本发明涉及高维图像处理
技术领域：
，具体涉及基于三维Gabor滤波器的高光谱图像快速滤波方法。
背景技术：
：高光谱成像作为图像信息获取和处理技术及遥感成像技术的前沿领域，获取的图像包含了观测对象丰富的空间信息与光谱信息，且光谱分辨率达到了纳米数量级。高光谱图像分类技术利用“图谱合一”的高光谱图像实现观测场景的分类，可以用于探测和识别传统全色、多光谱遥感图像处理难以探测的地物类别。高光谱图像分类技术已在海洋探测、环境检测、城市规划、农业发展及军事目标监测等领域得到广泛应用。由于高光谱图像的数据维度很高，许多滤波方法虽然可以提取出有利于改善分类性能的特征，但由于计算较为复杂，耗时间长，难以投入实际应用中。因此，针对具有较大数据量的高光谱图像，设计快速、高效的滤波方法从中提取有效的分类特征，进而实现高效的高光谱图像分类，是高光谱图像分类领域较为重要的研究方向之一。基于标准三维Gabor滤波的高光谱图像特征提取方法虽然能够提取出图像在各个频率段的信息，使其构造的特征具有良好的判别可分性，但计算效率十分低下。针对此问题，本发明提出一种基于可分三维Gabor滤波器的高光谱图像快速滤波方法，将已有的标准三维Gabor滤波器的实部和虚部分别拆分为一维Gabor滤波器的乘积，使得三维卷积运算转化为分别在空间和光谱不同方向上的一维卷积运算，将时间计算复杂度降低两个数量级，显著减少了计算时间。技术实现要素：为了克服现有技术存在的缺点与不足，本发明提供一种基于三维Gabor滤波器的高光谱图像快速滤波方法。本发明采用如下技术方案：基于三维Gabor滤波器的高光谱图像快速滤波方法，其特征在于，包括如下步骤：S1获取三维高光谱图像立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；S2预处理S1的三维高光谱图像数据，将高光谱图像中噪声水平高的光谱波段删除；S3构建标准三维Gabor滤波器，其函数表示如下：其中σm、σn表示空间维的尺度，σb表示光谱维的尺度；F表示频率幅值，θ、表示频率在三维空-谱空间上的方向；u、v、w是频率分别在m、n、b方向上的投影值；S4确定三维Gabor滤波器的最佳尺度参数为：得到最优尺度下的三维Gabor滤波器：S5将上个步骤的三维Gabor滤波器的实部分解为一维低阶Gabor滤波器乘积的线性组合构成实部滤波器，同时，将三维Gabor滤波器的虚部分解为一维低阶Gabor滤波器乘积的线性组合构成虚部滤波器；S6使用实部滤波器对预处理后的高光谱图像先后在空间维m、n方向上和光谱维b方向上滤波，得到实部特征立方体：使用虚部滤波器对预处理后的高光谱图像先后在空间维m、n方向上和光谱维b方向上滤波，得到虚部特征立方体：S7将同一频率参数下的实部特征立方体和虚部特征立方体求模值，合并为幅值特征立方体：S8将不同频率的幅值特征立方体连接合并，得到最终用于分类的特征；S9最后分别通过SVM分类和最小二乘分类验证本方法的分类精度。所述S5中三维Gabor滤波器的实部分解为一维低阶Gabor滤波器乘积的线性组合，具体为：将三维Gabor滤波器的虚部也分解为一维低阶Gabor滤波器乘积的线性组合：所述S6中的实部特征立方体：虚部特征立方体：所述S7合并后的幅值特征立方体为：所述S4中具体采用交叉验证方法确定三维Gabor滤波器的最佳尺度参数。所说频率包括幅值和方向。本发明的有益效果：(1)本发明将原有标准三维Gabor滤波方法在滤波过程上做了改进，避免了直接做三维卷积的高复杂度计算，而是将原三维Gabor滤波器的实部和虚部分别利用三角函数拆分成函数形式相同、卷积方向不同的一维Gabor滤波器的乘积。三维卷积也因此转化为先后在空间维m、n方向和光谱维b方向上的一维卷积。设三维Gabor模板的大小为M'×N'×B'，原标准三维Gabor滤波方法计算卷积结果中一个点的值需要M'×N'×B'的计算量，而本发明的快速滤波方法计算滤波结果中一个点的值只需要M'+N'+B'的计算量；(2)本发明的特征提取方法在分类性能上与标准三维Gabor滤波方法相同，在地物识别、环境检测和动植物、军事目标监测等诸多领域能取得同样好的应用效果，并且本发明的特征提取速度更快，实时性更好。附图说明图1是本发明的工作流程图；图2是对于AVIRISIndianPines图像采用本方法的计算时间随Gabor滤波器尺寸的变化示意图；图3是对于AVIRISIndianPines图像，标准三维Gabor滤波方法的计算时间随Gabor滤波器尺寸的变化示意图；图4(a)-图4(d)是训练样本标签，图像中的像素点被分为12类，分别为每类抽取的训练样本占比例分别为2％，3％，4％，5％；图5(a)-图5(d)是测试样本标签，图像中的像素点被分为12类，四个图中每类抽取的训练样本占比例分别为2％，3％，4％，5％；图6(a)-图6(d)是全体样本标签，采用标准三维Gabor滤波最小二乘分类方法得到的分类结果，图像中的像素点被分为12类，四个图中包含各类训练样本占比例分别为2％，3％，4％，5％。图7(a)-图7(d)是全体样本标签，采用本发明滤波，最小二乘法分类得到分类结果，图像中的像素点被分为12类，四个图中包含各类训练样本占比例分别为2％，3％，4％，5％；图8(a)-图8(d)是全体样本标签，采用标准三维Gabor滤波，支持向量机分类方法得到分类结果，图像中的像素点被分为12类，四个图中分别包含各类训练样本占比例分别为2％，3％，4％，5％；图9(a)-图9(d)是全体样本标签，采用本发明滤波、支持向量机分类方法得到的分类结果，图像中的像素点被分成12类，四个图中分别包含各类训练样本占比例分别为2％，3％，4％，5％。具体实施方式下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。实施例如图1所示，一种基于三维Gabor滤波器的高光谱图像快速滤波方法，包括如下步骤：步骤1：获取三维高光谱图像立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；步骤2：预处理原始高光谱图像数据，将高光谱图像中噪声水平高的光谱波段删除；步骤3：构建不同频率幅值、不同频率方向、不同尺度参数下的标准三维Gabor滤波器，滤波器的函数表示如下：其中下标σm、σn、σb分别表示空间维m、n方向上和光谱维b方向上的尺度；F表示频率幅值，θ、表示频率在三维空-谱空间上的方向；u、v、w是频率分别在m、n、b方向上的投影值；步骤4：通过交叉验证方法确定三维Gabor滤波器的最佳尺度参数为：得到最优尺度下的三维Gabor滤波器：步骤5：将三维Gabor滤波器的实部分解为一维低阶Gabor滤波器乘积的线性组合：同时，将三维Gabor滤波器的虚部也分解为一维低阶Gabor滤波器乘积的线性组合：使用Gabor实部对高光谱图像滤波的过程即为先后在空间维m、n方向上和光谱维b方向上的一维滤波，如：步骤6：使用不同频率(幅值、方向)参数下的Gabor实部滤波器对高光谱图像先后在空间维m、n方向上和光谱维b方向上滤波，得到实部特征立方体：使用不同频率(幅值、方向)参数下的Gabor虚部滤波器对高光谱图像先后在空间维m、n方向上和光谱维b方向上滤波，得到虚部特征立方体：步骤7：对同一频率(幅值、方向)参数下滤波得到的实部特征立方体和虚部特征立方体求模值，合并为幅值特征立方体：步骤8：不同频率(幅值、方向)参数下的幅值特征立方体连接合并，得到最终用于分类的特征；步骤9：最后分别通过SVM分类和最小二乘分类验证本方法的分类精度。图2及图3是对于AVIRISIndianPines图像采用本方法及标准三维Gabor滤波方法的计算时间随Gabor滤波器尺寸的变化示意图，得到采用本方法的快速滤波方法，时间更快。图4(a)-图4(d)为训练样本标签，图5(a)-图5(d)为测试样本标签。图6(a)-图6(d)、图7(a)-图7(d)、图8(a)-图8(d)及图9(a)-图9(d)分别对图4(a)-图4(d)的训练样本采用本方法及标准三维Gabor进行滤波。由图6(a)-图6(d)得到表1利用标准三维Gabor滤波提取特征和最小二乘方法对图像像素分类，得到的准确率。其中，待分类的像素来自于12个类。表1训练像素比例0.020.030.040.05测试准确率0.85350.91970.94490.9637由图7(a)-图7(d)得到表2利用可分三维Gabor滤波提取特征和最小二乘方法对图像像素分类，得到的准确率。其中，待分类的像素来自于12个类。表2训练像素比例0.020.030.040.05测试准确率0.85350.91970.94490.9637由图8(a)-图8(d)得到表3利用标准三维Gabor滤波提取特征和SVM方法对图像像素分类，得到的准确率。其中，待分类的像素来自于12个类。表3训练像素比例0.020.030.040.05测试准确率0.84070.89540.92570.9473由图9(a)-图9(d)得到表4利用可分三维Gabor滤波提取特征和SVM方法对图像像素分类，得到的准确率。其中，待分类的像素来自于12个类。表4训练像素比例0.020.030.040.05测试准确率0.84070.89540.92570.9473本方法的优势如下：(1)将标准三维Gabor滤波器的实部和虚部分别应用三角函数公式，分解为空间维m、n方向和光谱维b方向上的一维Gabor滤波器乘积的线性组合。将三维滤波转化为一维滤波的方法大大提高了计算速度。(2)通过标准三维Gabor滤波器实部对高光谱图像滤波的过程可通过4个低阶滤波器的滤波结果求和实现。其中，每个低阶滤波器均由空间维m、n方向和光谱维b方向上的一维Gabor滤波器的乘积构成。将4个低阶滤波器对高光谱图像滤波得到的特征求和就可以分别得到实部特征与虚部特征，标准三维Gabor滤波器虚部的滤波过程同理。(3)将同一频率方向、同一频率幅值下快速滤波得到的实部特征和虚部特征求模，就可以求取三维Gabor特征。在不同频率参数下实现上述过程可以得到不同频率参数下的三维Gabor特征，将多个频率参数下的三维Gabor特征按顺序连接成一个整体，可获得用于高光谱图像分类的Gabor特征。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页1 2 3