像分类方法
CN109598284A (zh) * 2018-10-23 2019-04-09 广东交通职业技术学院 一种基于大间隔分布和空间特征的高光谱图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙巧巧: "基于深度学习的高光谱图像分类及参数设置研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037183A (zh) * 2020-08-12 2020-12-04 深圳大学 2d saxs图谱计算方法及装置
CN112037183B (zh) * 2020-08-12 2023-07-28 深圳大学 2d saxs图谱计算方法及装置

Also Published As

Publication number Publication date
CN110334731B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN111310731B (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
WO2020228446A1 (zh) 模型训练方法、装置、终端及存储介质
CN109255392B (zh) 基于非局部神经网络的视频分类方法、装置及设备
CN109960742B (zh) 局部信息的搜索方法及装置
CN109858333B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN109684969B (zh) 凝视位置估计方法、计算机设备及存储介质
CN111680678B (zh) 目标区域识别方法、装置、设备及可读存储介质
US11900596B2 (en) Method, device, and storage medium for weakly-supervised universal lesion segmentation with regional level set loss
CN112488923A (zh) 图像超分辨率重建方法、装置、存储介质及电子设备
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN112883227B (zh) 一种基于多尺度时序特征的视频摘要生成方法和装置
Bryner et al. Affine-invariant, elastic shape analysis of planar contours
CN115205933A (zh) 面部表情识别方法、装置、设备及可读存储介质
CN110334731A (zh) 一种光谱图像的空间信息提取方法、装置及电子设备
CN114049491A (zh) 指纹分割模型训练、指纹分割方法、装置、设备及介质
Sakurai et al. Restoring aspect ratio distortion of natural images with convolutional neural network
CN116310462B (zh) 一种基于秩约束自表示的图像聚类方法及装置
JP6151908B2 (ja) 学習装置、識別装置、およびそのプログラム
Cetindag et al. Transfer Learning Methods for Using Textural Features in Histopathological Image Classification
Gao et al. Information fusion via deep cross-modal factor analysis
CN111369564B (zh) 一种图像处理的方法、模型训练的方法及装置
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备
Hammer et al. How to visualize large data sets?
CN113032622A (zh) 一种新型医学视频图像采集和数据管理系统
CN116758618B (zh) 图像识别方法、训练方法、装置、电子设备及存储介质

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

Granted publication date: 20220412

CF01 Termination of patent right due to non-payment of annual fee