，每个网格作为一个初始超像素，取每 个网格中心像素的扩展向量为该超像素的初始中心向量Ck = g' k，ke {1，2，…，nu Xm2}，赋 予网格内的所有扩展向量与Ck同样的类别标记；
[0041] (b)对于每个中心Ck，计算其与落在以Ck为中心大小为2SX2S的区域所对应的扩展 向量f」间的距离D( j，k)，计算式如下
[0042]
(1)
[0043] 其中g、（l)和Ck(l)表示对应向量中的第1个分量，α为调节光谱梯度距离和空间距 离的系数；
[0044] (c)若D(j，k)小于g、与其当前归属的中心Cr之间的距离D(j，r)，则将g、的类别标 记为属于中心否则，保持g、的类别标记不变；
[0045] (d)通过步骤(b)、（c)可得到每个扩展向量归属的新类别标记，根据新的类别 标记计算当前每个中心&对应的新的超像素中心Ck;
[0046] (e)计算每组Ck和Ck之间的差异，并由此求出迭代误差·
[0047] (f)若err小于给定阈值，则结束算法;否则，更新当前每个中心Ck为C'k，并返回步 骤(b)〇
[0048] 通过上述超像素分割算法，最终得到一个由超像素中心向量所组成的集合C={Ck |k=l，2，··· ,ι?ιΧπκ}，及每个梯度向量的超像素类别标记Li。
[0049] 3、对超像素进行聚类。
[0050] 对获得的这组超像素使用均值漂移(Mean-shift)算法进行聚类，将在光谱梯度上 较相似的超像素标记为同一类，从而形成若干区域。聚类时，第j个超像素中心与第k个超像 素中心之间的光谱梯度距离定义为
，它们之间的空间距离 定义为
，Cj(l)和Ck(l)表示对应向量中的第1个分量。
[0051 ] 令k = l，具体聚类过程如下：
[0052 ] (g)从超像素中心向量集合C中取出第k个中心向量&;
[0053] (h)从 C 中选择(/ ={Cj|ds(j，k)〈TsAdc(j，k)〈Tc}，j = l，2,…，miXm2。其中 Ts 和 Tc 分别为给定的梯度向量距离阈值和空间距离阈值；
[0054] ⑴计算C'中各中心向量的均值匕，并计算其与&的差异err= ;
[0055] (j)令Ci^C/k，若err大于给定阈值，贝lj返回步骤(h);否则，转步骤(k);
[0056] (k)设当前聚类中心集合为Θ，遍历Θ并选择第一个满足光谱梯度距离小于!^/2 且空间距离小于Tc/2的中心Θ;
[0057] (1)若步骤(k)中没有满足条件的中心，则Θ = Θυ{&}，并将Ck标记为新的一类;否 则，Θ = (0+Ck)/2，将Ck标记为Θ所对应的类别。
[0058] (m)若C中所有成员已被遍历，则结束算法;否则，k = k+l，转步骤(g)。
[0059] 通过上述聚类算法，可以将C中的超像素聚成若干类，再结合每个梯度向量的超像 素类别标记1^可确定每个梯度向量最终的类别标记L 2;由此，Gn在空间维上被分割成若干区 域。
[0060] 4、计算区域对比值。
[0061] 根据L2,可计算每一类别中心所对应的扩展向量^，_]_6{1，2，一，《，其中~为总的 类数，每一个G对应着一个空间区域心。对于区域心，其基于区域光谱特征对比的显著性响 应值为：
[0062]
(2)
[0063] 其中
为区域Rj矛》间的空间距离，
为光谱梯度距离，ζ』（1)和Gk(l)表示对应向量中的第1个分量，ω (Rj)为Rj中的像元数，σ为 用于调节空间距离权重的系数。
【主权项】
1. 一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法，其特征在于包括以 下步骤： 步骤一、对于输入的高光谱图像数据Xn，在光谱维上求梯度得到光谱梯度图像6"=&1， g2，···，gn}，其中第i个光谱梯度向量gi表不为 ^ _ χα-χη I-~部 T 見-…，ι^_ 式中，△ λ为相邻波段的波长间隔； 步骤二、对光谱梯度图像Gn中的每一个梯度向量，在其末尾标记空间维坐标信息，生成 梯度扩展向量g = e丨1，2,···,?丨；所有扩展向量g'凋成数据G'n;使用简单线 性迭代聚类对V n进行过分割获得一组超像素，分割过程如下： (a) 在空间维上以S为步长形成mXms的网格，每个网格作为一个初始超像素，取每个网 格中心像素的扩展向量为该超像素的初始中心向量Ck = g' k，k e {1，2，…，nu X m2}，赋予网 格内的所有扩展向量与Ck同样的类别标记； (b) 对于每个中心Ck，计算其与落在以Ck为中心大小为2SX2S的区域所对应的扩展向量 ^司的距离〇〇，1〇，计算式如下 d('八幻=-c,' (，))2+te(，）-q (，))2 ο) y ..z=i .i=p 其中g、（l)和Ck(l)表示对应向量中的第1个分量，α为调节光谱梯度距离和空间距离的 系数； (c) 若D(j，k)小于g、与其当前归属的中心Cr之间的距离D(j，r)，则将g、的类别标记为 属于中心C k;否则，保持f」的类别标记不变； (d) 通过步骤(b)、步骤(c)得到每个扩展向量归属的新类别标记，根据新的类别标记 计算当前每个中心Ck对应的新的超像素中心Ck; m, xirir, (e) 计算每组Ck和C'k之间的差异，并由此求出迭代误差err = -C[|; k=\ (f) 若err小于给定阈值，则结束计算；否则，更新当前每个中心Ck为(/k，并返回步骤 (b)； 得到一个由超像素中心向量所组成的集合C = {Ck | k = 1，2，…，mi X m2}，及每个梯度向 量的超像素类别标记Li; 步骤三、对获得的这组超像素使用均值漂移算法进行聚类，将在光谱梯度上较相似的 超像素标记为同一类，从而形成若干区域;聚类时，第j个超像素中心与第k个超像素中心之 间的光谱梯度距离定义为4 (y) = j(?. ，它们之间的空间距离定义为 = ，Cj(l)和Ck(l)表示对应向量中的第1个分量； 令k=l，具体聚类过程如下： (g) 从超像素中心向量集合c中取出第k个中心向量Ck; (h) 从 C 中选择={(：」|(13(]_，1〇〈1'3八山（]_，1〇〈1'。}，]_ = 1，2，."，1111\1112;其中1'3和1'。分别 为给定的梯度向量距离阈值和空间距离阈值； ⑴计算C'中各中心向量的均值匕，并计算其与&的差异θΓΓ=|&-(^|; (j) 令Ck = C k，若err大于给定阈值，贝lj返回步骤(h);否则，转步骤(k); (k) 设当前聚类中心集合为Θ，遍历Θ并选择第一个满足光谱梯度距离小于Ts/2且空间 距离小于Tc/2的中心Θ; (l) 若步骤(k)中没有满足条件的中心，则Θ = Θυ{&}，并将&标记为新的一类;否则，Θ =(0+Ck)/2，将Ck标记为Θ所对应的类别； (m) 若C中所有成员已被遍历，则结束计算;否则，k = k+Ι，转步骤(g); 将C中的超像素聚成若干类，再结合每个梯度向量的超像素类别标记1^确定每个梯度向 量最终的类别标记L2;由此，Gn在空间维上被分割成若干区域； 步骤四、根据算每一类别中心所对应的扩展向量^，_^{1，2，一少}，其中~为总的 类数，每一个G对应着一个空间区域心;对于区域心，其基于区域光谱特征对比的显著性响 应值为： 财/) = Σ e ^ ω、·、(/?,,,/^) (2) Rk-^-Rj //>+-1 ,-j rjli - 其中，4(?為)=o/))-为区域&和取间的空间距离，从~ 为光谱梯度距离，ζ」（1)和Gk(l)表示对应向量中的第1个分量，ω (Rj)为Rj中的像元数，σ为 用于调节空间距离权重的系数。
【专利摘要】本发明公开了一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法，用于解决现有高光谱图像显著性检测方法准确率低的技术问题。技术方案是首先提取光谱梯度特征，并在所得数据上对图像数据进行过分割，获得一组超像素；再使用聚类方法将在光谱梯度特征上相似的超像素标记成同一类别，从而形成具有不同光谱梯度特征的区域。对每一区域，利用区域对比方法，计算其与相邻区域的光谱梯度特征对比值作为其显著性响应值。在哈佛大学和曼彻斯特大学提供的数据集上的实验结果表明，在查全率为70％时，本发明方法查准率为82％，并且在查全率从0到100％变化的过程中，本方法查准率以超过80％的概率高于【背景技术】方法。
【IPC分类】G06T7/00
【公开号】CN105469392
【申请号】CN201510795831
【发明人】张艳宁, 魏巍, 严杭琦, 张磊, 李勇
【申请人】西北工业大学
【公开日】2016年4月6日
【申请日】2015年11月18日