CN115410090A - 基于图像分割的空间外差光谱仪图像压缩感知重构方法 - Google Patents
基于图像分割的空间外差光谱仪图像压缩感知重构方法 Download PDFInfo
- Publication number
- CN115410090A CN115410090A CN202210862722.2A CN202210862722A CN115410090A CN 115410090 A CN115410090 A CN 115410090A CN 202210862722 A CN202210862722 A CN 202210862722A CN 115410090 A CN115410090 A CN 115410090A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- reference image
- segmentation
- data cube
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供的是一种基于图像分割的空间外差光谱仪图像压缩感知重构方法,属于光学遥感成像技术领域。其特征是:1通过空间外差光谱仪推扫产生干涉图像序列,处理得到干涉数据立方体;2分析干涉数据立方体每个波段图像间的谱间相关性,利用Kmeans聚类将波段图像进行分组;3将干涉数据立方体分组进行重构,每组的图像分为参考图像和非参考图像;4采用分块压缩感知的方法,对于参考图像采用固定高采样率测量重构;5重构出参考图像后,利用图像分割方法分割出前景与背景;6根据图像块含有的前景背景信息动态测量非参考图像,重构出非参考图像,进而重构出全部的干涉数据立方体。本发明解决了空间外差光谱仪扫描成像获取的干涉数据立方体数据冗余量大,数据的存储、传输及处理困难的问题,提高了干涉数据立方体压缩感知重构的精度和效率,具有广泛的应用面。
Description
(一)技术领域
本发明涉及的是一种基于图像分割的空间外差光谱仪图像压缩感知重构方法,属于光学遥感成像技术领域。
(二)背景技术
空间外差光谱仪的扫描成像技术是一种时空联合调制的干涉光谱成像技术,通过对目标物体的推扫,采集全部光程差下目标物体的干涉图像序列,干涉图像在目标物体的二维图像上叠加了干涉条纹,即包含目标物体二维成像信息,亦包含目标物体一维光谱干涉信息。通过三维图谱数据反演重构算法,即可得到目标物体的干涉数据立方体。空间外差成像光谱技术在军事侦查、大气监测和环境检测领域具有广泛的应用和重要意义,然而干涉数据立方体拥有庞大的数据量,具有数据的冗余特性,数据的存储、传输及处理需要耗费大量的时间成本。压缩感知理论可以将数据在采样的过程压缩,剔除大量的冗余数据,从而可以提高数据立方体的重构速率,解决了数据的存储、传输及处理难题。
压缩感知理论为信号的采集处理提供了新的方法,它提供了一种不同于香农-奈奎斯特采样定理的采样方法,在采样的同时对数据进行压缩,然后用一个低维的观测矩阵对采样信号进行观测,最后用重构算法从这些少量的观测数据中重构出原信号。这种方法大大降低了采样率,不仅效率很高,还减少了资源的浪费。
现有的压缩感知方法没有充分的结合干涉数据立方体的空谱特性,如现有的多利用高光谱图像各波段间的相关性进行分组重构,若两波段的相关性较高则分为一组进行联合重构,否则采用独立重构方法。基于低秩稀疏高光谱图像的重构以低秩理论和高光谱图像谱间相关性为基础,建立相关的低秩分解模型从而进行重构。压缩感知理论极大的减少了高光谱图像的采样数量,但目前重构速度慢,未能实时化处理,重构精度低,对高光谱图像的空谱特性利用不充分等问题仍然是目前研究的关键。
(三)发明内容
本发明的目的在于针对空间外差光谱仪干涉数据立方体压缩感知重构方法的缺乏,提供一种基于图像分割的空间外差光谱仪图像压缩感知重构方法。
本发明的目的是这样实现的:
1)首先采用空间外差光谱仪对目标推扫得到干涉图像序列,经处理得到原始干涉数据立方体;
2)根据干涉数据立方体各个波段图像的谱间相关性,利用Kmeans聚类算法将所有波段图像分为适当组,分组进行数据立方体的压缩感知重构;
3)将每组图像的聚类中心设为参考图像,组内其余图像均为非参考图像;
4)对于参考图像采用传统方法以固定高采样率进行精确重构,得到重构后的参考图像,再对其进行图像分割处理,标记前景与背景信息;
5)对于非参考图像的重构,对标记为前景的图像块采用高采样率测量,标记为背景的图像块采用低采样率测量,利用参考图像测量值与非参考图像测量值的残差进行分块压缩感知重构;
6)将残差值重构后的图像与组内重构后的参考图像合并,即可得到重构后的非参考图像,进而得到组内的其他波段图像,重构出一组图像,从而重构出整个干涉数据立方体;
对比现有技术,本发明的优势在于:
本发明方法采用Kmeans聚类方法进行干涉数据立方体的波段图像分组,相比传统的计算各波段图像的互相关系数,再人工设置阈值的分组方法,减少了运算步骤,提高了分组效率;
对重构的参考图像进行图像分割,分为前景背景,对前景采用高采样率,背景采用低采样率,减少了压缩测量值的冗余,减少了数据运算量,提高了重构精度;
重构后的干涉数据立方体关键信息失真少,重构效果佳。
(四)附图说明
图1为基于图像分割的空间外差光谱仪图像压缩感知重构方法流程图。
图2为对参考图像进行前背景分割的方法流程图。
图3(a)为参考图像,图3(b)为前背景分割的示意图。
图4为非参考图像利用上述方法重构的一波段图像。
(五)具体实施方式
下面结合具体的实施例来进一步阐述本发明。
本发明提出一种基于图像分割的空间外差光谱仪图像压缩感知重构方法如图1所示。具体步骤如下:
1.通过空间外差光谱仪对目标推扫成像,获得干涉图像序列,通过干涉图像配准,点干涉图重采样,干涉数据处理等步骤获得干涉数据立方体;
2.获得的干涉数据立方体为N×N×N,根据干涉数据立方体各波段图像的谱间相关性,利用Kmeans聚类对波段图像分为适当数量m(0<m<N)组,按组别进行后续的压缩感知重构;
3.将每组图像的聚类中心设为参考图像,组内其余图像均为非参考图像;
4.对于参考图像的重构,采用小波变换基(DWT)为稀疏基,高斯随机矩阵作为测量矩阵,采用平滑0范数(SL0)压缩感知算法以全采样或固定高采样率进行精确重构,得到重构后的参考图像xi;
5.对重构的参考图像xi进行图像分割处理,首先对xi进行超像素分割处理,再采用图像分割算法基于超像素点进行前背景分割,分割时需要人工标记前景与背景的种子点,得到分割好的参考图像;
6.根据分割好的参考图像前背景信息,标记各图像块的前景与背景信息,标记的方法为计算图像块中属于前景像素点的数量,当数量达到一定比例,则把该图像块标记为前景图像块,否则认定为背景图像块;
7.对于非参考图像的重构,稀疏基、测量矩阵以及重构算法的选用均与参考图像相同,对标记为前景的图像块采用高采样率测量,标记为背景的图像块采用低采样率测量,利用参考图像测量值yi与非参考图像测量值yj的残差,即Δyj=yj-yi,对残差值Δyj进行分块压缩感知重构;
8.将残差值重构后的图像Δxj与重构后的参考图像xi合并,即可得到重构后的非参考图像xj=Δxj+xi,进而得到组内的其他波段图像,以此重构出整个干涉数据立方体;
得到重构后的干涉数据立方体后,采用峰值信噪比(PSNR)、结构相似性(SSIM)以及目标点的光谱作为衡量指标。
峰值信噪比PSNR的定义为:
其中MAXI为图像点颜色最大值,MSE为原图像与重构图像的均方差。
结构相似性SSIM的定义为:
SSIM=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中l(x,y)为比较两图像的亮度,像素均值;c(x,y)为比较两图像的对比度,像素方差;s(x,y)为比较两图像的结构,像素协方差。
本发明的技术方案不限于上述具体实施例的限制,凡是对本发明的技术方案进行修改或者等同替换,均落入本发明的保护范围之内。本发明未详细描述的技术部分均为公知技术。
Claims (4)
1.一种基于图像分割的空间外差光谱仪图像压缩感知重构方法。其特征是:
1)首先采用空间外差光谱仪对目标推扫得到干涉图像序列,经处理得到原始干涉数据立方体;
2)根据干涉数据立方体各个波段图像的谱间相关性,利用Kmeans聚类算法将所有波段图像分为适当数量的组,分组进行数据立方体的压缩感知重构;
3)将每组图像的聚类中心设为参考图像,组内其余图像均为非参考图像;
4)对于参考图像采用固定高采样率进行精确重构,得到重构后的参考图像xi,对其进行图像分割处理,标记前景与背景信息;
5)对于非参考图像的重构,对标记为前景的图像块采用高采样率测量,标记为背景的图像块采用低采样率测量,利用参考图像测量值yi与非参考图像测量值yj的残差,即Δyj=yj-yi,对残差值Δyj进行分块压缩感知重构;
6)将残差值重构后的图像Δxj与重构后的参考图像xi合并,即可得到重构后的非参考图像xj=Δxj+xi,进而得到组内的其他波段图像,以此重构出整个干涉数据立方体。
2.根据权利要求1所述的分组方法,其特征是:利用Kmeans聚类算法自适应分组,使得组内各波段图像的谱间相关性高,而组间波段图像的的谱间相关性低。
3.根据权利要求1所述的图像分割方法。其特征是:进行图像的前背景分割,先对参考图像进行超像素分割,前背景分割都是基于超像素点进行,分割时需要人工标记前景与背景的种子点。
4.根据权利要求1所述的得到测量值残差的步骤。其特征是:参考图像与非参考图像所用的观测矩阵均为高斯随机测量矩阵;在图像重构时,所采用的重构算法均为平滑0范数(SL0)压缩感知算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862722.2A CN115410090A (zh) | 2022-07-21 | 2022-07-21 | 基于图像分割的空间外差光谱仪图像压缩感知重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862722.2A CN115410090A (zh) | 2022-07-21 | 2022-07-21 | 基于图像分割的空间外差光谱仪图像压缩感知重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410090A true CN115410090A (zh) | 2022-11-29 |
Family
ID=84156856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210862722.2A Pending CN115410090A (zh) | 2022-07-21 | 2022-07-21 | 基于图像分割的空间外差光谱仪图像压缩感知重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117785818A (zh) * | 2024-02-26 | 2024-03-29 | 山东惠分仪器有限公司 | 一种气相色谱仪数据优化存储方法及系统 |
-
2022
- 2022-07-21 CN CN202210862722.2A patent/CN115410090A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117785818A (zh) * | 2024-02-26 | 2024-03-29 | 山东惠分仪器有限公司 | 一种气相色谱仪数据优化存储方法及系统 |
CN117785818B (zh) * | 2024-02-26 | 2024-05-10 | 山东惠分仪器有限公司 | 一种气相色谱仪数据优化存储方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan | Cloud removal for remote sensing imagery via spatial attention generative adversarial network | |
CN109636742B (zh) | 基于对抗生成网络的sar图像和可见光图像的模式转换方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN105741333B (zh) | 一种Video-SAR图像实时压缩重构方法 | |
CN101478697A (zh) | 影像有损压缩质量评价方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN111696043A (zh) | 一种三维fsrcnn的高光谱图像超分辨率重建算法 | |
CN115410090A (zh) | 基于图像分割的空间外差光谱仪图像压缩感知重构方法 | |
Wang et al. | Afdn: Attention-based feedback dehazing network for UAV remote sensing image haze removal | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
Zhou et al. | ISAR images generation via generative adversarial networks | |
CN115761137A (zh) | 一种基于法向量和点云数据相互融合的高精度曲面重建方法和装置 | |
CN111538003B (zh) | 一种单比特压缩采样合成孔径雷达成像方法 | |
CN114092327B (zh) | 一种利用异构知识蒸馏的高光谱图像超分辨率方法 | |
CN115824412A (zh) | 一种全偏振光谱成像装置及探测方法 | |
CN112989593B (zh) | 基于双相机的高光谱低秩张量融合计算成像方法 | |
Orhaug et al. | Information extraction from images | |
CN111325720A (zh) | 一种多视觉特征集成的无参考超分辨图像质量评价方法 | |
CN111508065A (zh) | 基于空谱联合压缩感知的高光谱重建方法、设备及系统 | |
Yamawaki et al. | Hyperspectral reconstruction using auxiliary rgb learning from a snapshot image | |
CN110930466A (zh) | 面向任意形状BOIs的高光谱自适应压缩传感方法 | |
CN115482301A (zh) | 一种用于空间外差光谱仪的空谱联合图像压缩感知方法 | |
Xiao et al. | Deep convolution network with sparse prior for sparse ISAR image enhancement | |
Yu et al. | Analysis of JPEG2000 Compression Quality of Optical Satellite Images |
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 |