本發(fā)明涉及基于核方法的高光譜圖像分割方法。

背景技術(shù)：

高光譜圖像是把成像技術(shù)和光譜技術(shù)相結(jié)合，在獲取了二維景物信息的同時，還可以獲得表征其物理屬性的一維光譜信息的圖像數(shù)據(jù)。由于高光譜圖像信息豐富，怎樣提高光譜圖像的分類識別能力已經(jīng)成為目前研究的一大熱點，并且有著重大意義。而圖像分割是圖像處理與計算機視覺領(lǐng)域的低層次視覺中最為基礎(chǔ)和重要的問題之一，是對圖像進行的前提。圖像分割是將圖像分割成具有不同特征的區(qū)域，并對感興趣的目標(biāo)(或目標(biāo))進行提取，為后續(xù)的分析、理解和分類提供了依據(jù)。圖像分割也可對圖像分類進行矯正，提高分類精度。

技術(shù)實現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有技術(shù)中圖像分類精度低及易產(chǎn)生Haghes現(xiàn)象的問題，而提出的一種基于核方法的高光譜圖像分割方法。

一種基于核方法的高光譜圖像分割方法按以下步驟實現(xiàn)：

步驟一：對高光譜圖像數(shù)據(jù)進行預(yù)處理；

步驟二：對預(yù)處理后的高光譜圖像數(shù)據(jù)進行聚類處理；

步驟三：將通過核函數(shù)將預(yù)處理后的高光譜圖像數(shù)據(jù)和聚類中心映射到高維空間；

步驟四：根據(jù)圖像分割算法進行核函數(shù)映射空間的圖像分割。

發(fā)明效果：

本發(fā)明的算法中采取的預(yù)處理方法采用特征提取法中的KPCA方法進行降維處理，實現(xiàn)了高光譜圖像分割，并且通過降維消除了Haghes現(xiàn)象，可用于視覺分析和模式識別，實現(xiàn)高光譜圖像分割處理，具有廣闊的使用范圍和極大的應(yīng)用價值。

附圖說明

圖1為基于核方法的高光譜圖像分割示意圖；

圖2為農(nóng)田的高光譜圖像偽彩圖；

圖3為農(nóng)田的高光譜圖像標(biāo)準(zhǔn)分割結(jié)果圖；

圖4為核函數(shù)寬度參數(shù)σ為0.3時的高光譜圖像分割結(jié)果圖；

圖5為核函數(shù)寬度參數(shù)σ為0.4時的高光譜圖像分割結(jié)果圖；

圖6為核函數(shù)寬度參數(shù)σ為0.5時的高光譜圖像分割結(jié)果圖；

圖7為核函數(shù)寬度參數(shù)σ為0.6時的高光譜圖像分割結(jié)果圖。

具體實施方式

具體實施方式一：如圖1所示，一種基于核方法的高光譜圖像分割方法包括以下步驟：

步驟一：對高光譜圖像數(shù)據(jù)進行預(yù)處理；

步驟二：對預(yù)處理后的高光譜圖像數(shù)據(jù)進行聚類處理；

步驟三：將通過核函數(shù)將預(yù)處理后的高光譜圖像數(shù)據(jù)和聚類中心映射到高維空間；

步驟四：根據(jù)圖像分割算法進行核函數(shù)映射空間的圖像分割。

將高光譜圖像數(shù)據(jù)進行預(yù)處理，通過聚類找到聚類中心。將數(shù)據(jù)和聚類中心映射到高維空間，將核映射的數(shù)據(jù)應(yīng)用到圖割函數(shù)中，得到圖像分割結(jié)果。

具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中對高光譜圖像數(shù)據(jù)進行預(yù)處理具體為：

采用特征提取法中的KPCA方法進行降維處理，所述KPCA為基于核的主成分分析。

在高光譜數(shù)據(jù)分析中，測量復(fù)雜度與波段數(shù)和量化精度有關(guān)。圖像波段越多、量化精度越高，數(shù)據(jù)的復(fù)雜度就越大。存在一個最優(yōu)的數(shù)據(jù)復(fù)雜度，可以使分類精度達到最優(yōu)。如果數(shù)據(jù)維數(shù)很高，量化精度過高，都會導(dǎo)致分類精度下降，這就是著名的Haghes現(xiàn)象。降維是消除Haghes現(xiàn)象的一個重要的手段，所以在算法中采取的預(yù)處理方法采用特征提取法中的KPCA方法進行降維處理。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟二中進行聚類處理的具體過程為：

聚類就是把物理或抽象對象的集合分成由多個類的過程，其中每個類都是由類似的對象組成。一組數(shù)據(jù)對象的集合得到一個聚類生成的簇，同一個簇中的對象彼此相似，不同簇的對象彼此相異。該算法中中采用K－均值聚類法對數(shù)據(jù)進行聚類處理。。

基本原理：K－均值聚類法的基本思想是從數(shù)據(jù)樣本中選取K個點作為聚類中心初始值，在迭代過程中逐次移動各聚類中心直至相鄰兩次迭代的聚類中心沒有變化，聚類準(zhǔn)則函數(shù)達到最優(yōu)。

步驟二一：隨機指定k個聚類中心(m₁，m₂，…，m_k)；

步驟二二：對于每一個數(shù)據(jù)(每一個象素點都是由二維圖像信息和光譜維數(shù)據(jù)表示，對應(yīng)一個數(shù)據(jù))，找到離它(每一個數(shù)據(jù))最近的聚類中心，并將其分配到該類中；

步驟二三：重新計算各簇中心；

$m_1=m_i-\frac{1}{N}\underset{i=1}{\overset{N_i}{\mathrm{\Σ}}}{X}_{ij},i=1,2,3$

其中所述X_ij代表二維坐標(biāo)為(i，j)的點；

步驟二四：計算偏差；

$J=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}\left|\right|X_{ij}-m_i|{|}^2$

步驟二五：若J值收斂，則返回(m₁，m₂，…，m_k)，算法終止；否則轉(zhuǎn)至步驟二二。

其它步驟及參數(shù)與具體實施方式一或二相同。

具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中將通過核函數(shù)將預(yù)處理后的高光譜圖像數(shù)據(jù)和聚類中心映射到高維空間的具體過程為：

圖割算法是把普通圖像分成2種邊和2種點：第一種普通頂點對應(yīng)于圖像中的每個像素，還有另外兩個終端頂點；每兩個普通頂點的連接就是一條邊，每個普通頂點和終端頂點之間都有連接是第二種邊。

割是指一個邊的集合，很該集合中所有邊的斷開會導(dǎo)致殘留“S”和“T”圖的分開，所以就稱為“割”。如果一個割，它的邊的所有權(quán)值之和最小，那么這個就稱為最小割，也就是圖割的結(jié)果。

為了寫出分割函數(shù)，設(shè)λ為一個索引函數(shù)，把圖像的每一個點都分配到基數(shù)小于等于N的區(qū)域目錄的有限區(qū)域集的一個區(qū)域中；則分割函數(shù)為：

F(λ)＝D(λ)+αR(λ)

其中R(λ)為正則項，D(λ)是數(shù)據(jù)項，λ為一個索引函數(shù)，α是數(shù)據(jù)項和正則項之間的區(qū)域平滑系數(shù)；決定它們對分割函數(shù)的影響大小。

將數(shù)據(jù)項定義為：

$D\left(\mathrm{\λ}\right)=\underset{p\∈\mathrm{\Ω}}{\mathrm{\Σ}}{D}_P\left(\mathrm{\λ}\right(p\left)\right)=\mathrm{\Σ}\mathrm{\Σ}{({\mathrm{\μ}}_l-I_p)}^2$

I_p是一個從位置數(shù)組到光度變量(比如強度、差異、顏色或者質(zhì)地)的圖像函數(shù)，u_l是區(qū)域的分段函數(shù)模型的參數(shù)。

正則項設(shè)定為高斯分布的分段常數(shù)模型表示為：

R(λ)＝∑r(λ(p),λ(q))

r(λ(p),λ(q))＝min(const²,|μλ(p)-μ_λ(q)|²)

是通過截去絕對誤差平方頂端得到的平滑正則函數(shù)，其中const為常數(shù)，μ_l為區(qū)域參數(shù)，p是像素點，q是鄰域像素點，|μ_λ(p)-μ_λ(q)|為像素與鄰域像素區(qū)域參數(shù)之差的絕對值。

其它步驟及參數(shù)與具體實施方式一至三之一相同。

具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：所述步驟五中根據(jù)圖像分割算法進行核函數(shù)映射空間的圖像分割的具體過程為：

根據(jù)Mercer定理，任何連續(xù)的、系統(tǒng)的半正定的核函數(shù)都可以表示為一個高維空間的點積，不需要知道明確的映射，K(y,z)＝φ(y)^T·φ(z)。其中·是特征空間點積。

核函數(shù)采用徑向基函數(shù)，即高斯核函數(shù)，形式為：

$k\left(\right||x-x_c|\left|\right)=e^{-\frac{\left|\right|x-x_c|{|}^2}{{\left(2\mathrm{\σ}\right)}^2}}$

其中x_c為核函數(shù)中心，σ為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。

設(shè)：

J_k(I_p,μ)＝||φ(I_p)-φ(μ)||²＝K(I_p,I_p)+K(μ,μ)-2K(I_p,μ)

它是原始數(shù)據(jù)空間的非歐幾里得距離測量，與特征空間的平方范數(shù)一致。

其中K是核函數(shù)，k是高斯核函數(shù)；

分割函數(shù)為：

F({μl},λ)＝∑∑J_k(I_p,μ_l)+α∑r(λ(p),λ(q))。

J_k是定義的一個中間變量。

其它步驟及參數(shù)與具體實施方式一至四之一相同。

實施例一：

實驗數(shù)據(jù)是一片農(nóng)田的高光譜數(shù)據(jù)，初始維數(shù)為220，降維至維數(shù)為20。在分別設(shè)置核函數(shù)σ的值為0.3，0.4，0.5，0.6進行實驗。設(shè)置聚類個數(shù)k為12，平滑系數(shù)為0.1。圖2和圖3是一片農(nóng)田的高光譜圖像偽彩圖和標(biāo)準(zhǔn)分割結(jié)果。圖4至圖7分別設(shè)置核函數(shù)寬度參數(shù)σ為0.3，0.4，0.5，0.6的實驗結(jié)果。

從圖片可以看出，通過本文算法可以實現(xiàn)高光譜圖像的分割，且為0.5或0.6時分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果接近。