本發(fā)明涉及超光譜圖像處理
技術(shù)領(lǐng)域：
，尤其涉及一種基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法及系統(tǒng)。
背景技術(shù)：
：超光譜圖像具有“圖譜合一”的特性，可以同時提供場景的空間二維數(shù)據(jù)和光譜數(shù)據(jù)，實現(xiàn)對目標場景的探測和深度分析，在環(huán)境監(jiān)測、公共安全、國防研究等領(lǐng)域均有著廣泛的應(yīng)用價值。然而超光譜圖像包含幾百甚至上千個譜段的圖像信息，其數(shù)據(jù)量是傳統(tǒng)圖像的成百上千倍。以標準224個連續(xù)波段的AVRIS超光譜圖像為例,每個波段圖像的空間分辨率為512x614X16bits，這樣一套圖像的數(shù)據(jù)量大約為140Mbits。巨大的數(shù)據(jù)量給數(shù)據(jù)的傳輸、存儲以及管理等都帶來了壓力；同時，數(shù)據(jù)量的巨大增加也使得傳統(tǒng)的圖像處理系統(tǒng)不堪重負，由研究人員指出超光譜圖像處理的計算量隨波段成四次方增加。由于這極大的數(shù)據(jù)量，根據(jù)圖像中每個像素所對應(yīng)的光譜信息來實現(xiàn)對該像素所對應(yīng)地物的分析識別是一個非常困難的任務(wù)，采用傳統(tǒng)的圖像分類技術(shù)幾乎不可能完成。這時需要采用超光譜圖像數(shù)據(jù)降維技術(shù)來降低圖像的數(shù)據(jù)量，從而給后續(xù)的超光譜圖像分類任務(wù)降低壓力。目前的超光譜降維技術(shù)主要有兩大類，一種是基于波段選擇的方式；另外一種是基于特征提取的方式?；诓ǘ芜x擇的方式可以通過選擇適合處理的最佳波段來組成新的超光譜圖像空間，在不損失重要信息的條件下可以代表被剔除的波段?；谔卣魈崛〉姆绞街饕ㄟ^一定的變換把原始數(shù)據(jù)變換到另一空間，在另一個空間中，原始數(shù)據(jù)的大部分信息集中在低維，用低維的數(shù)據(jù)代替原來的數(shù)據(jù)就可實現(xiàn)降維。這兩類方法都各有優(yōu)缺點，前者可以快速選擇最優(yōu)波段來實現(xiàn)降維，但是容易丟失較多信息；后者有快速高效的特點，但是它們都是通過一定的變換來達到降維目的的，因此它改變了原始波段的物理特性，不利于圖像的解譯。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中容易丟失較多信息的缺陷，提供一種在保留大部分光譜信息的同時可以有效降低光譜的維度的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法及系統(tǒng)。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：本發(fā)明提供一種基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，包括以下步驟:S1、獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關(guān)系數(shù)并將其與設(shè)置的閾值進行比較，若相關(guān)系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；S2、采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；S3、采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權(quán)重系數(shù)，并根據(jù)該權(quán)重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。進一步地，本發(fā)明的步驟S1中計算波段i和波段j之間相關(guān)系數(shù)的公式為：si,j=bibj|bi||bj|]]>其中，波段i對應(yīng)的圖像矩陣Bi以字典表示形式表示為列向量bi，si,j滿足0≤si,j≤1，si,j的值越靠近1表示波段圖像Bi和波段圖像Bj之間的相似度越高。進一步地，本發(fā)明的判斷噪聲嚴重干擾波段的方法為：當sij滿足：si,i+1＜T&si,i-1＜T則認定波段i受噪聲污染嚴重，并將該波段圖像剔除，其中T為閾值。進一步地，本發(fā)明的步驟S2中子光譜空間分解算法的步驟為:S21、初始化各個子光譜空間的中心ok,k＝1,2,…c，設(shè)定最大迭代次數(shù)max_IT，設(shè)定參數(shù)m，設(shè)定停止閾值ε，設(shè)當前迭代次數(shù)為n_it＝1；S22、根據(jù)下式求得各個波段圖像b1,b2,…,bN和各個子光譜空間之間的隸屬度在第n_it次迭代后的值：rik(n_it)=1Σl=1c(||bi-ok(n_it-1)||2||bi-ol(n_it-1)||2)1m-1]]>根據(jù)下式求得各個子光譜空間的中心在第n_it次迭代后的值：ok(n_it)=Σi=1N(rik(n_it))mbiΣi=1N(rik(n_it))m]]>其中，噪聲波段剔除后所剩下的波段圖像，總共包含有N個波段，每個波段圖像被堆疊為列向量的形式：b1,b2,…,bN；設(shè)定將超光譜圖像在光譜空間總共分成c個子光譜空間；設(shè)定ok,k＝1,2,…c表示各個子光譜空間的中心，rik,i＝1,2,…N,k＝1,2,…c表示波段圖像bi和各個子光譜空間中心ok之間的隸屬度；S23、如果或n_it＝max_IT，則迭代停止，否則n_it＝n_it+1，并轉(zhuǎn)至步驟S22。進一步地，本發(fā)明的步驟S3中噪聲成分分析的波段提取方法具體為：S31、設(shè)某子光譜空間的波段數(shù)量為ρ，每個波段的圖像的像素數(shù)量為K，子光譜空間的超光譜圖像數(shù)據(jù)的協(xié)方差矩陣根據(jù)下式計算可得：Σs=1KΣk=1K(yk-y‾)(yk-y‾)T]]>其中,yk表示超光譜圖像中的第k個像素所對應(yīng)的光譜數(shù)據(jù)，它是一個ρ維的向量，是對K個yk的一個平均；S32、根據(jù)噪聲估計技術(shù)，可以獲得子光譜空間的超光譜圖像數(shù)據(jù)的噪聲協(xié)方差矩陣Σn；計算矩陣Σn和的特征值和滿足如下等式的變換矩陣R：RTΣnR=IRTR=Δn-1]]>其中，Δn是由Σn的特征向量組成的對角矩陣；S33、根據(jù)變換矩陣R和Σs以及如下的公式可以計算自適應(yīng)協(xié)方差矩陣：Σa＝RTΣsRS34、計算自適應(yīng)協(xié)方差矩陣Σa的特征值和對應(yīng)的特征向量并根據(jù)下式計算子光譜空間中各個波段圖像的權(quán)重：αj=Σi=1ρ(λa,iνi,k)2]]>S35、將從大到小排序，得到排序后的權(quán)重序列根據(jù)如下式子選擇盡量少的前m個α′j所對應(yīng)的波段圖像：其中，為總權(quán)重值。本發(fā)明提供一種基于光譜空間分解和噪聲成分分析的超光譜圖像降維系統(tǒng)，包括以下步驟：超光譜圖像獲取單元，用于獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關(guān)系數(shù)并將其與設(shè)置的閾值進行比較，若相關(guān)系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；圖像分解單元，用于采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；光譜降維單元，用于采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權(quán)重系數(shù)，并根據(jù)該權(quán)重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。本發(fā)明產(chǎn)生的有益效果是：本發(fā)明的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，根據(jù)各個波段之間的相似性來判斷受噪聲嚴重污染的波段，并將其舍棄，從而保證最終保留的超光譜圖像具有更高的信噪比；通過采用子光譜空間分解算法，既可以降低波段選擇算法運算量，同時也可以避免最終保留的超光譜圖像中各個波段之間冗余沒有完全消除；通過采用的基于噪聲成分分析和特征變換的方法可以有效評估各個波段的特征及信息含量，進而可以增大選擇最優(yōu)波段的概率；本方法可以在不損失重要信息的條件下消除波段之間的冗余信息，并且不會改變原始波段的物理特性。附圖說明下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中：圖1是本發(fā)明實施例的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法的流程圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。如圖1所示，本發(fā)明實施例的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，包括以下步驟:S1、獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關(guān)系數(shù)并將其與設(shè)置的閾值進行比較，若相關(guān)系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；計算波段i和波段j之間相關(guān)系數(shù)的公式為：si,j=bibj|bi||bj|]]>其中，波段i對應(yīng)的圖像矩陣Bi以字典表示形式表示為列向量bi，si,j滿足0≤si,j≤1，si,j的值越靠近1表示波段圖像Bi和波段圖像Bj之間的相似度越高。判斷噪聲嚴重干擾波段的方法為：當sij滿足：si,i+1＜T&si,i-1＜T則認定波段i受噪聲污染嚴重，并將該波段圖像剔除，其中T為閾值。S2、采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；子光譜空間分解算法的步驟為:S21、初始化各個子光譜空間的中心ok,k＝1,2,…c，設(shè)定最大迭代次數(shù)max_IT，設(shè)定參數(shù)m，設(shè)定停止閾值ε，設(shè)當前迭代次數(shù)為n_it＝1；S22、根據(jù)下式求得各個波段圖像b1,b2,…,bN和各個子光譜空間之間的隸屬度在第n_it次迭代后的值：rik(n_it)=1Σl=1c(||bi-ok(n_it-1)||2||bi-ol(n_it-1)||2)1m-1]]>根據(jù)下式求得各個子光譜空間的中心在第n_it次迭代后的值：ok(n_it)=Σi=1N(rik(n_it))mbiΣi=1N(rik(n_it))m]]>其中，噪聲波段剔除后所剩下的波段圖像，總共包含有N個波段，每個波段圖像被堆疊為列向量的形式：b1,b2,…,bN；設(shè)定將超光譜圖像在光譜空間總共分成c個子光譜空間；設(shè)定ok,k＝1,2,…c表示各個子光譜空間的中心，rik,i＝1,2,…N,k＝1,2,…c表示波段圖像bi和各個子光譜空間中心ok之間的隸屬度；S23、如果或n_it＝max_IT，則迭代停止，否則n_it＝n_it+1，并轉(zhuǎn)至步驟S22。S3、采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權(quán)重系數(shù)，并根據(jù)該權(quán)重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。噪聲成分分析的波段提取方法具體為：S31、設(shè)某子光譜空間的波段數(shù)量為ρ，每個波段的圖像的像素數(shù)量為K，子光譜空間的超光譜圖像數(shù)據(jù)的協(xié)方差矩陣根據(jù)下式計算可得：Σs=1KΣk=1K(yk-y‾)(yk-y‾)T]]>其中,yk表示超光譜圖像中的第k個像素所對應(yīng)的光譜數(shù)據(jù)，它是一個ρ維的向量，是對K個yk的一個平均；S32、根據(jù)噪聲估計技術(shù)，可以獲得子光譜空間的超光譜圖像數(shù)據(jù)的噪聲協(xié)方差矩陣Σn；計算矩陣Σn和的特征值和滿足如下等式的變換矩陣R：RTΣnR=IRTR=Δn-1]]>其中，Δn是由Σn的特征向量組成的對角矩陣；S33、根據(jù)變換矩陣R和Σs以及如下的公式可以計算自適應(yīng)協(xié)方差矩陣：Σa＝RTΣsRS34、計算自適應(yīng)協(xié)方差矩陣Σa的特征值和對應(yīng)的特征向量并根據(jù)下式計算子光譜空間中各個波段圖像的權(quán)重：αj=Σi=1ρ(λa,iνi,k)2]]>S35、將從大到小排序，得到排序后的權(quán)重序列根據(jù)如下式子選擇盡量少的前m個α′j所對應(yīng)的波段圖像：其中，為總權(quán)重值。本發(fā)明實施例的基于光譜空間分解和噪聲成分分析的超光譜圖像降維系統(tǒng)，用于實現(xiàn)本發(fā)明實施例的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，包括以下步驟：超光譜圖像獲取單元，用于獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關(guān)系數(shù)并將其與設(shè)置的閾值進行比較，若相關(guān)系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；圖像分解單元，用于采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；光譜降維單元，用于采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權(quán)重系數(shù)，并根據(jù)該權(quán)重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。應(yīng)當理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護范圍。當前第1頁1 2 3