多光谱图像的处理方法及装置制造方法及图纸

本发明专利技术公开了一种多光谱图像的处理方法及装置，该方法包括：计算所述多光谱图像的灰度图像，并统计所述灰度图像的直方图；对所述直方图进行均值滤波处理；构建差分符号数组及支持数组滤波器，其中，所述差分符号数组的元素个数等于所述直方图的维度；所述支持数组滤波器的元素个数为2m，前m个元素为1，后m个元素为-1；将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波，判断所得到的滤波值是否大于设定阈值，是则判断为所述直方图的一个峰值；将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。本发明专利技术实现了聚类类别数的自动获取，避免了人工交互，提高了图像处理的效率。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体涉及一种基于k-means和直方图分析的多光谱图像的处理方法及装置。
技术介绍
随着遥感卫星技术的迅速发展，遥感数据的获取能力的不断增强，技术人员越来越重视如何充分利用遥感图像数据，最大限度地发挥遥感图像的军事应用价值和民用价值。多光谱图像是遥感图像的一种，该类型图像包括红、绿、蓝、近红外四个波段的图像信息，具有较高的光谱分辨率，对多光谱图像进行分割处理，是目标检测、图像解译等高级别处理的基础，在军事领域和民用领域具有重要意义。图像分割是提取图像对象信息的重要环节，通过图像分割提取图像对象，能够便于进一步进行图像分析和理解。将计算机视觉领域的图像分割算法k-means聚类算法应用到多光谱图像分割过程中，可以将图像分割为多个对象。k-means聚类算法将多光谱图像的每一个像素点视为一个模式向量，模式向量的组成元素为同一像素点的各个波段的数值。然后根据预先设定的类别数目，对该模式向量进行迭代处理得出多光谱图像的各个类别。在现有的k-means聚类算法中，类别数目通常是人工根据图像大致所属的类别数设置的，需要人工交互来完成，算法的自动化程度较低。
技术实现思路
有鉴于此，为克服上述至少一个缺点，并提供下述至少一种优点。本专利技术公开了一种多光谱图像的处理方法及装置。为解决上述技术问题，本专利技术采用以下技术方案：一种多光谱图像的处理方法，包括以下步骤：r>计算所述多光谱图像的灰度图像，并统计所述灰度图像的直方图；对所述直方图进行均值滤波处理；构建差分符号数组及支持数组滤波器，其中，所述差分符号数组的元素个数等于所述直方图的维度，所述差分符号数组的元素的初始值为0，若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正，则所述差分符号数组中的对应元素为1，若所述差分值为负，则所述差分符号数组中的对应元素为-1；所述支持数组滤波器的元素个数为2m，且前m个元素为1，后m个元素为-1，其中m为大于等于5的正整数；将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波，判断所得到的滤波值是否大于设定阈值，是则判断所述滤波值为所述直方图的一个峰值；以及将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。在如上所述的多光谱图像的处理方法中，所述计算所述多光谱图像的灰度图像包括：采用均值法基于式(1)计算所述灰度图像的像素值：f(x,y)=14(f1(x,y)+f2(x,y)+f3(x,y)+f4(x,y))---(1)]]>其中，f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值，f(x,y)表示所述灰度图像的像素值。在如上所述的多光谱图像的处理方法中，基于式(2)对所述直方图进行均值滤波处理：h′(x)=12k+1Σi=-kkh(x+i)---(2)]]>其中，h'(x)表示所述直方图的均值滤波值，k表示滤波半径，i表示迭代参数。在如上所述的多光谱图像的处理方法中，所述对所述直方图进行均值滤波处理的次数为三次。在如上所述的多光谱图像的处理方法中，基于式(5)将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波：filter(x)=Σi=-mi=m-1f(x+i)*ffilter(i+m)---(5)]]>其中，filter(x)表示在位置x处的滤波结果值，f(x)表示差分符号数组，ffilter(x)表示支持数组滤波器。在如上所述的多光谱图像的处理方法中，所述将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对多光谱图像的各个像素点进行聚类包括：将所述多光谱图像的每一个像素点视为一个样本向量，基于式(6)将所述样本向量的元素设定为所述多光谱图像的各个波段的像素值：x(i)=(x1(i),x2(i),...,xn(i))---(6)]]>其中，x(i)表示所述多光谱图像的第i个波段的像素值，i表示所述样本向量的标号，n表示所述多光谱图像的波段总数；随机在所述多光谱图像中选取K个像素点作为聚类中心，其中K为所计算出的峰值的个数，分别计算各其它像素点距离所述K个聚类中心的欧式距离，并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一个类别；将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值，并重新计算所有像素点距离更新后的K个聚类中心的欧式距离，重新将各像素点与距离聚类中心的欧式距离最小的聚类中心划为一个类别；以及对所述样本向量进行迭代聚类处理直至计算出的聚类中心与更新的聚类中心一致。为了解决上述技术问题，本专利技术还提供了一种多光谱图像的处理装置，包括：计算模块，用于计算所述多光谱图像的灰度图像，并统计所述灰度图像的直方图；处理模块，用于对所述直方图进行均值滤波处理；构建模块，用于构建差分符号数组及支持数组滤波器，其中，所述差分符号数组的元素个数等于所述直方图的维度，所述差分符号数组的元素的初始值为0，若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正，则所述差分符号数组中的对应元素为1，若所述差分值为负，则所述差分符号数组中的对应元素为-1；所述支持数组滤波器的元素个数为2m，且前m个元素为1，后m个元素为-1，其中m为大于等于5的正整数；滤波模块，用于将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波，判断所得到的滤波值是否大于设定阈值，是则判断所述滤波值为所述直方图的一个峰值；以及聚类模块，用于将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。在如上所述的多光谱图像的处理装置中，所述计算模块采用均值法基于式(1)计算所述灰度图像的像素值：f(x,y)=14(f1(x,y)+f2(x,y)+f3(x,y)+f4(x,y))---(1)]]>其中，f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值，f(x,y)表示所述灰度图像的像素值。在如上所述的多光谱图像的处理装置中，所述处理模块基于式(2)对所述直方图进行三次均值滤波处理：h′(x)=12k+1Σi=-kkh(x+i)---(2)]]>其中，h'(x)表示所述直方图的均值滤波值，k表示滤波半径，i表示迭代...

【技术保护点】
一种多光谱图像的处理方法，其特征在于，包括以下步骤：计算所述多光谱图像的灰度图像，并统计所述灰度图像的直方图；对所述直方图进行均值滤波处理；构建差分符号数组及支持数组滤波器，其中，所述差分符号数组的元素个数等于所述直方图的维度，所述差分符号数组的元素的初始值为0，若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正，则所述差分符号数组中的对应元素为1，若所述差分值为负，则所述差分符号数组中的对应元素为‑1；所述支持数组滤波器的元素个数为2m，且前m个元素为1，后m个元素为‑1，其中m为大于等于5的正整数；将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波，判断所得到的滤波值是否大于设定阈值，是则判断所述滤波值为所述直方图的一个峰值；以及将所计算出的峰值的个数作为聚类数目，基于k‑means聚类算法对所述多光谱图像的各个像素点进行聚类。

【技术特征摘要】
1.一种多光谱图像的处理方法，其特征在于，包括以下步骤：
计算所述多光谱图像的灰度图像，并统计所述灰度图像的直方图；
对所述直方图进行均值滤波处理；
构建差分符号数组及支持数组滤波器，其中，所述差分符号数组的元素个
数等于所述直方图的维度，所述差分符号数组的元素的初始值为0，若对所述
均值滤波处理后的直方图进行差分计算所得到的差分值为正，则所述差分符号
数组中的对应元素为1，若所述差分值为负，则所述差分符号数组中的对应元
素为-1；所述支持数组滤波器的元素个数为2m，且前m个元素为1，后m个元
素为-1，其中m为大于等于5的正整数；
将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波，判断所
得到的滤波值是否大于设定阈值，是则判断所述滤波值为所述直方图的一个峰
值；以及
将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对所述多
光谱图像的各个像素点进行聚类。
2.如权利要求1所述的多光谱图像的处理方法，其特征在于，所述计算所
述多光谱图像的灰度图像包括：
采用均值法基于式(1)计算所述灰度图像的像素值：
f(x,y)=14(f1(x,y)+f2(x,y)+f3(x,y)+f4(x,y))---(1)]]>其中，f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处
的像素值，f(x,y)表示所述灰度图像的像素值。
3.如权利要求2所述的多光谱图像的处理方法，其特征在于，基于式(2)
对所述直方图进行均值滤波处理：
h′(x)=12k+1Σi=-kkh(x+i)---(2)]]>其中，h'(x)表示所述直方图的均值滤波值，k表示滤波半径，i表示迭代
参数。
4.如权利要求3所述的多光谱图像的处理方法，其特征在于，所述对所述
直方图进行均值滤波处理的次数为三次。
5.如权利要求4所述多光谱图像的处理方法，其特征在于，基于式(5)
将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波：
filter(x)=Σi=-mi=m-1f(x+i)*ffilter(i+m)---(5)]]>其中，filter(x)表示在位置x处的滤波结果值，f(x)表示差分符号数组，
ffilter(x)表示支持数组滤波器。
6.如权利要求1-5中任一项所述的多光谱图像的处理方法，其特征在于，
所述将所计算出的峰值的个数作为聚类数目，基于k-means聚类算法对多光谱
图像的各个像素点进行聚类包括：
将所述多光谱图像的每一个像素点视为一个样本向量，基于式(6)将所述
样本向量的元素设定为所述多光谱图像的各个波段的像素值：
x(i)=(x1(i),x2(i),...,xn(i))---(6)]]>其中，x(i)表示所述多光谱图像的第i个波段的像素值，i表示所述样本向
量的标号，n表示所述多光谱图像的波段总数；
随机在所述多光谱图像中选取K个像素点作为聚类中心，其中K为所计算
出的峰值的个数，分别计算各其它像素点距离所述K个聚类中心的欧式距离，
并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一
个类别；
将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值，并重
新计算所有像素点距离更新后的K个聚类中心的欧式距离，重新将各像素点与
距离聚类中心的欧式距离最小的聚类中心划为一个类别；以及
对所述样本向量进行迭代聚...

【专利技术属性】
技术研发人员：王振飞，汪红强，袁广辉，汪松，
申请(专利权)人：航天恒星科技有限公司，
类型：发明
国别省市：北京;11