一種基於高斯分布的自適應高光譜分類方法
2023-07-16 17:56:36
一種基於高斯分布的自適應高光譜分類方法
【專利摘要】本發明公開了一種基於高斯分布的自適應高光譜分類方法。該方法根據光譜曲線的相似度，即目標與背景都符合高斯分布，將最小關聯窗口與中心像元的相似度量通過高斯函數擬合獲得數據分布特徵，進而獲得自適應閾值；然後利用像元最小關聯窗口合併相鄰相似像元為像塊完成降元，實現高光譜圖像分類。本發明方法不但實現了自適應，而且聚類精度高、邊緣辨識度好及魯棒性強。
【專利說明】一種基於高斯分布的自適應高光譜分類方法
【技術領域】
[0001]本發明屬於高光譜圖像處理領域，特別是一種基於高斯分布的自適應高光譜分類方法。
【背景技術】
[0002]對於高光譜圖像的目標分類，國內外的研究者一直致力於尋求高執行效率、低虛警概率、高分類概率的分類方法。高光譜分類最常見、最具代表性的是K-MEANS和IS0DATA兩種方法，這兩種方法假設類內像元滿足多元高斯分布，以高斯混合模型建模，採用歐拉距離作為基本測度手段。由於上述兩種方法較簡單、使用普遍，已經被集成在某些遙感圖像處理軟體中，而且這類算法只考慮了光譜信息忽略了圖像空間特性，Btt鄰像元具有更高相似可能性——圖像空間一致性。基於此特徵的分類將更符合人類對圖像的解析。
[0003]Reed和Yu兩位學者利用一幅圖像的局部灰度統計特性可以用高斯分布描述的性質，將一幅圖像分成若干子塊，認為如果背景灰度值在各個子塊上近似符合高斯分布，則那些不符合高斯分布的像素點便可能是需要獲得的目標像素點。以此為基礎，他們提出了著名的RX算法，RX算法根據背景樣本點的光譜向量均值和協方差矩陣，計算檢測點光譜向量和背景樣本的馬氏距離，實現高光譜分類。但RX算法要求預先知道目標的形狀和大小信息，而通常情況下這些信息可能是無法預先獲得的。
【發明內容】
[0004]本發明提出一種基於高斯分布的自適應高光譜分類方法。該方法聚類精度高、邊緣辨識度好及魯棒性強，在對高光譜圖像分類時，執行效率高，虛警概率低。
[0005]為了解決上述技術問題，本發明提供一種基於高斯分布的自適應高光譜分類方法，具體包括以下步驟:
[0006]步驟一:對高光譜圖像二維灰度直方圖的最佳一維投影進行高斯擬合得到最佳閾值；
[0007]步驟二:對高光譜圖像矩陣依次完成降元操作，所述降元操作是指:對中心像元判斷與其直接關聯的8個像元的相似性，將具有相似性的像元劃入同一像塊，像元具有相似性的判斷標準是該像元餘弦夾角小於最佳閾值；
[0008]步驟三:利用一元回歸線性模型在步驟二所獲得的像塊中選擇用於合併的像塊，並合併像塊實現圖像分類。
[0009]本發明與現有技術相比，其顯著優點在於:
[0010]本發明方法採用了基於二維灰度直方圖的最佳一維投影代替傳統的一維直方圖進行高斯擬合，這種一維投影既具有二維直方圖的分割精度，又有一維直方圖的分割速度，因而大大提高了圖像分類的精度和速度；本發明方法充分利用統計直方圖的峰谷特性，自動確定分割類數，並對各峰區的截斷樣本分布數據進行深入分析，利用部分樣本點的最小偏度所對應的灰度值作為估計均值，計算各樣本點分布數據與估計均值之比獲得估計方差樣本，取其截尾均值作為估計方差，消除了背景噪聲的影響，避免了目標數據間的數據幹擾，使擬合值更加精確，從而最終得到最佳分割閾值；通過降元操作和像塊合併的方法，實現高光譜分類。
【專利附圖】
【附圖說明】[0011]圖1是本發明方法流程圖。
[0012]圖2是本發明所選取的用於實驗的兩種場景的高光譜圖像，其中圖2(a)是場景一的高光譜圖像，圖2(b)是場景二的高光譜圖像。
[0013]圖3是圖2中兩種場景的高光譜圖像經過本發明方法步驟一得到的高斯擬合曲線圖，其中圖3(a)是圖2(a)的高斯擬合曲線圖，圖3 (b)是圖2(b)的高斯擬合曲線圖。
[0014]圖4是分別使用本發明方以及K-MEANS算法和IS0DATA算法對圖2場景的分類結果圖，其中圖4(a)是圖2(a)使用本發明方法的分類結果；圖4(b)是圖2(a)使用K-MEANS算法的分類結果；圖4(c)是圖2(a)使用IS0DATA算法的分類結果；圖4(d)是圖2(b)使用本發明方法的分類結果；圖4(e)是圖2(b)使用K-MEANS算法的分類結果；圖4(f)是圖2(b)使用IS0DATA算法的分類結果。
【具體實施方式】
[0015]如圖1所示，本發明方法包括以下步驟:
[0016]步驟一:對高光譜圖像二維灰度直方圖的最佳一維投影進行高斯擬合得到最佳閾值。
[0017]進一步，所述步驟一的一種【具體實施方式】為:
[0018]1.1在高光譜圖像的二維灰度函數f (X，y)坐標中任取一像素點(X，y)，計算其局部灰度平均值g(x，y)，計算方法如式(I)所示，
【權利要求】
1.一種基於高斯分布的自適應高光譜分類方法，其特徵在於，包括以下步驟: 步驟一:對高光譜圖像二維灰度直方圖的最佳一維投影進行高斯擬合得到最佳閾值； 步驟二:對高光譜圖像矩陣依次完成降元操作，所述降元操作是指:對中心像元判斷與其直接關聯的8個像元的相似性，將具有相似性的像元劃入同一像塊，像元具有相似性的判斷標準是該像元餘弦夾角小於最佳閾值； 步驟三:利用一元回歸線性模型在步驟二所獲得的像塊中選擇用於合併的像塊，並合併像塊實現圖像分類。
2.如權利要求1所述基於高斯分布的自適應高光譜分類方法，其特徵在於，所述步驟一具體為: `2.1在高光譜圖像的二維灰度函數f (X，y)坐標中任取一像素點(X，y)，計算其局部灰度平均值g(x，y),計算方法如式(I)所示，
3.如權利要求1所述基於高斯分布的自適應高光譜分類方法，其特徵在於，所述步驟二具體為: .3.1將高光譜圖像生成光譜向量Z矩陣，Z矩陣大小與高光譜圖像大小相同，Z矩陣中每個坐標點對應一個w維向量,w維向量由高光譜圖像中每個坐標點對應的灰度值組成； .3.2利用像元最小關聯窗口模型遍歷Z矩陣，計算最小關聯窗口的中心像元與其直接關聯的8個像元的餘弦夾角SAM(a+i，b+J)， 所述最小關聯窗口模型如式(5)所示，
4.如權利要求1所述基於高斯分布的自適應高光譜分類方法，其特徵在於，步驟三所述一元回歸線性模型如式(7)所示，
【文檔編號】G06K9/62GK103473561SQ201310407164
【公開日】2013年12月25日 申請日期:2013年9月9日 優先權日:2013年9月9日
【發明者】柏連發, 張毅, 嶽江, 韓靜, 吳經緯, 陳錢, 顧國華, 孫寶朋 申請人:南京理工大學