[发明专利]一种高光谱图像显著度图构造方法

说明书

技术领域

本发明属于遥感图像处理方法，具体涉及高光谱图像目标探测以及高光谱图像显著度计算方法。

背景技术

高光谱图像的目标检测和提取是一个重要的分支，也是一个难点。面对复杂多变的目标环境，在对高光谱图像进行目标检测时，如果对于全部数据以相同的方法处理，即将目标检测的方法用于图像中所有的像素，处理速度会十分耗时，而且效率低，难以达到实时处理的要求，已经严重制约了高光谱遥感技术的发展。就目前的高光谱遥感技术的发展状况来看，海量的高光谱遥感数据并没有被充分处理和挖掘，信息处理远远不能满足实时需要。如何快速处理庞大的高光谱图像数据成为一个富有挑战的课题。

从心理学和认知科学可知，人们在观察一幅图像时，人的视觉系统能快速地将注意力集中在某个或某几个显著的区域，这些显著的区域往往是感兴趣的区域。利用这种智能处理方式——人类视觉系统中的视觉注意机制迅速选择少数几个区域进行优先处理，将提取出的目标区域进行分析，赋予高光谱图像处理系统一定的自主选择能力，进行有效的信息提取，避免了计算浪费，降低了分析难度，可以大幅度地提高当前的光谱图像处理系统的运行效率，实现目标情报分析以及海量数据快速筛选等功能，满足大量的实时高效实际的应用。

为了提取图像中的显著区域，通常先通过计算图像中每个像素的显著度值，得到图像的显著度图，然后对该显著度图进行取阈值分割处理，得到一个二值化图像的分割结果，从而将感兴趣的目标提取出来。

常用的视觉注意显著度计算方法主要面向自然图像，面向高光谱图像的较少；L.Itti and C.Koch提出ITTI方法(L.Itti and C.Koch，“Model of saliency-based visual attention for rapid scene analysis”，IEEE Trans.on Pattern Analysis and Machine Intelligence，vol.20，no.11，pp.1254-1259，1998.)，该方法采用亮度、颜色和方向等低级视觉特征，是经典的基于数据驱动的显著度计算方法，但该方法只考虑了局部显著性，没有考虑全局显著性和先验信息；

Harel J，Koch C，Perona P.提出GBVS方法(Harel J，Koch C，Perona P.Graph-based visual saliency[J].AdvancesinNeuralInformationProcessingSystems，2007，19：545-552.)，该方法采用基于数据驱动的显著度计算方法，与ITTI方法不同的是考虑了全局显著性，但没有考虑先验信息。

发明内容

本发明提供一种高光谱图像显著度图构造方法，解决现有基于视觉注意的显著度计算方法没有综合考虑全局显著性和先验信息的问题，以增加特定目标的显著度。

本发明所提供的一种高光谱图像显著度图构造方法，包括提取初级视觉光谱特征步骤、计算数据驱动显著度步骤、提取目标光谱先验特征步骤、计算先验驱动显著度步骤和形成综合显著度步骤，其特征在于：

(1)提取初级视觉光谱特征步骤：

提取高光谱图像I的初级视觉光谱特征，高光谱图像I的大小为M×N，波段数为L；初级视觉光谱特征包括光谱能量DF₁(x，y)、光谱极值DF₂(x，y)和光谱结构DF₃(x，y)；包括下述子步骤：

(1.1)计算光谱能量：对于高光谱图像中的每个像元I(x，y)，其光谱能量DF₁(x，y)为像元在光谱各波段的能量总和：

其中，I_l(x，y)为像元I(x，y)在第l波段的辐射强度；所有像元的光谱能量构成光谱能量图DF₁；

(1.2)计算光谱极值：所述光谱极值DF₂(x，y)为该像元所有波段中辐射强度的最大值：

DF₂(x，y)＝max{I_l(x，y)，(l＝1，...，L)}；

所有像元的光谱极值构成光谱极值图DF₂；

(1.3)计算光谱结构：所述光谱结构DF₃(x，y)为一个1×L的矢量，用于描述像元在不同波段的能量分布，采用归一化处理后，DF₃(x，y)为：