基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法技術

本發(fā)明專利技術公開了一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法，用于解決現有高光譜圖像顯著性檢測方法準確率低的技術問題。技術方案是首先提取光譜梯度特征，并在所得數據上對圖像數據進行過分割，獲得一組超像素；再使用聚類方法將在光譜梯度特征上相似的超像素標記成同一類別，從而形成具有不同光譜梯度特征的區(qū)域。對每一區(qū)域，利用區(qū)域對比方法，計算其與相鄰區(qū)域的光譜梯度特征對比值作為其顯著性響應值。在哈佛大學和曼徹斯特大學提供的數據集上的實驗結果表明，在查全率為70％時，本發(fā)明專利技術方法查準率為82％，并且在查全率從0到100％變化的過程中，本方法查準率以超過80％的概率高于背景技術方法。

【技術實現步驟摘要】

本專利技術涉及一種高光譜圖像顯著性檢測方法，特別涉及一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法。
技術介紹
高光譜圖像以精細的光譜分辨率采集了場景中的物體在不同波長上的反射值，波長范圍為可見光波段的高光譜圖像可采集能為人的視覺系統(tǒng)感知但普通真彩圖像(RGB三色圖像)卻無法表達的信息。因此，利用高光譜圖像來解決傳統(tǒng)機器視覺領域內的研究問題已成為一大熱點。一些真彩圖像顯著性檢測算法已被成功推廣到波長范圍為可見光的高光譜圖像，并取得了一定的效果。然而，這些方法通常將高光譜圖像轉換成真彩圖像，再利用真彩圖像上的顯著性檢測算法進行檢測，并未充分利用高光譜圖像中豐富的光譜信息。近年來，有研究表明利用高光譜數據中的光譜信息能夠有效地檢測場景中的顯著性區(qū)域，而無需將高光譜數據轉換成真彩圖像。JieLiang等人在文獻“Salientobjectdetectioninhyperspectalimagery,IEEEInternationalConferenceonImageProcessing(ICIP),2013,pp.2393–2397”中利用光譜向量的歐式距離和余弦相似度來進行顯著性檢測。具體是通過在輸入數據上構建尺度空間，并通過歐氏距離和余弦相似度分別計算像元及其鄰域之間的差異。然而，該方法以單個像元為顯著性檢測單元，并直接利用光譜向量進行相關計算；因此，其檢測結果容易受到光照等因素的影響，對圖像中亮度高的區(qū)域過于敏感，檢測準確率低。
技術實現思路
為了克服現有高光譜圖像顯著性檢測方法準確率低的不足，本專利技術提供一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法。該方法首先提取光譜梯度特征，并在所得數據上對圖像數據進行過分割，獲得一組超像素；再使用聚類方法將在光譜梯度特征上相似的超像素標記成同一類別，從而形成具有不同光譜梯度特征的區(qū)域。對每一區(qū)域，利用區(qū)域對比方法，計算其與相鄰區(qū)域的光譜梯度特征對比值作為其顯著性響應值。在哈佛(Harvard)大學和曼徹斯特(Manchester)大學提供的數據集上的實驗結果表明，在查全率為70％時，本專利技術方法查準率為82％，并且在查全率從0到100％變化的過程中，本方法查準率以超過80％的概率高于
技術介紹
方法。本專利技術解決其技術問題所采用的技術方案是：一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法，其特點是包括以下步驟：步驟一、對于輸入的高光譜圖像數據Xn，在光譜維上求梯度得到光譜梯度圖像Gn＝{g1,g2,…,gn本文檔來自技高網...

【技術保護點】
一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法，其特征在于包括以下步驟：步驟一、對于輸入的高光譜圖像數據Xn，在光譜維上求梯度得到光譜梯度圖像Gn＝{g1,g2,…,gn}，其中第i個光譜梯度向量gi表示為gi=[x2i-x1iΔλ,x3i-x2iΔλ,...,xni-x(n-1)iΔλ]T]]>式中，Δλ為相鄰波段的波長間隔；步驟二、對光譜梯度圖像Gn中的每一個梯度向量，在其末尾標記空間維坐標信息，生成梯度擴展向量所有擴展向量g′i構成數據G′n；使用簡單線性迭代聚類對G′n進行過分割獲得一組超像素，分割過程如下：(a)在空間維上以S為步長形成m1×m2的網格，每個網格作為一個初始超像素，取每個網格中心像素的擴展向量為該超像素的初始中心向量Ck＝g′k，k∈{1,2,…,m1×m2}，賦予網格內的所有擴展向量與Ck同樣的類別標記；(b)對于每個中心Ck，計算其與落在以Ck為中心大小為2S×2S的區(qū)域所對應的擴展向量g′j間的距離D(j,k)，計算式如下D(j,k)=Σl=1p-1(gj′(l)-Ck(l))2+αΣl=pp+1(gj′(l)-Ck(l))2---(1)]]>其中g′j(l)和Ck(l)表示對應向量中的第l個分量，α為調節(jié)光譜梯度距離和空間距離的系數；(c)若D(j,k)小于g′j與其當前歸屬的中心Cr之間的距離D(j,r)，則將g′j的類別標記為屬于中心Ck；否則，保持g′j的類別標記不變；(d)通過步驟(b)、步驟(c)得到每個擴展向量g′i歸屬的新類別標記，根據新的類別標記計算當前每個中心Ck對應的新的超像素中心C′k；(e)計算每組Ck和C′k之間的差異，并由此求出迭代誤差(f)若err小于給定閾值，則結束計算；否則，更新當前每個中心Ck為C′k，并返回步驟(b)；得到一個由超像素中心向量所組成的集合C＝{Ck|k＝1,2,…,m1×m2}，及每個梯度向量的超像素類別標記L1；步驟三、對獲得的這組超像素使用均值漂移算法進行聚類，將在光譜梯度上較相似的超像素標記為同一類，從而形成若干區(qū)域；聚類時，第j個超像素中心與第k個超像素中心之間的光譜梯度距離定義為它們之間的空間距離定義為Cj(l)和Ck(l)表示對應向量中的第l個分量；令k＝1，具體聚類過程如下：(g)從超像素中心向量集合C中取出第k個中心向量Ck；(h)從C中選擇C′＝{Cj|ds(j,k)<Ts∧dc(j,k)<Tc}，j＝1,2,…,m1×m2；其中Ts和Tc分別為給定的梯度向量距離閾值和空間距離閾值；(i)計算C′中各中心向量的均值C′k，并計算其與Ck的差異err＝|Ck?C′k|；(j)令Ck＝C′k，若err大于給定閾值，則返回步驟(h)；否則，轉步驟(k)；(k)設當前聚類中心集合為Θ，遍歷Θ并選擇第一個滿足光譜梯度距離小于Ts/2且空間距離小于Tc/2的中心θ；(l)若步驟(k)中沒有滿足條件的中心，則Θ＝ΘU{Ck}，并將Ck標記為新的一類；否則，θ＝(θ+Ck)/2，將Ck標記為θ所對應的類別；(m)若C中所有成員已被遍歷，則結束計算；否則，k＝k+1，轉步驟(g)；將C中的超像素聚成若干類，再結合每個梯度向量的超像素類別標記L1確定每個梯度向量最終的類別標記L2；由此，Gn在空間維上被分割成若干區(qū)域；步驟四、根據L2計算每一類別中心所對應的擴展向量ζj，j∈{1,2,…,N}，其中N為總的類數，每一個ζj對應著一個空間區(qū)域Rj；對于區(qū)域Rj，其基于區(qū)域光譜特征對比的顯著性響應值為：S(Rj)=ΣRk≠Rjedc(Rk,Rj)-σ2ω(Rj)ds(Rk,Rj)---(2)]]>其中，為區(qū)域Rj和Rk間的空間距離，為光譜梯度距離，ζj(l)和ζk(l)表示對應向量中的第l個分量，ω(Rj)為Rj中的像元數，σ為用于調節(jié)空間距離權重的系數。...

【技術特征摘要】
1.一種基于區(qū)域光譜梯度特征對比的高光譜圖像顯著性檢測方法，其特征在于包括以
下步驟：
步...

【專利技術屬性】
技術研發(fā)人員：張艷寧，魏巍，嚴杭琦，張磊，李勇，
申請(專利權)人：西北工業(yè)大學，
類型：發(fā)明
國別省市：陜西;61