一種基于高斯分布的自適應(yīng)高光譜分類方法
【專利摘要】本發(fā)明公開了一種基于高斯分布的自適應(yīng)高光譜分類方法。該方法根據(jù)光譜曲線的相似度，即目標(biāo)與背景都符合高斯分布，將最小關(guān)聯(lián)窗口與中心像元的相似度量通過高斯函數(shù)擬合獲得數(shù)據(jù)分布特征，進(jìn)而獲得自適應(yīng)閾值；然后利用像元最小關(guān)聯(lián)窗口合并相鄰相似像元為像塊完成降元，實(shí)現(xiàn)高光譜圖像分類。本發(fā)明方法不但實(shí)現(xiàn)了自適應(yīng)，而且聚類精度高、邊緣辨識度好及魯棒性強(qiáng)。
【專利說明】一種基于高斯分布的自適應(yīng)高光譜分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于高光譜圖像處理領(lǐng)域，特別是一種基于高斯分布的自適應(yīng)高光譜分類方法。
【背景技術(shù)】
[0002]對于高光譜圖像的目標(biāo)分類，國內(nèi)外的研究者一直致力于尋求高執(zhí)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(shè)類內(nèi)像元滿足多元高斯分布，以高斯混合模型建模，采用歐拉距離作為基本測度手段。由于上述兩種方法較簡單、使用普遍，已經(jīng)被集成在某些遙感圖像處理軟件中，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。基于此特征的分類將更符合人類對圖像的解析。
[0003]Reed和Yu兩位學(xué)者利用一幅圖像的局部灰度統(tǒng)計(jì)特性可以用高斯分布描述的性質(zhì)，將一幅圖像分成若干子塊，認(rèn)為如果背景灰度值在各個(gè)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(diǎn)便可能是需要獲得的目標(biāo)像素點(diǎn)。以此為基礎(chǔ)，他們提出了著名的RX算法，RX算法根據(jù)背景樣本點(diǎn)的光譜向量均值和協(xié)方差矩陣，計(jì)算檢測點(diǎn)光譜向量和背景樣本的馬氏距離，實(shí)現(xiàn)高光譜分類。但RX算法要求預(yù)先知道目標(biāo)的形狀和大小信息，而通常情況下這些信息可能是無法預(yù)先獲得的。

【發(fā)明內(nèi)容】

[0004]本發(fā)明提出一種基于高斯分布的自適應(yīng)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(qiáng)，在對高光譜圖像分類時(shí)，執(zhí)行效率高，虛警概率低。
[0005]為了解決上述技術(shù)問題，本發(fā)明提供一種基于高斯分布的自適應(yīng)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(jìn)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(guān)聯(lián)的8個(gè)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(biāo)準(zhǔn)是該像元余弦夾角小于最佳閾值；
[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于合并的像塊，并合并像塊實(shí)現(xiàn)圖像分類。
[0009]本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)在于:
[0010]本發(fā)明方法采用了基于二維灰度直方圖的最佳一維投影代替?zhèn)鹘y(tǒng)的一維直方圖進(jìn)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(fā)明方法充分利用統(tǒng)計(jì)直方圖的峰谷特性，自動確定分割類數(shù)，并對各峰區(qū)的截?cái)鄻颖痉植紨?shù)據(jù)進(jìn)行深入分析，利用部分樣本點(diǎn)的最小偏度所對應(yīng)的灰度值作為估計(jì)均值，計(jì)算各樣本點(diǎn)分布數(shù)據(jù)與估計(jì)均值之比獲得估計(jì)方差樣本，取其截尾均值作為估計(jì)方差，消除了背景噪聲的影響，避免了目標(biāo)數(shù)據(jù)間的數(shù)據(jù)干擾，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并的方法，實(shí)現(xiàn)高光譜分類。
【專利附圖】

【附圖說明】[0011]圖1是本發(fā)明方法流程圖。
[0012]圖2是本發(fā)明所選取的用于實(shí)驗(yàn)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(jīng)過本發(fā)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(fā)明方以及K-MEANS算法和IS0DATA算法對圖2場景的分類結(jié)果圖，其中圖4(a)是圖2(a)使用本發(fā)明方法的分類結(jié)果；圖4(b)是圖2(a)使用K-MEANS算法的分類結(jié)果；圖4(c)是圖2(a)使用IS0DATA算法的分類結(jié)果；圖4(d)是圖2(b)使用本發(fā)明方法的分類結(jié)果；圖4(e)是圖2(b)使用K-MEANS算法的分類結(jié)果；圖4(f)是圖2(b)使用IS0DATA算法的分類結(jié)果。
【具體實(shí)施方式】
[0015]如圖1所示，本發(fā)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(jìn)行高斯擬合得到最佳閾值。
[0017]進(jìn)一步，所述步驟一的一種【具體實(shí)施方式】為:
[0018]1.1在高光譜圖像的二維灰度函數(shù)f (X，y)坐標(biāo)中任取一像素點(diǎn)(X，y)，計(jì)算其局部灰度平均值g(x，y)，計(jì)算方法如式(I)所示，
【權(quán)利要求】
1.一種基于高斯分布的自適應(yīng)高光譜分類方法，其特征在于，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(jìn)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(guān)聯(lián)的8個(gè)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(biāo)準(zhǔn)是該像元余弦夾角小于最佳閾值； 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于合并的像塊，并合并像塊實(shí)現(xiàn)圖像分類。
2.如權(quán)利要求1所述基于高斯分布的自適應(yīng)高光譜分類方法，其特征在于，所述步驟一具體為: `2.1在高光譜圖像的二維灰度函數(shù)f (X，y)坐標(biāo)中任取一像素點(diǎn)(X，y)，計(jì)算其局部灰度平均值g(x，y),計(jì)算方法如式(I)所示，
3.如權(quán)利要求1所述基于高斯分布的自適應(yīng)高光譜分類方法，其特征在于，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(gè)坐標(biāo)點(diǎn)對應(yīng)一個(gè)w維向量,w維向量由高光譜圖像中每個(gè)坐標(biāo)點(diǎn)對應(yīng)的灰度值組成； .3.2利用像元最小關(guān)聯(lián)窗口模型遍歷Z矩陣，計(jì)算最小關(guān)聯(lián)窗口的中心像元與其直接關(guān)聯(lián)的8個(gè)像元的余弦夾角SAM(a+i，b+J)， 所述最小關(guān)聯(lián)窗口模型如式(5)所示，

4.如權(quán)利要求1所述基于高斯分布的自適應(yīng)高光譜分類方法，其特征在于，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(yōu)先權(quán)日:2013年9月9日
【發(fā)明者】柏連發(fā), 張毅, 岳江, 韓靜, 吳經(jīng)緯, 陳錢, 顧國華, 孫寶朋 申請人:南京理工大學(xué)