基于區(qū)域光譜梯度特征對(duì)比的高光譜圖像顯著性檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明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(duì)比的高光譜圖像顯著性檢測方法。
【背景技術(shù)】
[0002] 高光譜圖像以精細(xì)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(dá)的信息。因此，利用高光譜圖像來解決傳統(tǒng)機(jī)器視覺領(lǐng)域內(nèi)的研究問題 已成為一大熱點(diǎn)。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(zhuǎn)換成真彩圖像，再利用 真彩圖像上的顯著性檢測算法進(jìn)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(shù)據(jù)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(shù)據(jù)轉(zhuǎn)換成真彩圖像。
[0003] Jie Liang等人在文獻(xiàn)"Salient object detection in hyperspectal imagery, IEEE International Conference on Image Processing(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(jìn)行顯著性檢測。具體是通過在輸入數(shù)據(jù)上構(gòu)建 尺度空間，并通過歐氏距離和余弦相似度分別計(jì)算像元及其鄰域之間的差異。然而，該方法 以單個(gè)像元為顯著性檢測單元，并直接利用光譜向量進(jìn)行相關(guān)計(jì)算；因此，其檢測結(jié)果容易 受到光照等因素的影響，對(duì)圖像中亮度高的區(qū)域過于敏感，檢測準(zhǔn)確率低。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有高光譜圖像顯著性檢測方法準(zhǔn)確率低的不足，本發(fā)明提供一種基于 區(qū)域光譜梯度特征對(duì)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(shù)據(jù)上對(duì)圖像數(shù)據(jù)進(jìn)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(biāo)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(duì)每一區(qū)域， 利用區(qū)域?qū)Ρ确椒?，?jì)算其與相鄰區(qū)域的光譜梯度特征對(duì)比值作為其顯著性響應(yīng)值。在哈 佛(Harvard)大學(xué)和曼徹斯特(Manchester)大學(xué)提供的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，在查全 率為70%時(shí)，本發(fā)明方法查準(zhǔn)率為82%，并且在查全率從0到100 %變化的過程中，本方法查 準(zhǔn)率以超過80 %的概率高于【背景技術(shù)】方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種基于區(qū)域光譜梯度特征對(duì)比的 高光譜圖像顯著性檢測方法，其特點(diǎn)是包括以下步驟：
[0006] 步驟一、對(duì)于輸入的高光譜圖像數(shù)據(jù)Xn，在光譜維上求梯度得到光譜梯度圖像Gn = {gl，g2,…，gn}，其中第i個(gè)光譜梯度向量gi表示為
[0007]
[0008] 式中，Λλ為相鄰波段的波長間隔。
[0009 ]步驟二、對(duì)光譜梯度圖像Gn中的每一個(gè)梯度向量，在其末尾標(biāo)記空間維坐標(biāo)信息， 生成梯度擴(kuò)展向I
。所有擴(kuò)展向量成數(shù)據(jù)G\。使用簡 單線性迭代聚類對(duì)G' n進(jìn)行過分割獲得一組超像素，分割過程如下：
[0010] (a)在空間維上以S為步長形成mXm2的網(wǎng)格，每個(gè)網(wǎng)格作為一個(gè)初始超像素，取每 個(gè)網(wǎng)格中心像素的擴(kuò)展向量為該超像素的初始中心向量Ck = g' k，ke {1，2，…，nu Xm2}，賦 予網(wǎng)格內(nèi)的所有擴(kuò)展向量與Ck同樣的類別標(biāo)記；
[0011] (b)對(duì)于每個(gè)中心Ck，計(jì)算其與落在以Ck為中心大小為2SX2S的區(qū)域所對(duì)應(yīng)的擴(kuò)展 向量f」間的距離D( j，k)，計(jì)算式如下
[0012]
(1)
[0013]其中g(shù)、（l)和Ck(l)表示對(duì)應(yīng)向量中的第1個(gè)分量，α為調(diào)節(jié)光譜梯度距離和空間距 離的系數(shù)；
[0014] (c)若D(j，k)小于g、與其當(dāng)前歸屬的中心Cr之間的距離D(j，r)，則將g、的類別標(biāo) 記為屬于中心否則，保持g、的類別標(biāo)記不變；
[0015] (d)通過步驟(b)、步驟(c)得到每個(gè)擴(kuò)展向量歸屬的新類別標(biāo)記，根據(jù)新的類 別標(biāo)記計(jì)算當(dāng)前每個(gè)中心&對(duì)應(yīng)的新的超像素中心Ck;
[0016] (e)計(jì)算每組Ck和C'k之間的差異，并由此求出迭代誤
[0017] (f)若err小于給定閾值，則結(jié)束計(jì)算；否則，更新當(dāng)前每個(gè)中心Ck為k，并返回步 驟(b) 〇
[0018]得到一個(gè)由超像素中心向量所組成的集合C = {Ck| k=l，2,…,ι?ιΧπμ}，及每個(gè)梯 度向量的超像素類別標(biāo)記Li。
[0019] 步驟三、對(duì)獲得的這組超像素使用均值漂移算法進(jìn)行聚類，將在光譜梯度上較相 似的超像素標(biāo)記為同一類，從而形成若干區(qū)域。聚類時(shí)，第j個(gè)超像素中心與第k個(gè)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
2，Cj(l)和Ck(l)表示對(duì)應(yīng)向量中的第1個(gè)分量。
[0020] 令k = l，具體聚類過程如下：
[0021 ] (g)從超像素中心向量集合C中取出第k個(gè)中心向量&;
[0022] (h)從 C 中選擇(/ ={Cj|ds(j，k)〈TsAdc(j，k)〈Tc}，j = l，2,…，miXm2。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；
[0023] ⑴計(jì)算C'中各中心向量的均值匕，并計(jì)算其與&的差異err= ;
[0024] (j)令Ci^C/k，若err大于給定閾值，貝lj返回步驟(h);否則，轉(zhuǎn)步驟(k);
[0025] (k)設(shè)當(dāng)前聚類中心集合為Θ，遍歷Θ并選擇第一個(gè)滿足光譜梯度距離小于!^/2 且空間距離小于Tc/2的中心Θ;
[0026] (1)若步驟(k)中沒有滿足條件的中心，則Θ = Θυ{&}，并將Ck標(biāo)記為新的一類;否 則，Θ = (0+Ck)/2，將Ck標(biāo)記為Θ所對(duì)應(yīng)的類別。
[0027] (m)若C中所有成員已被遍歷，則結(jié)束計(jì)算;否則，k = k+1，轉(zhuǎn)步驟(g)。
[0028]將C中的超像素聚成若干類，再結(jié)合每個(gè)梯度向量的超像素類別標(biāo)記。確定每個(gè) 梯度向量最終的類別標(biāo)記L2;由此，Gn在空間維上被分割成若干區(qū)域。
[0029]步驟四、根據(jù)算每一類別中心所對(duì)應(yīng)的擴(kuò)展向量^，_]_6{1，2，一少}，其中~為 總的類數(shù)，每一個(gè)ζ」對(duì)應(yīng)著一個(gè)空間區(qū)域心。對(duì)于區(qū)域心，其基于區(qū)域光譜特征對(duì)比的顯著 性響應(yīng)值為：
[0030](2) Kk
[0031] 其 4
為光譜梯度距離，ζ」（1)和Gk(l)表示對(duì)應(yīng)向量中的第1個(gè)分量，ω (Rj)為Rj中的像元數(shù)，σ為用 于調(diào)節(jié)空間距離權(quán)重的系數(shù)。
[0032] 本發(fā)明的有益效果是:該方法首先提取光譜梯度特征，并在所得數(shù)據(jù)上對(duì)圖像數(shù) 據(jù)進(jìn)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(biāo)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(duì)每一區(qū)域，利用區(qū)域?qū)Ρ确椒?，?jì) 算其與相鄰區(qū)域的光譜梯度特征對(duì)比值作為其顯著性響應(yīng)值。在哈佛(Harvard)大學(xué)和曼 徹斯特(Manchester)大學(xué)提供的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，在查全率為70%時(shí)，本發(fā)明方 法查準(zhǔn)率為82 %，并且在查全率從0到100 %變化的過程中，本方法查準(zhǔn)率以超過80 %的概 率高于【背景技術(shù)】方法。
[0033]以下結(jié)合【具體實(shí)施方式】詳細(xì)說明本發(fā)明。
【具體實(shí)施方式】
[0034] 本發(fā)明基于區(qū)域光譜梯度特征對(duì)比的高光譜圖像顯著性檢測方法具體步驟如下：
[0035] 高光譜圖像是由空間維和光譜維構(gòu)成的一個(gè)三維立方體結(jié)構(gòu)，空間維反映了成像 場景中不同位置像元在某一光譜波段上的反射值;而光譜維反映像元在不同波段上的反射 值。因而高光譜圖像可視為P幅2D圖像(波段圖像），其中p為波段數(shù)，若將每一個(gè)波段圖像拉 成一個(gè)行向量，貝一幅高光譜圖像可以表示成一pXn的二維矩陣X n= {xi，X2, . . .，xn}，其中 η為圖像中像元總數(shù)。乂"的每一行對(duì)應(yīng)某一波段上的所有像素，其每一列則是某一像素對(duì)應(yīng) 的光譜向量。
[0036] 1、提取光譜梯度特征。
[0037] 對(duì)于輸入的高光譜圖像數(shù)據(jù)Χη，在光譜維上求梯度得到光譜梯度圖像Gn={gl， 沿，"_，811}，其中第1個(gè)光譜梯度向量81可以表示：
其中Λλ為相鄰波段的波長間隔。
[0038] 2、過分割獲得超像素。
[0039] 對(duì)光譜梯度圖像6"中的每一個(gè)梯度向量，在其末尾標(biāo)記空間維坐標(biāo)信息，生成梯 度擴(kuò)展向量g = 彳e {1,2,…，《丨。所有擴(kuò)展向量g'滿成數(shù)據(jù)G'n。使用簡單線性 迭代聚類（Simple Linear Iterative Clustering，SLIC)對(duì)G'n進(jìn)行過分割獲得一組超像 素，具體分割過程如下：
[0040] (a)在空間維上以S為步長形成mXm2的網(wǎng)格