CN115272873A - 基于梯度域的高光谱图像非线性特征预处理系统及方法 - Google Patents

基于梯度域的高光谱图像非线性特征预处理系统及方法 Download PDF

Info

Publication number
CN115272873A
CN115272873A CN202211177847.8A CN202211177847A CN115272873A CN 115272873 A CN115272873 A CN 115272873A CN 202211177847 A CN202211177847 A CN 202211177847A CN 115272873 A CN115272873 A CN 115272873A
Authority
CN
China
Prior art keywords
image
nonlinear
gradient
hyperspectral image
data
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
CN202211177847.8A
Other languages
English (en)
Other versions
CN115272873B (zh
Inventor
李玮
赵宇航
雷晟暄
邵显昊
田崇轩
宋峻林
安皓源
张延冰
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202211177847.8A priority Critical patent/CN115272873B/zh
Publication of CN115272873A publication Critical patent/CN115272873A/zh
Application granted granted Critical
Publication of CN115272873B publication Critical patent/CN115272873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Abstract

本发明公开的基于梯度域的高光谱图像非线性特征预处理系统及方法，属于图像处理技术领域，包括：图像获取模块，用于获取高光谱图像；去噪模块，用于对高光谱图像进行去噪，获得去噪后图像；梯度面获取模块，用于获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；非线性解混模块，用于根据梯度面和P‑线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；结果获取模块，用于通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。对获取的高光谱图像进行预处理后，能够解决切片制备与高光谱扫描像元光谱信息收集不一致带来的数据统计分布不均及难以处理的奇异样本数据问题。

Description

基于梯度域的高光谱图像非线性特征预处理系统及方法
技术领域
本发明涉及图像处理技术领域，尤其涉及基于梯度域的高光谱图像非线性特征预处理系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
高光谱成像作为一种新型非侵入式生物医学成像技术，由其相对简单的系统架构、无需对样品进行复杂的前处理、测试过程对样品无损无接触等优势。在以切片图像为主的图像数据处理领域，高光谱技术主要通过构建线阵检测器收集组织或细胞内物质激发出的不同波长的辐射光，产生图像信息和光谱信息合一的三维数据集。由于生物组织中不同组织或器官的反射光谱取决于自身生物化学和组织学特性，因此HSI技术能够很好的获取组织中的生物信息，并具有良好的空间分辨率。
但由于常规切片制备过程受人为操作精细程度影响，在制片过程切片厚薄不一，且可能出现刀痕、未完全脱水、组织与玻片间气泡等污渍干扰，会改变切片上的不同区域同类物质光谱特征差异，显著影响最终的高光谱成像质量，出现“同谱异物”现象。同时，大多数光谱成像仪通常采用摆扫式或堆扫式轨道运动扫描方式，无法平衡总市场范围与像元光谱信息信噪比，探测器对不同照明、温度及切片干扰物存在不同的敏感性，导致探测单元之间出现响应不一致的现象。因此，需要对获取的高光谱数据进行归一化处理，以去除由于切片制备或者像元探测响应过程中的光谱信息干扰问题。
现有的对高光谱图像的预处理通常包含RGB空间中的直方图归一化、颜色转移、污渍通道分离等。然而，无论是使用直方图归一化还是将其转换为lαβ色彩空间，需要满足污渍区域比例相似的前提条件，因此容易在归一化之后引入视觉伪影并改变图像的结构信息。从三通道RGB图像分离成出一条污渍浓度通道后进行归一化，能够将组织学的颜色外观与染色剂浓度联系起来，对多通道的高光谱成像而言却会导致信息冗余，增加信息处理的计算量。
发明内容
本发明为了解决上述问题，提出了基于梯度域的高光谱图像非线性特征预处理系统及方法，对获取的高光谱图像进行预处理后，能够解决切片制备与高光谱扫描像元光谱信息收集不一致带来的数据统计分布不均及难以处理的奇异样本数据问题。
为实现上述目的，本发明采用如下技术方案：
第一方面，提出了基于梯度域的高光谱图像非线性特征预处理系统，包括：
图像获取模块，用于获取高光谱图像；
去噪模块，用于对高光谱图像进行去噪，获得去噪后图像；
梯度面获取模块，用于获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
非线性解混模块，用于根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
结果获取模块，用于通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
第二方面，提出了基于梯度域的高光谱图像非线性特征预处理方法，包括：
获取高光谱图像；
对高光谱图像进行去噪，获得去噪后图像；
获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于梯度域的高光谱图像非线性特征预处理方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于梯度域的高光谱图像非线性特征预处理方法所述的步骤。
与现有技术相比，本发明的有益效果为：
1、本发明将空间-光谱稀疏解混方法用于高光谱图像去噪和去条纹。稀疏解混避免了常规解混中对维数检测的需求，避免了高光谱图像中由于维度过多而带来的计算负担。在解混过程中合并空间信息能够进一步增强了解混和去噪性能，能够增强区域信息差异较大的切片的平滑度，所得到的去噪图像能够满足转化到梯度域对于信号连续的数学要求，图像更清晰，对比度更高。
2、高光谱图像像素点并不是完全相互独立的，相邻的像素点之间有一些关系。而通常的像素域图像预处理方法会忽略相邻像素之间的数学关系，且对图像获取条件较为敏感，容易受到高光谱图像扫描过程中的照明情况、区域反射情况的影响。本发明在图像进行初步去噪之后，将获得的去噪后图像从传统的像素域转化到梯度域之中，建模相邻像素之间的梯度变化关系，因此能够包含相邻像素之间的底层固有结构。同时，梯度域的另一优点在于将像素转化为梯度渐变面关系之后可以有效降低阴影和点状噪声的影响，并且对照明条件变化不敏感，对于不同环境处理的鲁棒性更强。
3、本发明使用P-线性混合模型对梯度域处理后的高光谱图像进行高阶非线性解混，旨在准确追踪具有特定组织、化学和物理性质的场景时的反射率情况。能够描述高阶非线性相互作用，通过对端元丰度和非线性系数进行归一化，降低了高阶非线性光谱混合模型中过拟合现象的影响，减少切片制备中存留气泡、水滴导致的光谱反射信号变化影响。
4、本发明使用NFN算法缓解高光谱数据的非线性效应，并使用NFN算法连续可逆性对数据集进行域适应和特征转移计算。利用每个数据集的样本之间的固有关系，推导出一种将所有数据集映射到公共空间的方法，能够将高光谱数据集中的各个样本进行对齐变换，实现非线性特征归一化，缓解非线性效应。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为实施例1公开系统原理图；
图2为实施例1公开系统高光谱去噪流程图；
图3为实施例1公开系统梯度面获取流程图；
图4为实施例1公开系统进行高阶非线性解混流程图；
图5为实施例1公开系统高光谱数据对齐流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
在该实施例中，公开了基于梯度域的高光谱图像非线性特征预处理系统，如图1所示，包括：
图像获取模块，用于获取高光谱图像；
去噪模块，用于对高光谱图像进行去噪，获得去噪后图像；
梯度面获取模块，用于获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
非线性解混模块，用于根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
结果获取模块，用于通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
其中，去噪模块采用稀疏解混的方法对高光谱图像进行去噪，获得去噪后图像，其中，稀疏解混的方法采用空间-光谱稀疏解混方法，包括：将高光谱图像的像素表示为光谱特征的稀疏表示，通过合并空间信息来提供增强的解混性能，并计算图像中稀疏特征的空间平滑丰度，最后使用这些特征及其各自的丰度用于重建原始高光谱图像的去噪和去条纹版本，获得去噪后图像。
如图2所示，通过优化全变差正则化变量分离与增量拉格朗日算法（SUnSAL-TV算法）进行稀疏解混后高光谱图像重构，以实现基于空间信息进行稀疏解混用于高光谱图像去噪和去条纹方法。假设
Figure DEST_PATH_IMAGE001
，则有：
Figure 854295DEST_PATH_IMAGE002
（1）
Figure DEST_PATH_IMAGE003
（2）
其中，A表示为光谱数据库，X表示丰度分数矩阵，Y表示观测数据，
Figure 191735DEST_PATH_IMAGE004
表示像素的水平和垂直邻域集合。
Figure DEST_PATH_IMAGE005
和
Figure 398988DEST_PATH_IMAGE006
分别为稀疏项和空间平滑项的权重，对
Figure 734154DEST_PATH_IMAGE006
选择较高的值加强去噪能力。
公式（1）的第一项用于降低重构误差，第二项对丰度矩阵施加稀疏性约束，第三项为总体空间平滑项，上述三项的不断优化能够促进相邻像素中类似元素丰度分数的分段平滑度。在稀疏解混后，使用稀疏数量的突出特征及其丰度重建数据。丰度矩阵中的空间平滑度将是重要组成部分，这种平滑度可以确保诸如脱落和带状效应之类的效应不包括在丰度矩阵中。在不断的优化计算之后，获取AX为重建之后的无条纹和噪声的图像，即去噪后图像。该过程之后可以进行简单的高斯滤波器平滑预处理，用于消除频带选择产生的任何不连续性。
梯度面获取模块获得去噪后图像的梯度面的过程为：
对去噪后图像进行高斯核函数卷积平滑处理，获得平滑后图像；
使用高斯核函数在x、y方向上的导数对平滑后图像进行卷积运算，获得图像在x、y方向上的梯度；
根据图像在x、y方向上的梯度获得梯度面。
对梯度面获取模块进行详细说明。梯度面获取模块从高光谱图像分析反射率模型和梯度域开始，从梯度域中提取梯度面，逐通道对光谱立体数据进行图像渐变方向分析，提取通道平面上不变特征形成梯度面，如图3所示，具体为：
从反射率模型与梯度域的分析中提取梯度面。在高光谱图像提取时，我们使用的反射率模型可以表示为：
Figure DEST_PATH_IMAGE007
（3）
其中，I(x,y)是高光谱图像去噪后获得的去噪后图像，x、y为高光谱图像上各个像素的坐标，x为横坐标、y为纵坐标，R(x,y)是反射率函数，L(x,y)是每个（x,y）点的亮度。L(x,y)的性质由光源决定，R(x,y)由物体表面特征决定的亮度不敏感变量。在实际中通常认为，在使用阵列扫描器进行扫描的过程中，L(x,y)变化缓慢，R(x,y)变化迅速。由于像素点之间并不是完全独立的，像素域的处理忽略了相邻像素的底层逻辑。
梯度域合成方法是将图像提取相邻梯度信息无缝合成的，明确考虑了相邻像素点之间的这种关系，因此它能够揭示图像数据的底层固有结构。给定一副在光源条件下的图像I(x,y)，其梯度域分量关系提取方法可以描述如下：
对输入图像I(x,y)先用高斯核函数卷积平滑处理，获得平滑后图像
Figure 525393DEST_PATH_IMAGE008
：
Figure DEST_PATH_IMAGE009
(4)
其中，
Figure 666524DEST_PATH_IMAGE010
为卷积操作，（x,y）为图像上像素的坐标，
Figure DEST_PATH_IMAGE011
为标准差，
Figure 164502DEST_PATH_IMAGE012
为标准差是
Figure 998465DEST_PATH_IMAGE011
的高斯核函数，
Figure DEST_PATH_IMAGE013
，exp代表以e为底的指数函数。
然后使用高斯核函数在x,y方向上的导数对平滑后图像
Figure 512886DEST_PATH_IMAGE014
进行卷积运算的求出图像在x、y方向上的梯度Ix(x,y)、Iy(x,y)：
Figure DEST_PATH_IMAGE015
（5）
Figure 457708DEST_PATH_IMAGE016
（6）
其中，
Figure DEST_PATH_IMAGE017
和
Figure 810192DEST_PATH_IMAGE018
为高斯核函数在x、y方向上导数。
根据图像在x、y方向上的梯度Ix(x,y)、Iy(x,y)，最后获取梯度面Ig(x,y):
Figure DEST_PATH_IMAGE019
（7）
通过高斯核函数提取的高光谱图像的梯度面，可以使梯度数值计算更加稳定，对图像噪声具有更高的鲁棒性，可以减少阴影、气泡或者反射噪声的影响。
非线性解混模块将梯度面数据输入P-线性混合模型中，以成本函数最小为目标，计算获得非线性解混后数据，其中，成本函数最小为：
Figure 815057DEST_PATH_IMAGE020
其中，r l 是第l个像素的光谱，z l 是模型的输出值，
Figure DEST_PATH_IMAGE021
,
Figure 784150DEST_PATH_IMAGE022
均是正参数,
Figure DEST_PATH_IMAGE023
为端元对混合谱的丰度贡献量化值，
Figure 514688DEST_PATH_IMAGE024
为端元对混合谱的非线性贡献量化值。
Figure DEST_PATH_IMAGE025
，
Figure 846312DEST_PATH_IMAGE026
分别为将成本函数最小后
Figure 959762DEST_PATH_IMAGE023
，
Figure 947310DEST_PATH_IMAGE024
的取值。
如图4所示，非线性解混模块通过P-线性混合模型对梯度面进行高阶非线性解混，旨在准确追踪具有特定组织、化学和物理性质的场景时的反射率情况。
给定转为梯度面的高光谱数据集
Figure DEST_PATH_IMAGE027
,其中，N是像素总数，
Figure 171618DEST_PATH_IMAGE028
表示与图像像素相关的谱向量，其中,yi表示数据集y中的第i幅图像，L是光谱带数。假设端元为
Figure DEST_PATH_IMAGE029
, R是端元的数量。
将梯度面输入P-线性混合模型中，提取梯度面的端元，假设每个像素可以描述为该端元光谱的线性和非线性特征的总和：
Figure 295431DEST_PATH_IMAGE030
（8）
其中，yl为像素所包含的光谱信息，mr为第r个端元，
Figure DEST_PATH_IMAGE031
为第r个端元的光谱带数，R表示端元的数量。
Figure 143564DEST_PATH_IMAGE032
表示第r个端元的第k阶线性分量，
Figure DEST_PATH_IMAGE033
表示第r个端元的第k阶分量的光谱带数，噪声矢量
Figure 618408DEST_PATH_IMAGE034
表示为每个频带中的加性高斯噪声。丰度和非线性系数的约束为非负且和为一，可以表示为:
Figure DEST_PATH_IMAGE035
由于P-线性混合模型的复杂性会随着P的增加而增加，这会导致在解混过程中的过度拟合，因此需要通过最小化成本函数对其进行限制。从某种意义上说，最小化成本函数的方法等同于最大似然估计过程，使用l 2 范数对非线性系数进行约束，将问题转化为描述全局最优值的问题，算法可以被描述为：
Figure 708723DEST_PATH_IMAGE036
(9)
其中，r l 是第l个像素的光谱，z l 是模型的输出值，
Figure 890306DEST_PATH_IMAGE021
,
Figure 142296DEST_PATH_IMAGE022
均是正参数,
Figure 42119DEST_PATH_IMAGE023
为端元对混合谱的丰度贡献量化值，
Figure 608229DEST_PATH_IMAGE024
为端元对混合谱的非线性贡献量化值。
Figure 473679DEST_PATH_IMAGE025
，
Figure 834253DEST_PATH_IMAGE026
分别为将成本函数最小后
Figure 283689DEST_PATH_IMAGE023
，
Figure 653491DEST_PATH_IMAGE024
的取值。
结果获取模块，用于通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
结果获取模块通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像的具体过程为：
从非线性解混后数据中选取一份样本作为参考数据集，其余样本作为训练数据集；
对训练数据集中的样本按照类别进行划分；
对于每类，计算最近邻距离，根据最近邻距离计算惩罚函数；
对惩罚函数归一化，获得系数；
对参考数据集中样本逐像素求和平均取得标准单位基；
计算标准单位基与参考数据集样本各像素之间的距离矢量；
根据系数和距离矢量，构建变换模型；
将所有非线性解混后数据转化到公共域后，通过变换模型进行非线性特征变换，获得变换后数据，将变换后数据进行逆变换转移到原始域中，获得预处理后的高光谱图像。
如图5所示，结果获取模块使用非线性特征归一化算法对齐高光谱影像数据集中的光谱信息，高光谱影像数据集中数据为非线性解混模块获得的非线性解混后数据。将非线性解混模块获得的非线性解混后数据作为输入，使用NFN算法作为执行多数据集图像域适应和特征转移的方法，为数据集中的每个样本执行该算法。在进行NFN对齐算法的过程中，为每个样本查找像素对应关系，为训练数据的每个样本与参考样本建立像素的光谱特征对应关系。
在进行非线性特征对齐过程中，从高光谱影像数据集中选取一份样本作为参考数据集
Figure DEST_PATH_IMAGE037
，其余的作为训练数据集
Figure 606403DEST_PATH_IMAGE038
。选定作为参考数据集的原因为具有更好的照明条件、更规范的切片处理流程等。
Figure DEST_PATH_IMAGE039
的单个样本
Figure 465775DEST_PATH_IMAGE040
具有d个波段和n个样本，
Figure DEST_PATH_IMAGE041
是训练数据的
Figure 841655DEST_PATH_IMAGE042
个类，将相同的样本划分为同类，这也意味着对于实际数据噪声不会导致不同类在高维空间中出现信息重叠现象。
将每个类的最近邻（NN）距离
Figure DEST_PATH_IMAGE043
计算为
Figure 874202DEST_PATH_IMAGE044
。将最近邻距离
Figure 884883DEST_PATH_IMAGE043
使用惩罚函数g进行转移。惩罚函数g的作用为使训练数据向距离减小的方向移动，同时阻止训练样本向距离增大的方向移动。因此，惩罚函数
Figure DEST_PATH_IMAGE045
的项应为正值，并且随着距离的增加单调递减，
Figure 915156DEST_PATH_IMAGE046
代表对所有的类进行逐项操作。通过对惩罚函数归一化获取系数
Figure DEST_PATH_IMAGE047
。
其中，x为训练数据集中的单个样本，Lj为j类训练数据，xt为Lj中的样本。
对参考数据集
Figure 73605DEST_PATH_IMAGE048
的第p个样本逐像素求和平均取得标准单位基b j 。求得b j 之后计算标准单位基b j 与参考数据集中各样本x之间的距离矢量
Figure DEST_PATH_IMAGE049
，
Figure 348991DEST_PATH_IMAGE050
。
根据系数和距离矢量，构建变换模型为
Figure DEST_PATH_IMAGE051
。
其中，
Figure 276495DEST_PATH_IMAGE052
为系数，
Figure 477670DEST_PATH_IMAGE049
为距离矢量，
Figure DEST_PATH_IMAGE053
为需变化数据，
Figure 123415DEST_PATH_IMAGE054
为变换后数据。
将所有数据集转化为公共域，使用构建的变换模型进行非线性特征变换，获得变换后数据，将变换后数据进行逆变换转移到原始域中。在逆变换前，在公共域中计算参考样本
Figure DEST_PATH_IMAGE055
和测试样本的范数，数学描述为：
Figure 373130DEST_PATH_IMAGE056
，以规范不同的辐射和反射条件。综上，将变换模型拓展为：
Figure DEST_PATH_IMAGE057
。
在对数据非线性变换以后，为抽象的高维特征，表示为高维向量，而不是高光谱的图像形式。通过计算公共域中的参考样本和测试样本的范数进行数据的逆变换，将其转换回图像形式。此处原始域即成为转换为原本的图像形式，但因为与开始的数据集相比已经经过非线性操作不相同了。所以用原始域和公共域来进行区分。
本实施例公开系统将空间-光谱稀疏解混方法用于高光谱图像去噪和去条纹。稀疏解混避免了常规解混中对维数检测的需求，避免了高光谱图像中由于维度过多而带来的计算负担。在解混过程中合并空间信息能够进一步增强了解混和去噪性能，能够增强区域信息差异较大的切片的平滑度，所得到的去噪图像能够满足转化到梯度域对于信号连续的数学要求，图像更清晰，对比度更高。
高光谱图像像素点并不是完全相互独立的，相邻的像素点之间有一些关系。而通常的像素域图像预处理方法会忽略相邻像素之间的数学关系，且对图像获取条件较为敏感，容易受到高光谱图像扫描过程中的照明情况、区域反射情况的影响。本实施例公开系统在图像进行初步去噪之后，将获得的去噪后图像从传统的像素域转化到梯度域之中，建模相邻像素之间的梯度变化关系，因此能够包含相邻像素之间的底层固有结构。同时，梯度域的另一优点在于将像素转化为梯度渐变面关系之后可以有效降低阴影和点状噪声的影响，并且对照明条件变化不敏感，对于不同环境处理的鲁棒性更强。
本实施例公开系统还使用P-线性混合模型对梯度面进行高阶非线性解混，旨在准确追踪具有特定组织、化学和物理性质的场景时的反射率情况。能够描述高阶非线性相互作用，通过对端元丰度和非线性系数进行归一化，降低了高阶非线性光谱混合模型中过拟合现象的影响，减少切片制备中存留气泡、水滴导致的光谱反射信号变化影响。
此外，本实施例还使用NFN算法缓解高光谱数据的非线性效应，并使用NFN算法连续可逆性对数据集进行域适应和特征转移计算。利用每个数据集的样本之间的固有关系，推导出一种将所有数据集映射到公共空间的方法，能够将进行非线性解混处理后的数据集中的各个样本进行对齐变换，实现非线性特征归一化，缓解非线性效应。
使用本实施例公开系统获得的预处理后的高光谱图像进行图像识别时，提高了图像识别的准确率。
实施例2
在该实施例中，公开了基于梯度域的高光谱图像非线性特征预处理方法，包括：
获取高光谱图像；
对高光谱图像进行去噪，获得去噪后图像；
获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例2公开的基于梯度域的高光谱图像非线性特征预处理方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例2公开的基于梯度域的高光谱图像非线性特征预处理方法所述的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，包括：
图像获取模块，用于获取高光谱图像；
去噪模块，用于对高光谱图像进行去噪，获得去噪后图像；
梯度面获取模块，用于获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
非线性解混模块，用于根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
结果获取模块，用于通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
2.如权利要求1所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，去噪模块采用稀疏解混的方法对高光谱图像进行去噪，获得去噪后图像。
3.如权利要求1所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，梯度面获取模块获得去噪后图像的梯度面的过程为：
对去噪后图像进行高斯核函数卷积平滑处理，获得平滑后图像；
使用高斯核函数在x、y方向上的导数对平滑后图像进行卷积运算，获得图像在x、y方向上的梯度；
根据图像在x、y方向上的梯度获得梯度面。
4.如权利要求1所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，非线性解混模块将梯度面数据输入P-线性混合模型中，以成本函数最小为目标，计算获得非线性解混后数据。
5.如权利要求1所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，使用l 2 范数对P-线性混合模型中的非线性系数进行约束。
6.如权利要求1所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，结果获取模块获得预处理后的高光谱图像的具体过程为：
从非线性解混后数据中选取一份样本作为参考数据集，其余样本作为训练数据集；
对训练数据集中的样本按照类别进行划分；
对于每类，计算最近邻距离，根据最近邻距离计算惩罚函数；
对惩罚函数归一化，获得系数；
对参考数据集中样本逐像素求和平均取得标准单位基；
计算标准单位基与参考数据集样本各像素之间的距离矢量；
根据系数和距离矢量，构建变换模型；
将所有非线性解混后数据转化到公共域后，通过变换模型进行非线性特征变换，获得变换后数据，将变换后数据进行逆变换转移到原始域中，获得预处理后的高光谱图像。
7.如权利要求6所述的基于梯度域的高光谱图像非线性特征预处理系统，其特征在于，通过变换模型进行非线性特征变换，获得变换后数据之前，对公共域中的数据规范范数。
8.基于梯度域的高光谱图像非线性特征预处理方法，其特征在于，包括：
获取高光谱图像；
对高光谱图像进行去噪，获得去噪后图像；
获得去噪后图像的像素值，并根据像素值计算获得去噪后图像的梯度面；
根据梯度面和P-线性混合模型对去噪后图像进行非线性解混，获得非线性解混后数据；
通过非线性解混后数据和非线性归一化算法，获得预处理后的高光谱图像。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求8所述的基于梯度域的高光谱图像非线性特征预处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求8所述的基于梯度域的高光谱图像非线性特征预处理方法的步骤。
CN202211177847.8A 2022-09-27 2022-09-27 基于梯度域的高光谱图像非线性特征预处理系统及方法 Active CN115272873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177847.8A CN115272873B (zh) 2022-09-27 2022-09-27 基于梯度域的高光谱图像非线性特征预处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177847.8A CN115272873B (zh) 2022-09-27 2022-09-27 基于梯度域的高光谱图像非线性特征预处理系统及方法

Publications (2)

Publication Number Publication Date
CN115272873A true CN115272873A (zh) 2022-11-01
CN115272873B CN115272873B (zh) 2023-02-24

Family

ID=83756323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177847.8A Active CN115272873B (zh) 2022-09-27 2022-09-27 基于梯度域的高光谱图像非线性特征预处理系统及方法

Country Status (1)

Country Link
CN (1) CN115272873B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433534A (zh) * 2023-06-09 2023-07-14 四川工程职业技术学院 一种高光谱图像修复方法、装置、存储介质及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514602A (zh) * 2013-09-23 2014-01-15 哈尔滨工程大学 基于Volterra级数的高光谱图像非线性解混方法
US8659656B1 (en) * 2010-10-12 2014-02-25 The Boeing Company Hyperspectral imaging unmixing
CN108509380A (zh) * 2018-03-27 2018-09-07 北京科技大学 一种高光谱图像解混方法
CN109241843A (zh) * 2018-08-02 2019-01-18 南京理工大学 空谱联合多约束优化非负矩阵解混方法
CN109658351A (zh) * 2018-11-26 2019-04-19 浙江工业大学 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法
CN111489309A (zh) * 2020-04-07 2020-08-04 重庆工商大学 一种稀疏解混的预处理装置及方法
CN113673300A (zh) * 2021-06-24 2021-11-19 核工业北京地质研究院 一种基于非监督训练的高光谱图像智能解混方法
CN113689371A (zh) * 2021-07-27 2021-11-23 上海浦东发展银行股份有限公司 图像融合方法、装置、计算机设备和存储介质
CN113963164A (zh) * 2021-11-15 2022-01-21 湖南大学 一种基于分组邻域强度差异编码的纹理特征提取方法
CN114359064A (zh) * 2021-12-02 2022-04-15 合肥工业大学 基于双重梯度约束的高光谱图像恢复方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8659656B1 (en) * 2010-10-12 2014-02-25 The Boeing Company Hyperspectral imaging unmixing
CN103514602A (zh) * 2013-09-23 2014-01-15 哈尔滨工程大学 基于Volterra级数的高光谱图像非线性解混方法
CN108509380A (zh) * 2018-03-27 2018-09-07 北京科技大学 一种高光谱图像解混方法
CN109241843A (zh) * 2018-08-02 2019-01-18 南京理工大学 空谱联合多约束优化非负矩阵解混方法
CN109658351A (zh) * 2018-11-26 2019-04-19 浙江工业大学 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法
CN111489309A (zh) * 2020-04-07 2020-08-04 重庆工商大学 一种稀疏解混的预处理装置及方法
CN113673300A (zh) * 2021-06-24 2021-11-19 核工业北京地质研究院 一种基于非监督训练的高光谱图像智能解混方法
CN113689371A (zh) * 2021-07-27 2021-11-23 上海浦东发展银行股份有限公司 图像融合方法、装置、计算机设备和存储介质
CN113963164A (zh) * 2021-11-15 2022-01-21 湖南大学 一种基于分组邻域强度差异编码的纹理特征提取方法
CN114359064A (zh) * 2021-12-02 2022-04-15 合肥工业大学 基于双重梯度约束的高光谱图像恢复方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDREA MARINONI ET AL: "Estimating Nonlinearities in p-Linear Hyperspectral Mixtures", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
WOLFGANG JOHANNES GROB ET AL: "Nonlinear Feature Normalization for Hyperspectral Feature Transfer", 《FACULTY OF AEROSPACE ENGINEERING AND GEODESY》 *
陈雷等: "基于回溯优化的非线性高光谱图像解混", 《红外与激光工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433534A (zh) * 2023-06-09 2023-07-14 四川工程职业技术学院 一种高光谱图像修复方法、装置、存储介质及电子设备
CN116433534B (zh) * 2023-06-09 2023-08-22 四川工程职业技术学院 一种高光谱图像修复方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN115272873B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
Xu et al. Image inpainting by patch propagation using patch sparsity
Xie et al. Deep convolutional networks with residual learning for accurate spectral-spatial denoising
CN108921809B (zh) 整体原则下基于空间频率的多光谱和全色图像融合方法
CN104123705B (zh) 一种超分辨率重建图像质量Contourlet域评价方法
Li et al. Hyperspectral image recovery employing a multidimensional nonlocal total variation model
CN112634159B (zh) 基于盲噪声估计的高光谱图像去噪方法
CN108765313B (zh) 基于类内低秩结构表示的高光谱图像去噪方法
Liu et al. Hyperspectral image restoration based on low-rank recovery with a local neighborhood weighted spectral–spatial total variation model
Cornelis et al. Digital painting analysis, at the cross section of engineering, mathematics and culture
CN115272873B (zh) 基于梯度域的高光谱图像非线性特征预处理系统及方法
Xie et al. Trainable spectral difference learning with spatial starting for hyperspectral image denoising
Shi et al. A joint deep neural networks-based method for single nighttime rainy image enhancement
Yu et al. Two-stage image decomposition and color regulator for low-light image enhancement
CN114965316A (zh) 一种基于高光谱多参数的水质监测方法、计算机程序产品
Liu et al. Face hallucination via multiple feature learning with hierarchical structure
Cao et al. Universal high spatial resolution hyperspectral imaging using hybrid-resolution image fusion
CN114972122B (zh) 高光谱遥感图像坏像元复原方法、装置、电子设备及介质
Du et al. A new image decomposition approach using pixel-wise analysis sparsity model
CN115880199A (zh) 一种长波红外高光谱与多光谱图像融合方法、系统及介质
Huang et al. A hybrid spatial-spectral denoising method for infrared hyperspectral images using 2DPCA
Meenakshisundaram Quality assessment of IKONOS and Quickbird fused images for urban mapping
CN112380967B (zh) 一种联合图像信息的空间人造目标光谱解混方法及系统
CN114972075A (zh) 一种基于残差学习和混合域注意力的高光谱图像去噪方法
CN114511470A (zh) 一种基于注意力机制的双分支全色锐化方法
CN114612297A (zh) 高光谱图像超分辨率重建方法及装置

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