基于图Graph模型的高光谱图像超像素分割方法

文档序号:10726340
基于图Graph模型的高光谱图像超像素分割方法
【专利摘要】基于图Graph模型的高光谱图像超像素分割方法,本发明涉及高光谱图像超像素分割方法。本发明是要解决现有超像素图像分割研究大多是针对自然图像或单波段遥感图像存在较大的误差的问题,而提出的基于图Graph模型的高光谱图像超像素分割方法。该方法是通过一、得到降维后的高光谱图像以及高光谱图像的降维结果Y;二、根据高光谱图像的降维结果Y建立图模型,得到赋权图G′;三、设定超像素的初始位置,根据超像素的初始位置利用超像素生成算法生成k个超像素;四、统计每个顶点vi的24邻域中超像素标签的众数,将顶点vi的标签更新为该众数,得到超像素分割的结果等步骤实现的。本发明应用于高光谱图像超像素分割领域。
【专利说明】
基于图Graph模型的高光谱图像超像素分割方法
技术领域
[0001] 本发明涉及高光谱图像超像素分割方法,特别涉及基于图Graph模型的高光谱图 像超像素分割方法。
【背景技术】
[0002] 高光谱成像主要特点在于能够同时获取空间和光谱信息,探测得到图谱合一的遥 感图像。当前高光谱遥感技术已经在国民经济和国防领域发挥了重要的作用。高分辨率遥 感对地观测系统是我国2020年科学技术发展规划中的重大专项之一,其中高光谱相机被定 位为重要的遥感探测载荷,预期在未来十年内发展和应用潜力巨大。伴随着高分观测系统 的不断发展,包括高光谱成像在内的对地观测方式所获取的遥感影像数据空间分辨率不断 提高,针对高空间分辨率类型的遥感数据,传统的逐像素处理方式已经不再适用。相对地, 面向对象(Object)的方式展现出了研究的必要性和处理上的优势,即将具有相同属性的地 物类别根据空间近邻关系,首先进行图像的过分割或聚类,形成超像素。超像素是由一些连 续像素组成的均匀图像区域,它的优点在于能够减少噪声和干扰的影响,同时能够减少图 像的复杂度。
[0003] 现有超像素图像分割研究大多是针对自然图像或单波段遥感图像,比如在计算机 视觉领域已经提出了很多针对自然图像的经典超像素算法,没有针对高光谱遥感图像的超 像素分割方法。目前很多研究直接将自然图像的超像素算法运用于高光谱图像的超像素分 害J,由于这些算法通常是针对RGB颜色空间提出来的而没有考虑高光谱图像的光谱特性,直 接运用存在较大的误差。高光谱图像的特点是空谱合一以及具有高维的光谱特征,如何结 合这些特点提出针对高光谱图像的高效超像素分割算法仍是一个有待解决的课题。

【发明内容】

[0004] 本发明的目的是为了解决现有超像素图像分割研究大多是针对自然图像或单波 段遥感图像存在较大的误差的问题,而提出的基于图Graph模型的高光谱图像超像素分割 方法。
[0005] 上述的发明目的是通过以下技术方案实现的:
[0006] 步骤一、利用PCA降维方法对高光谱图像进行降维,得到降维后的高光谱图像以及 高光谱图像的降维结果Y;
[0007] 步骤二、根据高光谱图像的降维结果Y建立图模型,得到赋权图V ;
[0008] 步骤三、设定超像素的初始位置,根据超像素的初始位置利用超像素生成算法生 成k个超像素;
[0009] 步骤三一、设步骤二得到的赋权图G'的顶点数为n,输入超像素的预定数目为k,将 k个超像素记为(Ci,C2,…,Cr,…,C k);其中,Cr表示第r个超像素中顶点的集合;
[0010] 步骤三二、将每个顶点Vl的超像素标签记为p(i);p(i)是〇到k之间的一个整数;当 p(i)=0时表示顶点Vi不属于任何超像素;当p(i)辛0时表示顶点Vi属于超像素C p⑴;
[0011] 步骤三三、将每个顶点Vl的超像素标签P(i)设定为〇;在赋权图V中任意构造超像 素Cr,利用均匀网格采样法对超像素Cr进行初始化;其中,均匀网格采样法中的网格间距为S 个顶点;其中
[0012] 步骤三四、遍历超像素((^,(^,…,(^…,。,设顶点^在&中丨顶点"不在匕中:在 顶点Vi与Vj组成的所有边中选择权值W e(Vi,Vj)最小的边e' (Vi,Vj);将最小的边e' (Vi,Vj)的 顶点W的标签P(j)更新为r,将顶点分配给超像素Cr得到更新后的超像素Cr;p(j)是1到k 之间的一个整数;
[0013] 步骤三五、将更新后的超像素Cr重复步骤三四,直到顶点集V中所有顶点的标签都 不为0为止;
[0014] 步骤四、统计每个顶点^的24邻域中超像素标签的众数,将顶点^的标签更新为该 众数,得到超像素分割的结果。
[0015] 发明效果
[0016] 本发明提出一种基于图的高光谱图像分割方法,充分考虑高光谱图像的空间与光 谱特性,解决高光谱图像的超像素分割问题。本发明公开了一种基于图(Graph)模型的高光 谱图像超像素分割方法。其实现过程为:(1)对高光谱图像进行降维;(2)在降维的基础上建 立图模型,得到一个赋权图;(3)设定超像素的初始位置,通过给定的超像素生成算法生成 超像素;(4)超像素标签的再分配,统计每个像素25近邻中超像素标签的众数,将每个像素 的标签更新为该众数,得到超像素分割的结果;本发明能够实现高光谱图像超像素的自动 分割,得到较高精度的分割结果如图2(a)~图3。
【附图说明】
[0017] 图1为【具体实施方式】一提出的基于图Graph模型的高光谱图像超像素分割方法流 程图;其中,a为流程图的一部分,b为流程图的另一部分;
[0018] 图2(a)为【具体实施方式】一提出的欧式距离示意图;
[0019]图2(b)为【具体实施方式】一提出的光谱角距离示意图;
[0020] 图2(c)为【具体实施方式】一提出的光谱信息差异示意图;
[0021] 图3为【具体实施方式】一提出的分割精度随超像素数目增大变化的曲线示意图;其 中,边界重现率和可实现分割精度是越高越好,过分割误差是越小越好。
【具体实施方式】
[0022]【具体实施方式】一:结合图1本实施方式的基于图Graph模型的高光谱图像超像素分 割方法,具体是按照以下步骤制备的:
[0023] 步骤一、利用PCA降维方法对高光谱图像进行降维,得到降维后的高光谱图像以及 高光谱图像的降维结果Y;
[0024] 步骤二、根据高光谱图像的降维结果Y建立图模型,得到赋权图V ;
[0025] 步骤三、设定超像素的初始位置,根据超像素的初始位置利用超像素生成算法生 成k个超像素;
[0026]步骤三一、设步骤二得到的赋权图G'的顶点数为n,输入超像素的预定数目为k,将 k个超像素记为(&,C2,…,Cr,…,&);其中,Cr表示第r个超像素中顶点的集合;
[0027]步骤三二、将每个顶点Vl的超像素标签记为p(i);p(i)是0到k之间的一个整数;当 p(i)=0时表示顶点vi不属于任何超像素;当p(i)辛0时表示顶点vi属于超像素CP⑴;
[0028]步骤三三、将每个顶点Vl的超像素标签p(i)设定为0;在赋权图V中任意构造超像 素Cr,利用均匀网格采样法对超像素Cr进行初始化;其中,均匀网格采样法中的网格间距为S 个顶点;其中,,V 二 ν' ; r = 1,2,3,…,k;
[0029] 步骤三四、遍历超像素(Ci,C2,…,Cr,…,Ck),设顶点Vi在Cr中,顶点Vj不在Cr中;在 顶点Vi与Vj组成的所有边中选择权值W e(Vi,Vj)最小的边e' (Vi,Vj);将最小的边e' (Vi,Vj)的 顶点W的标签P(j)更新为r,将顶点分配给超像素Cr得到更新后的超像素Cr;p(j)是1到k 之间的一个整数;
[0030] 步骤三五、将更新后的超像素Cr重复步骤三四,直到顶点集V中所有顶点的标签都 不为0为止;
[0031] 步骤四、统计每个顶点^的24邻域中超像素标签的众数,将顶点^的标签更新为该 众数,得到超像素分割的结果。
[0032] 步骤四中统计每个顶点^的24邻域中超像素标签的众数具体为:
[0033]设在步骤三中生成了 k个超像素,那么顶点^的标签为p(i)p(i)为1到k之间的一 个整数,表示顶点Vl属于超像素Cr;那么统计顶点^为中心的5X5网格内的所有像素超像素 标签的众数a,将顶点 Vl的标签更新为a;
[0034] 本实施方式效果:
[0035] 本实施方式提出一种基于图的高光谱图像分割方法,充分考虑高光谱图像的空间 与光谱特性,解决高光谱图像的超像素分割问题。本实施方式公开了一种基于图(Graph)模 型的高光谱图像超像素分割方法。其实现过程为:(1)对高光谱图像进行降维;(2)在降维的 基础上建立图模型,得到一个赋权图;(3)设定超像素的初始位置,通过给定的超像素生成 算法生成超像素;(4)超像素标签的再分配,统计每个像素25近邻中超像素标签的众数,将 每个像素的标签更新为该众数,得到超像素分割的结果;本实施方式能够实现高光谱图像 超像素的自动分割,得到较高精度的分割结果如图2(a)~图3。
【具体实施方式】 [0036] 二:本实施方式与一不同的是:步骤一中所述PCA降维 方法对高光谱图像进行降维具体为:
[0037] 设高光谱图像有η个像素,记为i = l,2,3, ···,!!,每个像素有d个波段的光谱值;那 么高光谱数据用矩阵Z来表示:
[0039] 其中,矩阵Z中第i个像素的d个波段即d维特征用d维向量表示为Zl = (Zll,Zl2,···, Zid);
[0040] 对矩阵Z进行PCA主成分分析得到高光谱图像的降维结果,保留该降维结果的主成 分个数D;其中,主成分个数D满足累积方差贡献率大于99% ;
[0041 ]高光谱图像的降维结果为:
[0043] 其中,pnD为降维结果中的第η个像素的第D个特征值。其它步骤及参数与具体实施 方式一相同。
【具体实施方式】 [0044] 三:本实施方式与一或二不同的是:步骤二中根据高 光谱图像的降维结果Y建立图模型,得到赋权图V具体过程为:
[0045] 步骤二一、将高光谱图像的降维结果Y映射为图G,具体地说,将降维后的高光谱图 像中的每个像素 i映射为图G的顶点vi,根据顶点Vi得到顶点集V;V= {vi | i = l,2,…,η};
[0046] 步骤二二、将图G中每个顶点Vi与Vi的24邻域中顶点Vj用边e (i,j) e Ε进行连接,得 到图G的边集E;j = l,2,…,η;
[0047] 步骤二三、根据顶点集V和边集Ε建立图G(V,E);
[0048] 步骤二四、采用邻接表的形式存储图G(V,E);
[0049] 步骤二五、在邻接表中,图G的顶点Vi建立单链表,在每个单链表中依序存储与顶 点^相连结的顶点;其中,邻接表是图的一种链式存储结构;
[0050] 步骤二六、定义边权值;设降维后的高光谱图像中的每个像素 i都联系着D个特征 (Pii,Pi2,…,PiD),那么图G(V,E)的边集E中的每条边e(i, j)的权值we(Vi,Vj) ;we(Vi,Vj)为欧 式距离度量的权值wel( Vi,Vj)、光谱角距离度量的权值we2( Vi,Vj)或光谱信息差异度量的权 {tWe3(vi,Vj);
[005? ]步骤二七、根据欧式距离度量的权值Wei ( Vi , Vj )、光谱角距离度量的权值We2 ( Vi , Vj ) 和光谱信息差异度量的权值将图G(V,E)中边e(i,j)进行赋权得到赋权图G'。 [0052]其它步骤及参数与【具体实施方式】一或二相同。
[0053]【具体实施方式】四:本实施方式与【具体实施方式】一至三之一不同的是:步骤二六中 欧式距离度量的权值Wel ( Vi,Vj )的计算过程:
[0055] plt为高光谱图像的降维结果Y中第i个像素的第t维特征值;为高光谱图像的降 维结果Y中第j个像素的第t维特征值。其它步骤及参数与【具体实施方式】一至三之一相同。
【具体实施方式】 [0056] 五:本实施方式与一至四之一不同的是:步骤二六中 光谱角距离度量的权值We2 ( Vi,Vj )的计算过程:
[0057]
。其它步骤及参数与【具体实施方式】一至四之一 相同。
[0058]【具体实施方式】六:本实施方式与【具体实施方式】一至五之一不同的是:步骤二六中 光谱信息差异度量的权值We3( Vi, Vj)计算过程:
[0059] 顶点Vi概率向量记为p=(pi,p2,'",Pf",PD),
:同样顶点Vj的概 率向量记为9=(91,92,"_冲"_仰);定义¥;1相对于¥」的相对熵为_
[0060] 那么顶点Vi与顶点Vj之间的光谱信息差异510(>:1,¥」)定义为:
[0061] We3(vi,Vj) = SID(vi,Vj) =D(vi | Vj)+D(vj | νι)
[0062] 其中,D(Vj I Vl)为%相对于^的相对熵。其它步骤及参数与【具体实施方式】一至五之 一相同。
[0063]【具体实施方式】七:本实施方式与【具体实施方式】一至六之一不同的是:步骤三三中 利用均匀网格采样法对超像素Cr进行初始化具体为:
[0064]将网格采样法中的网格中第r个网格节点所在的顶点^的标签p(i)更新为r,即将 顶点Vl分配给超像素Cr;从而完成了对超像素Cr进行初始化。其它步骤及参数与具体实施方 式一至六之一相同。
【主权项】
1. 基于图Gra地模型的高光谱图像超像素分割方法,其特征在于,该方法具体是按照w 下步骤进行的: 步骤一、利用PCA降维方法对高光谱图像进行降维,得到降维后的高光谱图像W及高光 谱图像的降维结果Y; 步骤二、根据高光谱图像的降维结果Y建立图模型,得到赋权图护; 步骤Ξ、设定超像素的初始位置,根据超像素的初始位置利用超像素生成算法生成k个 超像素; 步骤Ξ-、设步骤二得到的赋权图G/的顶点数为n,输入超像素的预定数目为k,将k个 超像素记为(Cl,C2,…,Cr,…,Ck);其中,Cr表示第r个超像素中顶点的集合; 步骤Ξ二、将每个顶点VI的超像素标签记为p(i);p(i)是0至化之间的一个整数;当p(i) =0时表示顶点Vi不属于任何超像素;当p(i)声0时表示顶点Vi属于超像素 Cpw ; 步骤ΞΞ、将每个顶点VI的超像素标签p(i)设定为0;在赋权图护中任意构造超像素 Cr, 利用均匀网格采样法对超像素 Cr进行初始化;其中,均匀网格采样法中的网格间距为S个顶 点;其中,《=V 八在;r 二 1,2,3,. . . , k; 步骤;四、遍历超像素(Cl,C2,…,Cr,···,Ck),设顶点Vi在Cr中,顶点Vj不在Cr中;在顶点 Vi与Vj组成的所有边中选择权值We ( Vi,V j )最小的边(6/ ( Vi,Vj );将最小的边(6/ ( Vi,Vj )的顶点 VJ的标签p(j)更新为r,将顶点V配给超像素 Cr得到更新后的超像素 Cr;p(j)是巧化之间 的一个整数; 步骤Ξ五、将更新后的超像素 Cr重复步骤Ξ四,直到顶点集V中所有顶点的标签都不为0 为止; 步骤四、统计每个顶点VI的24邻域中超像素标签的众数,将顶点VI的标签更新为该众 数,得到超像素分割的结果。2. 根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤一中所述PCA降维方法对高光谱图像进行降维具体为: 设高光谱图像有η个像素,记为i = l,2,3, ···,!!,每个像素有d个波段的光谱值;那么高 光谱数据用矩阵Z来表示:其中,矩阵Z中第i个像素的d个波段即d维特征用d维向量表示为Ζι=(Ζι1,Ζι2,···,Ζι<〇; 对矩阵Ζ进行PCA主成分分析得到高光谱图像的降维结果,保留该降维结果的主成分个 数D;其中,主成分个数D满足累积方差贡献率大于99% ; 高光谱图像的降维结果为:其中,PnD为降维结果中的第η个像素的第D个特征值。3. 根据权利要求2所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤二中根据高光谱图像的降维结果Y建立图模型,得到赋权图护具体过程为: 步骤二一、将高光谱图像的降维结果Y映射为图G,具体地说,将降维后的高光谱图像中 的每个像素 i映射为图G的顶点vi,根据顶点Vi得到顶点集V;V= {vi I i = l,2,. . .,n}; 步骤二二、将图G中每个顶点vi与vi的24邻域中顶点vj用边e(i,j)EE进行连接,得到图 G的边集E; j = l,2,. . .,n; 步骤二Ξ、根据顶点集V和边集E建立图G(V,E); 步骤二四、采用邻接表的形式存储图G(V,E); 步骤二五、在邻接表中,图G的顶点VI建立单链表,在每个单链表中依序存储与顶点VI相 连结的顶点; 步骤二六、定义边权值;设降维后的高光谱图像中的每个像素 i都联系着D个特征(Pii, Pi2,…,PiD),那么图G(V,E)的边集E中的每条边e(i,j)的权值巧6(乂1,乂^);巧6(乂1,乂^)为欧式距 离度量的权值Wel(Vi,Vj)、光谱角距离度量的权值We2(Vi,Vj)或光谱信息差异度量的权值We3 (vi,Vj); 步骤二屯、根据欧式距离度量的权值Wel(Vi,Vj)、光谱角距离度量的权值We2(Vi,Vj)和光 谱信息差异度量的权值We3(Vi,Vj)将图G(V,E)中边e(i,j)进行赋权得到赋权图护。4. 根据权利要求3所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤二六中欧式距离度量的权值Wel (VI,Vj )的计算过程:Pit为高光谱图像的降维结果Y中第i个像素的第t维特征值;为高光谱图像的降维结 果Y中第j个像素的第t维特征值。5. 根据权利要求3所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤二六中光谱角距离度量的权值We2 (VI,Vj )的计算过程:6. 根据权利要求3所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤二六中光谱信息差异度量的权值We3(Vi,Vj)计算过程: 顶点Vi概率向量记为P=(P1,P2,···,pt···,PD),其4同样顶点Vj的概率向 量记为q=(ql,q2,···,qt···,qD);定义Vi相对于Vj的相对赌关那么顶点VI与顶点Vj之间的光谱信息差异SID(Vi,Vj)定义为: We3(vi,Vj)=SID(vi,Vj)=D(vi I Vj)+D(vj I Vi) 其中,D(Vj I Vi)为Vj相对于Vi的相对赌。7.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法,其特征在于: 步骤ΞΞ中利用均匀网格采样法对超像素 Cr进行初始化具体为: 将网格采样法中的网格中第r个网格节点所在的顶点VI的标签p(i)更新为r,即将顶点 VI分配给超像素 Cr ;从而完成了对超像素 Cr进行初始化。
【文档编号】G06T7/00GK106097252SQ201610464694
【公开日】2016年11月9日
【申请日】2016年6月23日
【发明人】谷延锋, 金旭东
【申请人】哈尔滨工业大学
...
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1