CN112330620A - 一种高光谱图像虚拟维数估计方法 - Google Patents

一种高光谱图像虚拟维数估计方法 Download PDF

Info

Publication number
CN112330620A
CN112330620A CN202011184925.8A CN202011184925A CN112330620A CN 112330620 A CN112330620 A CN 112330620A CN 202011184925 A CN202011184925 A CN 202011184925A CN 112330620 A CN112330620 A CN 112330620A
Authority
CN
China
Prior art keywords
image
hyperspectral image
covariance matrix
noise
calculating
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
CN202011184925.8A
Other languages
English (en)
Inventor
孙康
陈金勇
李方方
王敏
王士成
帅通
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202011184925.8A priority Critical patent/CN112330620A/zh
Publication of CN112330620A publication Critical patent/CN112330620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高光谱图像虚拟维数估计方法，属于遥感图像处理领域。其包括以下步骤：计算高光谱图像的协方差矩阵；计算高光谱图像的噪声协方差矩阵；根据图像协方差矩阵及噪声协方差矩阵，分别计算特征值向量；计算噪声协方差矩阵特征值向量的平均值；对图像协方差矩阵特征值向量进行从大到小排序；依次对比图像协方差矩阵的各个特征值与前述平均值的大小关系，大于等于平均值的特征值的数目即为高光谱图像的虚拟维数。本发明在进行高光谱图像虚拟维数估计时考虑了图像的噪声因素，能够减小噪声对虚拟维数估计的影响；同时，本发明方法无需任何参数设置，可实现自动化估计。

Description

一种高光谱图像虚拟维数估计方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种高光谱图像虚拟维数估计方法。
背景技术
高光谱遥感光谱分辨率可达到纳米级，所获取的数据能够提供丰富的地物细节，在国民经济各领域获得了广泛应用。高光谱图像各波段间存在较高的相关性和冗余度，这使得估计高维数据的空间分布变得更加困难，数据量急剧增大导致计算量增加，因而通过降低数据维数来提取出有用的特征显得十分必要。维数降低到何种程度才能既反映出了高维数据的本质特性，又最大化的除去了数据的冗余信息已成为广泛关注的问题，该问题即为高光谱图像虚拟维数估计问题。
虚拟维数的估算目前已经有了一定的研究，其中大部分方法对图像的噪声影响考虑较少，同时需要一定的人工参数，导致不能自动的进行虚拟维数的估计。因此，研究自动化的高光谱影像虚拟维数估计问题具有重要意义。
发明内容
本发明的目的在于提供对噪声不敏感、自动化的一种高光谱图像虚拟维数估计方法，其通过比较图像的协方差矩阵和噪声协方差矩阵的特征值的关系，获取高光谱影像虚拟维数的估计。
本发明采用的技术方案为：
一种高光谱图像虚拟维数估计方法，包括以下步骤：
步骤1，计算高光谱图像的协方差矩阵K，所述高光谱图像的总波段数为L；
步骤2，计算高光谱图像的噪声协方差矩阵Q；
步骤3，根据协方差矩阵K及噪声协方差矩阵Q，分别计算特征值向量
Figure BDA0002751140640000011
和
Figure BDA0002751140640000012
步骤4，计算
Figure BDA0002751140640000013
的平均值
Figure BDA0002751140640000014
步骤5，对特征值
Figure BDA0002751140640000015
进行从大到小排序；
步骤6，依次对比
Figure BDA0002751140640000016
中各个特征值与
Figure BDA0002751140640000017
的大小关系，将
Figure BDA0002751140640000018
中特征值大于等于
Figure BDA0002751140640000021
的特征值的数目记为n，该数目n即为高光谱图像的虚拟维数。
进一步的，所述步骤1的具体方式为：
步骤1a，将第i个波段的高光谱图像记为
Figure BDA0002751140640000022
其中，w,h分别为高光谱图像的宽和高；
步骤1b，按照下式计算高光谱图像的协方差矩阵K：
Figure BDA0002751140640000023
其中，kij为高光谱图像中第i波段图像
Figure BDA0002751140640000024
和第j波段图像
Figure BDA0002751140640000025
的内积。
进一步的，所述步骤2的具体方式为：
步骤2a，将第i个波段的高光谱图像记为
Figure BDA0002751140640000026
其中，w,h分别为高光谱图像的宽和高；
步骤2b，对第i个波段的高光谱图像
Figure BDA0002751140640000027
估计其噪声图像Si：
Figure BDA0002751140640000028
其中，
Figure BDA0002751140640000029
和
Figure BDA00027511406400000210
分别为将
Figure BDA00027511406400000211
沿水平方向和竖直方向平移一个像素后的图像；
步骤2c，重复步骤2b，直至获得L个波段的噪声图像S1,S2,…,SL：
步骤2d，计算L个噪声图像S1,S2,…,SL的协方差矩阵Q：
Figure BDA00027511406400000212
其中，qij为高光谱图像中第i波段噪声图像Si和第j波段噪声图像Sj的内积。
本发明具有如下优点：
(1)本发明在进行高光谱图像虚拟维数估计时考虑了图像的噪声因素，能够减小噪声对虚拟维数估计的影响；
(2)本发明无需任何参数设置，估计过程不需要人工干预，可实现自动化估计。
附图说明
图1为本发明实施例中估计方法的整体流程图。
图2为高光谱图像协方差矩阵的特征值与噪声协方差矩阵平均特征值的对比关系。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步的详细说明。
如图1所示，一种高光谱图像虚拟维数估计方法，包括以下步骤：
步骤1，计算高光谱图像的协方差矩阵K，所述高光谱图像的总波段数为L；
步骤2，计算高光谱图像的噪声协方差矩阵Q；
步骤3，根据协方差矩阵K及噪声协方差矩阵Q，分别计算特征值向量
Figure BDA0002751140640000031
和
Figure BDA0002751140640000032
步骤4，计算
Figure BDA0002751140640000033
的平均值
Figure BDA0002751140640000034
步骤5，对特征值
Figure BDA0002751140640000035
进行从大到小排序；
步骤6，依次对比
Figure BDA0002751140640000036
中各个特征值与
Figure BDA0002751140640000037
的大小关系，将
Figure BDA0002751140640000038
中特征值大于等于
Figure BDA0002751140640000039
的特征值的数目记为n，该数目n即为高光谱图像的虚拟维数。
所述步骤1的具体方式为：
步骤1a，将第i个波段的高光谱图像记为
Figure BDA00027511406400000310
其中，w,h分别为高光谱图像的宽和高；
步骤1b，按照下式计算高光谱图像的协方差矩阵K：
Figure BDA00027511406400000311
其中，kij为高光谱图像中第i波段图像
Figure BDA00027511406400000312
和第j波段图像
Figure BDA00027511406400000313
的内积。
所述步骤2的具体方式为：
步骤2a，将第i个波段的高光谱图像记为
Figure BDA00027511406400000314
其中，w,h分别为高光谱图像的宽和高；
步骤2b，对第i个波段的高光谱图像
Figure BDA00027511406400000315
估计其噪声图像Si：
Figure BDA0002751140640000041
其中，
Figure BDA0002751140640000042
和
Figure BDA0002751140640000043
分别为将
Figure BDA0002751140640000044
沿水平方向和竖直方向平移一个像素后的图像；
步骤2c，重复步骤2b，直至获得L个波段的噪声图像S1,S2,…,SL：
步骤2d，计算L个噪声图像S1,S2,…,SL的协方差矩阵Q：
Figure BDA0002751140640000045
其中，qij为高光谱图像中第i波段噪声图像Si和第j波段噪声图像Sj的内积。
本发明的原理为：分别计算高光谱图像和噪声图像的协方差矩阵，然后计算噪声协方差矩阵的特征值的平均值(以下简称平均值)，该值对应图像的噪声水平，然后将图像的协方差矩阵的特征值与该平均值进行比较，其中特征值中小于等于平均值的，可以认为是噪声。在该模型下，高光谱的虚拟维数即为图像协方差矩阵特征值大于平均值的数目。
本发明的效果可通过以下理论分析及试验进一步说明：
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz，64GB内存；
软件环境为Window 7 64位，MATLAB 2017。
2.试验方法。
利用高光谱公开数据AVIRIS传感器获取的India Pines影像进行处理分析，影像大小为145*145*220，利用本发明方法对其进行虚拟维数估计。
3.试验内容与结果。
高光谱图像的协方差矩阵特征值和平均值如图2所示，从中可以看出，共有12个高光谱图像的协方差矩阵特征值比平均值大，因此该影像的虚拟维数为12。

Claims (3)

1.一种高光谱图像虚拟维数估计方法，其特征在于，包括以下步骤：
步骤1，计算高光谱图像的协方差矩阵K，所述高光谱图像的总波段数为L；
步骤2，计算高光谱图像的噪声协方差矩阵Q；
步骤3，根据协方差矩阵K及噪声协方差矩阵Q，分别计算特征值向量
Figure FDA0002751140630000011
和
Figure FDA0002751140630000012
步骤4，计算
Figure FDA0002751140630000013
的平均值
Figure FDA0002751140630000014
步骤5，对特征值
Figure FDA0002751140630000015
进行从大到小排序；
步骤6，依次对比
Figure FDA0002751140630000016
中各个特征值与
Figure FDA0002751140630000017
的大小关系，将
Figure FDA0002751140630000018
中特征值大于等于
Figure FDA0002751140630000019
的特征值的数目记为n，该数目n即为高光谱图像的虚拟维数。
2.根据权利要求1所述的一种高光谱图像虚拟维数估计方法，其特征在于，所述步骤1的具体方式为：
步骤1a，将第i个波段的高光谱图像记为
Figure FDA00027511406300000110
其中，w,h分别为高光谱图像的宽和高；
步骤1b，按照下式计算高光谱图像的协方差矩阵K：
Figure FDA00027511406300000111
其中，kij为高光谱图像中第i波段图像
Figure FDA00027511406300000112
和第j波段图像
Figure FDA00027511406300000113
的内积。
3.根据权利要求1所述的一种高光谱图像虚拟维数估计方法，其特征在于，所述步骤2的具体方式为：
步骤2a，将第i个波段的高光谱图像记为
Figure FDA00027511406300000114
其中，w,h分别为高光谱图像的宽和高；
步骤2b，对第i个波段的高光谱图像
Figure FDA00027511406300000115
估计其噪声图像Si：
Figure FDA00027511406300000116
其中，
Figure FDA00027511406300000117
和
Figure FDA00027511406300000118
分别为将
Figure FDA00027511406300000119
沿水平方向和竖直方向平移一个像素后的图像；
步骤2c，重复步骤2b，直至获得L个波段的噪声图像S1,S2,…,SL：
步骤2d，计算L个噪声图像S1,S2,…,SL的协方差矩阵Q：
Figure FDA0002751140630000021
其中，qij为高光谱图像中第i波段噪声图像Si和第j波段噪声图像Sj的内积。
CN202011184925.8A 2020-10-30 2020-10-30 一种高光谱图像虚拟维数估计方法 Pending CN112330620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184925.8A CN112330620A (zh) 2020-10-30 2020-10-30 一种高光谱图像虚拟维数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184925.8A CN112330620A (zh) 2020-10-30 2020-10-30 一种高光谱图像虚拟维数估计方法

Publications (1)

Publication Number Publication Date
CN112330620A true CN112330620A (zh) 2021-02-05

Family

ID=74297293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184925.8A Pending CN112330620A (zh) 2020-10-30 2020-10-30 一种高光谱图像虚拟维数估计方法

Country Status (1)

Country Link
CN (1) CN112330620A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436069A (zh) * 2021-06-16 2021-09-24 中国电子科技集团公司第五十四研究所 一种基于最大信噪比投影的遥感图像融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633268A (zh) * 2017-09-22 2018-01-26 重庆交通大学 一种高光谱图像组合核最小噪声分离变换特征提取方法
CN108182710A (zh) * 2017-12-28 2018-06-19 中国电子科技集团公司第五十四研究所 一种基于联合信息的高光谱图像伪彩色可视化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633268A (zh) * 2017-09-22 2018-01-26 重庆交通大学 一种高光谱图像组合核最小噪声分离变换特征提取方法
CN108182710A (zh) * 2017-12-28 2018-06-19 中国电子科技集团公司第五十四研究所 一种基于联合信息的高光谱图像伪彩色可视化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙墨寒: "高光谱数据误差估计及降维方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
粘永健等: "基于FastICA的高光谱图像目标分割", 《光子学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436069A (zh) * 2021-06-16 2021-09-24 中国电子科技集团公司第五十四研究所 一种基于最大信噪比投影的遥感图像融合方法
CN113436069B (zh) * 2021-06-16 2022-03-01 中国电子科技集团公司第五十四研究所 一种基于最大信噪比投影的遥感图像融合方法

Similar Documents

Publication Publication Date Title
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
US20230186606A1 (en) Tensor Collaborative Graph Discriminant Analysis Method for Feature Extraction of Remote Sensing Images
Li et al. Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea
CN107563442B (zh) 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
CN110472682B (zh) 一种顾及空间和局部特征的高光谱遥感影像分类方法
CN110298414B (zh) 基于去噪组合降维和引导滤波的高光谱图像分类方法
CN111753828A (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN112836671B (zh) 一种基于最大化比率和线性判别分析的数据降维方法
CN111563544B (zh) 一种多尺度超像素分割的最大信噪比高光谱数据降维方法
CN107392140B (zh) 基于低秩稀疏分解和增量学习的极化sar地物分类方法
CN111881933A (zh) 一种高光谱图像分类方法及系统
CN112434571A (zh) 一种基于注意力自编码网络的高光谱异常检测方法
CN113537239B (zh) 一种基于全局关系感知注意力的高光谱图像波段选择方法
CN112764024A (zh) 基于卷积神经网络和Bert的雷达目标识别方法
CN112990314A (zh) 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN110378272A (zh) 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法
CN112598708A (zh) 一种基于四特征融合和权重系数的高光谱目标跟踪方法
CN112330620A (zh) 一种高光谱图像虚拟维数估计方法
CN116402825A (zh) 轴承故障红外诊断方法、系统、电子设备及存储介质
CN111597951A (zh) 一种面向目标检测的高光谱图像特征选择方法
CN114707551A (zh) 面向工业互联网设备故障诊断的多模态数据融合方法
Song et al. Using dual-channel CNN to classify hyperspectral image based on spatial-spectral information
CN112782660B (zh) 基于Bert的雷达目标识别方法
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN107563415B (zh) 一种基于局部滤波特征矢量的图像匹配方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205

RJ01 Rejection of invention patent application after publication