高光谱影像显著性特征提取方法

0引言

视觉显著性估计中通常以彩色图像为输入，因此，本文以３个相邻波段的高光谱影像为输入，进行显著性特征提取，然后沿光谱维度利用滑窗法获取各个波段的显著性特征，最后将各个波段的显著性特征进行堆叠形成最终用于分类的显著性特征。如图１所示，３个相邻波段的高光谱影像显著性特征提取主要包括超像素分割、对比度计算和显著性分配3个步骤。

1、SLIC超像素分割

基于像素的视觉显著性估计方法对噪声较为敏感，而超像素以相对简单的方式表示图像并能减少图像的冗余，同时每个超像素块具有相同的性质。为了更加有效地提取显著性特征，首先将输入的三波段高光谱影像根据颜色相似性分割为若干个超像素，每个超像素由区域内的颜色均值表示，进而以超像素为基础进行视觉显著性估计。本文采用SLICsimple linear iterative cluster)方法对输入的三波段高光谱影像进行超像素分割。

分割算法，其根据CIELAB颜色空间和二维坐标构成的５维特征向量进行局部聚类，并将搜索空间限制在与超像素大小成比例的区域内来提高计算效率，SLIC 算法接受一个参数 K (K 为超像素分割的个数)，首先初始化 K 个种子点，并在每个种子点的邻域空间内搜索距离该种子点最近的若干像素，将它们与该种子点归为一类，直到所有像素点都归类完毕;然后计算这 K 个超像素里所有像素点的平均向量值作为新的聚类中心;再根据更新后的K个聚类中心重复上述步骤，迭代直到收敛。K个种子之间的初始距离定义为S＝N/K，其中N为图像的像素个数，搜索邻域范围设置为２S×２S。其中，距离度量包括颜色距离dc和空间距离ds，两种距离的计算方式如下

式中，l、a、b为CIELAB颜色空间对应的３个通道变量；i和j为超像素的索引；Nc和Ns分别为最大的颜色距离和种子点之间最大的距离。SLIC 算法能够有效地将图像分割为若干个超像素块，每个超像素块内部像素属性趋于一致，并由颜色均值表示。这样可以在特征提取的过程中充分考虑像素周围的局部空间信息，同时能够降低噪声对特征提取的影响。

对比度计算

视觉显著性检测中通常通过计算对比度来进行显著性估计，为了更加充分地利用全局空间信息，以分割后的超像素为基础，定义颜色独立性和空间颜色分布两种对比度。颜色独立性定义如下

式中

和

分别为第j 个 超像素的颜色和位置;

表示局部或全局对比的控制变量，权重与超像素空间位置的距离有

关;Z i 为归一化因子，用于保证

为参数。由式(２)可知，距离越远则权值越小，对显著性影响越小;而某个超像素颜色越独特，则Ui越大，也表示该超像素越显著。进一步可将式(２)改写为

式中，第１项的结果是１;第２和第３项可以通过以w为核的滤波器，分别对cj和进行滤波加以实现。空间颜色分布定义如下

式中，cj＝[lj，ajbj]和pj＝[xj，yj]分别为第j个超像素的颜色和位置；

表示表示i和j个超像素的颜色相似度；Zi为归一化因子；σc为参数；

为第i个超像素的加权平均位置。Di可以表示某种颜色在空间分布的广度，例如某种地物颜色分散在图像中，但是面积都很小，那么计算出来的颜色独立性就比较高，但空间颜色分布较广，说明该类地物并不显著。式(４)可以改写为

3、显著性分配

根据颜色独立性和空间颜色分布计算每个超像素的显著性为

可知空间颜色分布 Di 越大即颜色分布越广，对应显著性值越小;颜色独立性Ui 越大，则对应显著性值越大。最终定义每个像素的显著性如下

每个像素的显著性是通过其所在超像素单元以及周围的超像素单元进行高斯线性加权，权重取决于颜色和位置的距离，同样可以通过滤波加以实现。

欢迎关注公众号：莱森光学，了解更多光谱知识。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑hhy