[发明专利]基于光谱梯度与层次结构的高光谱图像显著性目标检测方法

说明书

本发明公开了一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法，用于解决现有高光谱图像显著性目标检测方法计算量大的技术问题。技术方案是首先生成光谱梯度图；再生成图像分割区域；建立基于图像层次结构的显著性检测模型；再建立基于背景先验及边缘特征的显著性计算方法；计算显著图结果。由于通过在原始高光谱图像的光谱维上计算光谱梯度，提取图像的光谱梯度特征，以减弱光照不均带来的不利影响。使用简单线性迭代聚类算法(Simple Linear Iterative Clustering，SLIC)生成超像素，对高光谱图像进行分割并加速计算进程，通过计算分割区域间的光谱特征对比度来衡量其显著性，计算量小。

技术领域

本发明涉及一种高光谱图像显著性目标检测方法，特别是涉及一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法。

背景技术

高光谱图像是利用成像光谱仪将视场中观测到的各种地物的光谱信息记录下来得到的影像数据。随着高光谱成像技术的日渐成熟，成像设备在其光谱分辨率和空间分辨率等指标上有了很大提升。使得原本主要在常规图像上开展的物体检测、识别和跟踪等课题逐渐得以延伸到高光谱数据上。对于高光谱图像显著性目标检测问题的相关研究尚处于发展阶段。

现有的高光谱图像显著性目标检测方法主要采用Itti模型，将颜色特征替换为高光谱图像的光谱特征，使模型适用于高光谱图像。文献“S.L.Moan,A.Mansouri,et al.,Saliency for Spectral Image Analysis[J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing,2013.6(6):p.2472-2479”公开了一种高光谱图像显著性目标检测方法，该方法将光谱投影到CIELAB颜色空间中利用图像进行主成分分析(Principle Component Analysis，PCA)等方式对光谱信息进行利用。现有方法以像元作为显著性估计的基本单位，通过主成分分析、欧氏距离、光谱夹角(SpectralAngle)等手段来评估不同像元光谱之间的差异，借此衡量出各像元的显著性。这种由像元显著性反映全图显著性的做法难以避免在检测结果中物体边缘响应较大而内部响应很低的显著图不均一现象。此外，现有方法都依赖于单一模型，无法消除高光谱图像进行显著性检测研究时主要面临的难点有，图像中的亮度变化对光谱数据造成的影响，数据规模带来的巨大计算量，现有方法都依赖于单一模型。因此，急需要突破现有高光谱检测方法中的固有思路，提出新的高光谱图像显著性目标检测方法。

发明内容

为了克服现有高光谱图像显著性目标检测方法计算量大的不足，本发明提供一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法。该方法首先生成光谱梯度图；再生成图像分割区域；接着建立基于图像层次结构的显著性检测模型；再建立基于背景先验及边缘特征的显著性计算方法；最后计算显著图结果。由于通过在原始高光谱图像的光谱维上计算光谱梯度，提取图像的光谱梯度特征，以减弱光照不均带来的不利影响。同时，使用简单线性迭代聚类算法(Simple Linear Iterative Clustering，SLIC)生成超像素，对高光谱图像进行分割并加速计算进程，通过计算分割区域间的光谱特征对比度来衡量其显著性，计算量小。

本发明解决其技术问题所采用的技术方案是：一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法，其特点是包括以下步骤：

步骤一、生成光谱梯度图像。

对每个像元计算光谱梯度，生成光谱梯度图像，以便所提取的光谱梯度特征向量之间维持原始图像中的空间关系。

式中，是光谱梯度向量的第j个分量。是原始光谱向量第j个分量。Δλ是相邻波段波长差值。

对一个高光谱数据块D中每一个像素对应的光谱向量使用公式(1)得到一个新的光谱梯度数据块X。