一种基于背景自学习的高光谱图像生物信息提取方法与流程

本发明涉及遥感信息技术领域，具体涉及一种基于背景自学习的高光谱图像生物信息提取方法。

背景技术：

为了快速准确地提取附着于载体的生物特征信息，或确定生物体体表或体内某一区域存在的异常特征信息，传统的方法一般采用直接接触提取的方法，这往往会对信息载体造成损伤。通过拍摄含有目标特征信息的图像，对图像进行处理得到这些信息，是更可可靠的方法。

一般页言，基于图像的生物特征提取方法大多是单波段全色图像，通过对图像的形状进行计算，或对图像进行滤波增强等方法获取目标区域形状。但是，传统单波全色图像存在着明显缺陷：在外界环境如光照等因素存在差异的情况下，单波段全色图像呈现出来的特征会发生较大变化，从而加大了信息提取的难度。随着成像光谱仪的出现，可以获取更加丰富和稳定的信息，利于进行进一步的生物信息提取，对于生物载体上的某些特征信息的提取，可以通过目标探测完成。近年来涌现了许多基于高光谱图像的目标信息提取方法，最常见的方法有匹配滤波器方法（mf）、约束能量最小化方法(cem)、自适应余弦一致性评传器方法(ace)、光谱角方法(sam)、正交子空间投影方法(osp)等，这些方法中，mf和sam方法没有一致背景信息，，cem、ace和osp方法在抑制背景信息的同时受到目标信息的影响，导致对背景信息估计不够准确。

因此，针对上述问题，本发明提出了一种新的技术方案。

技术实现要素：

本发明的目的是提供一种有效对背景信息进行估计，提取完整的生物目标信息的基于背景自学习的高光谱图像生物信息提取方法。

本发明是通过以下技术方案来实现的：

一种基于背景自学习的高光谱图像生物信息提取方法，包括以下步骤：

使用最小误差高光谱信息辨识法来估计图像中端元个数；

将步骤得到的端元数作为聚类数，将聚类数引入到最小误差高光谱信息辨识法对背景信息进行聚类；

得到聚类信息后，将聚类中心的光谱信息作为向量，计算各聚类间的光谱角，并合并光谱角的类别；

找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；

在提取目标信息前，给每个像素点决定一个背景类，以当前像素为中心，划定一个正方形区域，以该区域内的所有像素点的信息共同决定当像像素的背景类，然后对正方形区域内的所有像素点进行加权平均的方法，得到具有空间信息的测试像素点光谱信息，再通过算法对每个像素进行计算，得到的值通过阈值划分来判定是否为需要提取的目标信息。

进一步地，所述步骤中，每个聚类中的像素个数不少于图像的波段数。

进一步地，当像素个数小于图像的波段数的类别合并到最近的类别中。

进一步地，所述步骤中正方形区域的大小可以根据要求进行调整。

进一步地，所述步骤中每个像素计算的算法为广义似然比方法。

本发明的有益效果是：本发明提出的提取方法避免了获取信息时物理接触造成的破坏，能多次稳定获取图像，能有效地对背景信息进行估计，提取完整的生物目标信息，有效地提高了提取精度。

具体实施方式

下面结合实施例对本发明做进一步地说明。

实施例1

一种基于背景自学习的高光谱图像生物信息提取方法，包括以下步骤：

使用最小误差高光谱信息辨识法来估计图像中端元个数；

将步骤得到的端元数作为聚类数，将聚类数引入到最小误差高光谱信息辨识法对背景信息进行聚类；

得到聚类信息后，将聚类中心的光谱信息作为向量，计算各聚类间的光谱角，并合并光谱角的类别；

找到与先验信息光谱特征最接近的类，通过比较聚类中心与先验信息光谱角，来判断些类别是否舍弃；

在提取目标信息前，给每个像素点决定一个背景类，以当前像素为中心，划定一个正方形区域，以该区域内的所有像素点的信息共同决定当像像素的背景类，然后对正方形区域内的所有像素点进行加权平均的方法，得到具有空间信息的测试像素点光谱信息，再通过算法对每个像素进行计算，得到的值通过阈值划分来判定是否为需要提取的目标信息。

在本实施例中，步骤中，每个聚类中的像素个数不少于图像的波段数。

在本实施例中，当像素个数小于图像的波段数的类别合并到最近的类别中。

在本实施例中，所述步骤中正方形区域的大小可以根据要求进行调整。

在本实施例中，所述步骤中每个像素计算的算法为广义似然比方法。

本发明提出的提取方法避免了获取信息时物理接触造成的破坏，能多次稳定获取图像，能有效地对背景信息进行估计，提取完整的生物目标信息，有效地提高了提取精度。

以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。