基于像素空间信息的高光谱图像分割方法技术

本发明专利技术公开了一种基于像素空间信息的高光谱图像分割方法，主要是解决现有方法中不能将相近地貌很好的分割出来的不足。其分割步骤是：求解高光谱数据的像素特征和像素空间欧氏距离矩阵，并进行归一化；对像素特征和像素空间欧氏距离矩阵进行加权，将加权后的两个矩阵相加形成联合相异度矩阵，调节加权参数，得到多组联合相异度矩阵；使用等距映射算法对每一组的联合相异度矩阵进行降维，得到多组映射结果；对每组映射结果进行统计分析，完成高光谱图像的初步分割；对初步划分的边界点进行类别校正，得到最后的图像分割结果。本发明专利技术能够有效地找到高光谱图像中的不同地貌的细微差别，可用于军事目标识别，矿藏勘探，环境状况分析。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是一种图像分割方法，该方法可以对复 杂地貌进行分析，从相近地貌中发现感兴趣的目标并大体划定地貌间的边界。
技术介绍
图像分割是指对自然图像或SAR图像进行处理，将图像中不同目标分离出来。 高光谱图像数据由高光谱遥感产生的，维数很高，它的每一维数据都是一幅灰度 图像。使用传统的图像分割方法无法对其进行整体处理，对数据的每一维进行处 理后再组合起来工作量太大，效果也很难保证。国外的一些学者提出了使用支持 向量机对高光谱图像进行分割，效果也较好。但支持向量机是一种有监督学习方 法，在进行训练时必须知道训练样本的类别属性，这一弱点限制了它在这一领域 的应用，因为在实际工作中往往不知道图像中各部分的类别。流形学习算法可以 在不知道数据类别的情况下降低数据维数并保持数据内部几何关系。这一特性使 得流形学习在高光谱图像分割领域有广泛的应用。2002年澳大利亚的一些学者 提出将流形学习中的等距映射算法应用到高光谱图像分割领域。在他们的工作中 用等距映射算法对图像进行降维，然后使用贝叶斯网络进行类别划分完成图像分 割工作。尽管他们的工作中只是挑选了像素特征差别大即高光谱图像中的每个像 素点整体的灰度信息的地貌进行试验性分割，但效果还是不很理想。
技术实现思路
本专利技术的在于克服上述已有技术的不足，提供一种基于像素空间信息的高光 谱图像分割方法，以提高图像分割效果。实现本专利技术目的技术方案是将像素空间信息引入等距映射算法，将像素空间 信息与像素特征信息组合起来，找到一个从像素空间分布到像素特征分布的渐变 过程，以此找到地貌间的边界将高光谱图像分割，具体步骤如下为实现上述目的，本专利技术包括如下步骤-(1)对高光谱图像数据的像素特征信息和像素空间信息分别进行欧氏距离求 解，获得像素特征欧氏距离矩阵和像素空间欧氏距离矩阵，并对这两个矩阵进行 归一化；(2) 将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加权， 并通过调节加权参数改变二者的大小，使加权后的两个矩阵相加后形成联合相异 度矩阵，反复调整加权参数，得到多组联合相异度矩阵；(3) 使用等距映射算法分别对每一组的联合相异度矩阵进行降维，得到多组 映射结果；(4) 对多组映射结果分别进行欧氏距离求解，并统计像素点空间近邻变化情 况，将与近邻距离持续变大的点判定为边界点，完成高光谱图像的初步分割；(5) 对图像初步分割结果中的边界点进行如下类别校正，得到最后的图像分 割结果，5a)根据像素空间欧氏距离矩阵和像素特征欧氏距离矩阵提取每个边界点与 其像素空间八近邻点的像素特征欧氏距离，形成该边界点的距离集合；5b)按每个边界点的八近邻点类别统计其距离集合，形成x个欧氏距离向量；5c)计算每一个欧氏距离向量的中值，将x个中值中最小的那个向量代表的 类别设定为该边界点的最终类别。本专利技术与现有技术相比具有以下优点-1、 本专利技术由于将像素空间信息引入高光谱图像分割领域，增加了处理图像 时的信息量，与其它流形技术不同之处在于本方法依据从像素空间分布到像素特 征分布的渐进变化过程分割图像，相比于其它的无监督学习方法理论上更加完 备，效果也更好；2、 本专利技术由于采用图像初次分割后，对边界点进行类别校正，因而减少了 错分的边界点，使最终得到的分割结果更接近于图像的地貌的真实分布。 附图说明图1是本专利技术的高光谱图像分割流程图； 图2是本专利技术待处理的高光谱数据类别示意图； 图3是使用等距映射算法对像素特征信息进行处理的映射结果图； 图4是本专利技术的高光谱图像分割结果图。 具体实施例方式参照图1,本专利技术的具体实现步骤如下-步骤1:求解高光谱图像数据的像素特征信息和像素空间信息的欧氏距离， 并进行归一化。1.1) 选取高光谱图像中图3所示的区域，该区域的数据包含200个波段，每 个波段都是一幅灰度图像，由此可以将这些数据视为200个灰度特征矩阵，按波 段顺序将每个灰度特征矩阵按照列分解，然后按顺序连接起来形成一个大的列向 量，由此得到了 200个列向量；1.2) 将这200个列向量组合起来形成像素特征矩阵data,该特征矩阵data的 每一行都表示一个像素点的像素特征矢量，计算每两行像素特征矢量的欧氏距 离，得到像素特征欧氏距离矩阵Y1;1.3) 按照1. 2)步中像素点的顺序获取每个像素点在图像上的空间位置矢量, 将所有点的空间位置矢量组成像素位置矩阵axis,该空间矩阵axis的每一行都表 示一个像素点的空间位置矢量，计算每两行像素空间位置矢量的欧氏距离，得到 像素空间欧氏距离矩阵Y2;1.4) 得到像素特征欧氏距离矩阵Yl和像素空间欧氏距离矩阵Y2后，找到这 两个矩阵中的最大值，用Y1和Y2除以其本身的最大值，完成对这两个矩阵的 归一化。步骤2:将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加 权，得到多组联合相异度矩阵。得到归一化的像素特征欧氏距离矩阵Yl和像素空间欧氏距离矩阵Y2后， 设定一个加权参数;i,用A乘以像素特征欧氏距离矩阵Yl，用l-义乘以像素空 间欧氏距离矩阵Y2，将加权后的两个矩阵相加，得到联合相异度矩阵D，矩阵 D的具体形式是D-;^Y1 + (1-X"Y2，通过改变义的大小可以得到多组合相异 度矩阵，在本实验仿真中;i从0增加到0.5， 一次增加0.05，即保持两个矩阵的 加权参数合为l,先设定像素特征欧氏距离矩阵的加权参数初始值为0，然后将 该参数每次增加0.05，直到该参数增加到0.5，像素空间欧氏距离矩阵的加权参 数则相应由l减少到0.5。步骤3:使用等距映射算法分别对每一组的联合相异度矩阵进行降维，得到 多组映射结果。步骤4:对多组映射结果分别进行欧氏距离求解，并统计像素点空间近邻变 化情况，将与其近邻距离持续变大的点判定为边界点，完成高光谱图像的初步分 割。4.1)将每个映射结果视为一个矩阵，矩阵的每一行表示一个像素点的映射坐6标，计算每两行映射坐标的欧氏距离，得到每组映射结果的像素欧氏距离矩阵L;4.2) 根据像素空间欧氏距离矩阵Y2取得每个像素点八近邻变化情况，即得 到像素空间欧氏距离矩阵Y2每一行中最小的八个非0值的列号，这些列号就是 该像素点的八近邻在像素欧氏距离矩阵L中的列号，将这些列号的数值组成该 行所代表的点的列表向量In，将这些列表向量In组成八近邻列表矩阵index, 该矩阵的每一行都代表一个像素点的列表向量；4.3) 按照八近邻列表矩阵index在L中找到每个点的八近邻距离，将其中最 大三个相加得到一个距离和值，对每组映射结果进行相同处理，得到多个距离和 值，将这些距离和值按顺序组成该点的偏移行向量；4.4) 将所有点的偏移行向量组成偏移矩阵dist，根据参数调整的顺序用dist 的后一个列向量减去前一个列向量，得到近邻变化矩阵L'， L'的每一行表示一 个像素点的近邻变化情况，即近邻变化行向量，统计近邻变化矩阵L'每一行中大 于0的数值个数，将这个个数作为该点的近邻变化值，由此得到变化描述列向量 S;4.5) 针对dist设定一个阈值，査找dist每一行中大于这个阈值的数值个数， 将这个个数再加到变化描述列向量S的相应行的数字上；4.6) 针对变化描述列向量S设定一个阈值m,将S各行本文档来自技高网...

【技术保护点】
一种高光谱图像分割方法，其特征在于包含步骤如下：　　（１）对高光谱图像数据的像素特征信息和像素空间信息分别进行欧氏距离求解，获得像素特征欧氏距离矩阵和像素空间欧氏距离矩阵，并对这两个矩阵进行归一化；　　（２）将归一化的像素特征欧氏距离矩阵和像素空间欧氏距离矩阵进行加权，并通过调节加权参数改变二者的大小，使加权后的两个矩阵相加后形成联合相异度矩阵，反复调整加权参数，得到多组联合相异度矩阵；　　（３）使用等距映射算法分别对每一组的联合相异度矩阵进行降维，得到多组映射结果；　　（４）对多组映射结果分别进行欧氏距离求解，并统计像素点空间近邻变化情况，将与近邻距离持续变大的点判定为边界点，完成高光谱图像的初步分割；　　（５）对图像初步分割结果中的边界点进行如下类别校正，得到最后的图像分割结果，　　５ａ）根据像素空间欧氏距离矩阵和像素特征欧氏距离矩阵提取每个边界点与其像素空间八近邻点的像素特征欧氏距离，形成该边界点的特征距离集合；　　５ｂ）按每个边界点的八近邻点类别统计其距离集合，形成ｘ个欧氏距离向量；　　５ｃ）计算每一个欧氏距离向量的中值，将ｘ个中值中最小的那个向量代表的类别设定为该边界点的最终类别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张莉，周伟达，周宏杰，晏哲，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]