本发明涉及基于核方法的高光谱图像分割方法。
背景技术:
高光谱图像是把成像技术和光谱技术相结合,在获取了二维景物信息的同时,还可以获得表征其物理属性的一维光谱信息的图像数据。由于高光谱图像信息丰富,怎样提高光谱图像的分类识别能力已经成为目前研究的一大热点,并且有着重大意义。而图像分割是图像处理与计算机视觉领域的低层次视觉中最为基础和重要的问题之一,是对图像进行的前提。图像分割是将图像分割成具有不同特征的区域,并对感兴趣的目标(或目标)进行提取,为后续的分析、理解和分类提供了依据。图像分割也可对图像分类进行矫正,提高分类精度。
技术实现要素:
本发明是为了解决现有技术中图像分类精度低及易产生Haghes现象的问题,而提出的一种基于核方法的高光谱图像分割方法。
一种基于核方法的高光谱图像分割方法按以下步骤实现:
步骤一:对高光谱图像数据进行预处理;
步骤二:对预处理后的高光谱图像数据进行聚类处理;
步骤三:将通过核函数将预处理后的高光谱图像数据和聚类中心映射到高维空间;
步骤四:根据图像分割算法进行核函数映射空间的图像分割。
发明效果:
本发明的算法中采取的预处理方法采用特征提取法中的KPCA方法进行降维处理,实现了高光谱图像分割,并且通过降维消除了Haghes现象,可用于视觉分析和模式识别,实现高光谱图像分割处理,具有广阔的使用范围和极大的应用价值。
附图说明
图1为基于核方法的高光谱图像分割示意图;
图2为农田的高光谱图像伪彩图;
图3为农田的高光谱图像标准分割结果图;
图4为核函数宽度参数σ为0.3时的高光谱图像分割结果图;
图5为核函数宽度参数σ为0.4时的高光谱图像分割结果图;
图6为核函数宽度参数σ为0.5时的高光谱图像分割结果图;
图7为核函数宽度参数σ为0.6时的高光谱图像分割结果图。
具体实施方式
具体实施方式一:如图1所示,一种基于核方法的高光谱图像分割方法包括以下步骤:
步骤一:对高光谱图像数据进行预处理;
步骤二:对预处理后的高光谱图像数据进行聚类处理;
步骤三:将通过核函数将预处理后的高光谱图像数据和聚类中心映射到高维空间;
步骤四:根据图像分割算法进行核函数映射空间的图像分割。
将高光谱图像数据进行预处理,通过聚类找到聚类中心。将数据和聚类中心映射到高维空间,将核映射的数据应用到图割函数中,得到图像分割结果。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中对高光谱图像数据进行预处理具体为:
采用特征提取法中的KPCA方法进行降维处理,所述KPCA为基于核的主成分分析。
在高光谱数据分析中,测量复杂度与波段数和量化精度有关。图像波段越多、量化精度越高,数据的复杂度就越大。存在一个最优的数据复杂度,可以使分类精度达到最优。如果数据维数很高,量化精度过高,都会导致分类精度下降,这就是著名的Haghes现象。降维是消除Haghes现象的一个重要的手段,所以在算法中采取的预处理方法采用特征提取法中的KPCA方法进行降维处理。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中进行聚类处理的具体过程为:
聚类就是把物理或抽象对象的集合分成由多个类的过程,其中每个类都是由类似的对象组成。一组数据对象的集合得到一个聚类生成的簇,同一个簇中的对象彼此相似,不同簇的对象彼此相异。该算法中中采用K-均值聚类法对数据进行聚类处理。。
基本原理:K-均值聚类法的基本思想是从数据样本中选取K个点作为聚类中心初始值,在迭代过程中逐次移动各聚类中心直至相邻两次迭代的聚类中心没有变化,聚类准则函数达到最优。
步骤二一:随机指定k个聚类中心(m1,m2,…,mk);
步骤二二:对于每一个数据(每一个象素点都是由二维图像信息和光谱维数据表示,对应一个数据),找到离它(每一个数据)最近的聚类中心,并将其分配到该类中;
步骤二三:重新计算各簇中心;
其中所述Xij代表二维坐标为(i,j)的点;
步骤二四:计算偏差;
步骤二五:若J值收敛,则返回(m1,m2,…,mk),算法终止;否则转至步骤二二。
其它步骤及参数与具体实施方式一或二相同。
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:所述步骤三中将通过核函数将预处理后的高光谱图像数据和聚类中心映射到高维空间的具体过程为:
图割算法是把普通图像分成2种边和2种点:第一种普通顶点对应于图像中的每个像素,还有另外两个终端顶点;每两个普通顶点的连接就是一条边,每个普通顶点和终端顶点之间都有连接是第二种边。
割是指一个边的集合,很该集合中所有边的断开会导致残留“S”和“T”图的分开,所以就称为“割”。如果一个割,它的边的所有权值之和最小,那么这个就称为最小割,也就是图割的结果。
为了写出分割函数,设λ为一个索引函数,把图像的每一个点都分配到基数小于等于N的区域目录的有限区域集的一个区域中;则分割函数为:
F(λ)=D(λ)+αR(λ)
其中R(λ)为正则项,D(λ)是数据项,λ为一个索引函数,α是数据项和正则项之间的区域平滑系数;决定它们对分割函数的影响大小。
将数据项定义为:
Ip是一个从位置数组到光度变量(比如强度、差异、颜色或者质地)的图像函数,ul是区域的分段函数模型的参数。
正则项设定为高斯分布的分段常数模型表示为:
R(λ)=∑r(λ(p),λ(q))
r(λ(p),λ(q))=min(const2,|μλ(p)-μλ(q)|2)
是通过截去绝对误差平方顶端得到的平滑正则函数,其中const为常数,μl为区域参数,p是像素点,q是邻域像素点,|μλ(p)-μλ(q)|为像素与邻域像素区域参数之差的绝对值。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤五中根据图像分割算法进行核函数映射空间的图像分割的具体过程为:
根据Mercer定理,任何连续的、系统的半正定的核函数都可以表示为一个高维空间的点积,不需要知道明确的映射,K(y,z)=φ(y)T·φ(z)。其中·是特征空间点积。
核函数采用径向基函数,即高斯核函数,形式为:
其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。
设:
Jk(Ip,μ)=||φ(Ip)-φ(μ)||2=K(Ip,Ip)+K(μ,μ)-2K(Ip,μ)
它是原始数据空间的非欧几里得距离测量,与特征空间的平方范数一致。
其中K是核函数,k是高斯核函数;
分割函数为:
F({μl},λ)=∑∑Jk(Ip,μl)+α∑r(λ(p),λ(q))。
Jk是定义的一个中间变量。
其它步骤及参数与具体实施方式一至四之一相同。
实施例一:
实验数据是一片农田的高光谱数据,初始维数为220,降维至维数为20。在分别设置核函数σ的值为0.3,0.4,0.5,0.6进行实验。设置聚类个数k为12,平滑系数为0.1。图2和图3是一片农田的高光谱图像伪彩图和标准分割结果。图4至图7分别设置核函数宽度参数σ为0.3,0.4,0.5,0.6的实验结果。
从图片可以看出,通过本文算法可以实现高光谱图像的分割,且为0.5或0.6时分割结果与标准分割结果接近。