一种快速医学高光谱影像分类方法

本发明涉及高光谱影像处理，具体涉及一种快速医学高光谱影像分类方法。

背景技术：

1、高光谱影像(hyperspectral image，hsi)与传统的彩色数字影像相比具有更高的光谱分辨率，通常含有数十上百个波段。丰富的光谱信息可以为目标的精确识别提供依据。所以它在遥感领域方面应用非常的广泛。随着科技的进步，光谱成像的优势已经被应用于各个领域。例如，考古壁画保护、物证鉴定和食品无损检测等。其中随着医学光谱成像技术的持续发展，医疗健康成为了hsi增长最快的应用领域。对于医学应用来说，医学高光谱影像(medical hyperspectral image，mhsi)不仅能够提供各组织结构的二维空间分布信息，而且可以获得生物组织样本上某一点在感兴趣波长范围的完整光谱，对不同病理组织的化学组成和物理特征进行分析。所以，mhsi快速准确地分类使非侵入性的疾病诊断和临床治疗应用成为可能。

2、在应对超复杂表面时，尤其当待分类像素处于异质区域时，现阶段基于空间光谱信息融合的方法的区分性能受异质像素的干扰而下降。普遍存在的hsi不平衡问题导致传统针对多维数据提出的基于数据引力的分类方法(data gravitation basedclassification，dgc)不适用，因为它对所有样本都一视同仁，忽略了它们各自的分布，在数据不平衡的情况下，很难完成多类分类任务。

3、因此，在数据不平衡的情况下，如何改善医学高光谱影像分类方法，以提高对于处于异质区域的待分类像素的分类速度及稳定性，成为目前亟待解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种快速医学高光谱影像分类方法，以解决现有技术中基于空间光谱信息融合的方法的区分性能受异质像素的干扰而下降的问题。

2、本发明实施例提供了一种快速医学高光谱影像分类方法，包括：

3、从待分类的医学高光谱影像中提取若干个像素作为训练样本；

4、设置初始邻域窗口尺度；

5、根据初始邻域窗口尺度，从待分类的医学高光谱影像上随机选取联合训练区域；

6、通过联合分类算法计算得到联合训练区域中的每个像素和训练样本之间的相似性结果；

7、通过k次迭代交叉验证算法，对初始邻域窗口尺度寻优，得到最佳邻域窗口尺度；

8、采用最佳邻域窗口尺度和联合分类算法，对待分类的医学高光谱影像的所有像素进行分类；

9、其中，联合分类算法包括：

10、通过基于余弦相似度的正切映射获取待分类像素与训练样本之间的第一相似性结果；

11、通过联合数据引力分类获取待分类像素与训练样本之间的第二相似性结果；

12、对第一相似性结果和第二相似性结果进行加权计算，得到待分类像素的分类结果。

13、可选地，在从待分类的医学高光谱影像中提取若干个像素作为训练样本之前，还包括：

14、逐波段对待分类的医学高光谱影像中的每个像素对应的光谱值进行归一化处理。

15、可选地，从待分类的医学高光谱影像中提取若干个像素作为训练样本，包括：

16、根据待分类的医学高光谱影像上实际组织类型的种类，提取样本集

17、

18、其中，m为样本个数；li＝{1，2，…，c}表示第i个样本的标签；c为待分类的医学高光谱影像中的地物类别数；为实数；d为光谱维度。

19、可选地，通过基于余弦相似度的正切映射获取待分类像素与训练样本之间的第一相似性结果，包括：

20、计算待分类像素与每个训练样本像素在特征空间中的余弦相似度；

21、对余弦相似度进行正切映射；

22、结合空间邻域计算每个待分类像素与不同类别的训练样本像素的相似性，得到第一相似性结果。

23、可选地，结合空间邻域计算每个待分类像素与不同类别的训练样本像素的相似性，得到第一相似性结果，包括：

24、计算第一待分类像素与不同类别的训练样本像素的第三相似性结果；

25、获取第一待分类像素对应空间邻域内的第二待分类像素与不同类别的训练样本像素的第四相似性结果；

26、对第三相似性结果和第四相似性结果求取第一平均值；

27、将第一平均值作为第一待分类像素与不同类别的训练样本像素的相似性。

28、可选地，通过联合数据引力分类获取待分类像素与训练样本之间的第二相似性结果，包括：

29、获取窗口尺度范围内的每个待分类像素与所有训练样本像素之间的欧氏距离；

30、根据每个待分类像素与窗口尺度范围的中心像元之间的相似度，获取每个待分类像素的质量和每个待分类像素对应空间邻域内待分类像素的质量；

31、结合空间邻域计算每个待分类像素作用于不同类别的训练样本像素的数据引力，得到第二相似性结果。

32、可选地，结合空间邻域计算每个待分类像素作用于不同类别的训练样本像素的数据引力，得到第二相似性结果，包括：

33、计算第三待分类像素与不同类别的训练样本像素的第一数据引力；

34、获取第三待分类像素对应空间邻域内的第四待分类像素与不同类别的训练样本像素的第二数据引力；

35、对第一数据引力和第二数据引力求取第二平均值；

36、将第二平均值作为第三待分类像素与不同类别的训练样本像素的数据引力。

37、可选地，对初始邻域窗口尺度寻优，包括：

38、在k次迭代交叉验证过程中，使联合训练区域的中心像元保持不变；

39、在每次迭代交叉验证结束时，对联合训练区域的邻域窗口尺度进行更新。

40、可选地，在采用最佳邻域窗口尺度和联合分类算法，对待分类的医学高光谱影像的所有像素进行分类之后，还包括：

41、根据训练样本对待分类的医学高光谱影像的所有像素分类结果计算混淆矩阵，得到分类的总体精度和卡帕系数。

42、可选地，对第一相似性结果和第二相似性结果进行加权计算，得到待分类像素的分类结果，包括：

43、第一相似性结果对应的第一权重范围为0.3～0.7；

44、第二相似性结果对应的第二权重范围为0.3～0.7；

45、第一权重与第二权重之和为1。

46、本发明实施例的有益效果：

47、本实施例提出了一种基于相似度正切映射与联合数据引力的快速医学高光谱影像分类方法，基于余弦相似度与联合数据引力，将余弦相似度的正切映射与数据引力的对数值加权作为样本间的相似性度量，然后通过联合局部区域计算待分类像素与不同类别的相似程度，保证高光谱影像空间-光谱信息的充分利用以及多数类和少数类均衡利用，将待分类像素分配给作用相似性最大的类别，快速获取稳定的分类结果。通过加权分配权重计算待分类像素与不同类别训练样本之间的相似性。经过正切映射的余弦相似度能够有效降低异质像素的干扰，局部相似度数据引力能自适应地平衡少数类和多数类的贡献，所以保证了mhsi空间光谱信息的充分利用。通过结合像素度正切映射与数据引力的对数表示能够有效增加同质像素的聚集性，异质像素的可分性，从而获得比传统分类方法更好的分类结果。