一种高光谱图像阴影增强方法、设备及存储介质技术

本发明专利技术提供了一种高光谱图像阴影增强方法、设备及存储介质，其中方法包括：获取高光谱图像数据集；将高光谱数据集归一化，并用掩膜提取出阴影部分；在空间维对阴影部分图像按行扫描进行连续采样展开为一维信号,顺序通过双稳非线性系统进行动态随机共振；将系统输出的序列按行扫描方式重新组成方阵再进行归一化；得到的阴影部分数据按列扫描进行连续采样展开为一维序列，并再次输入到双稳非线性系统中动态随机共振；将输出得到的序列按照列扫描的方式重新组成方阵再进行归一化，与原始高光谱图像的非阴影区域进行融合。本发明专利技术利用行列两个不同方向的扫描采样方式，充分利用了空间维像素的相关性，保留更多的图像信息，达到更好的图像增强效果。的图像增强效果。的图像增强效果。

【技术实现步骤摘要】
一种高光谱图像阴影增强方法、设备及存储介质


[0001]本专利技术属于高光谱图像处理
，尤其涉及一种高光谱图像阴影增强方法、设备及存储介质。

技术介绍

[0002]高光谱图像(HSI)中包含丰富的场景信息，不仅能提取出二维空间中各个位置的信息，还能从不同光谱波段上提取出地物的多个特征。随着高光谱成像技术的日益成熟，HSI在航天探测、天气预报、食品安全、农业、环境监测、医学诊断和工业质检等领域发挥了重要作用。但HSI阴影区域的强噪声弱信号性质却使数据的处理变得异常困难。由光照遮挡、云层、地面起伏或地物遮挡而形成的HSI阴影区域，反射光能量偏低，光谱信号较弱，相较非阴影区域噪声较强，使得像素和目标难以分辨和检测。目前大多通过去除噪声的方法来进行图像增强和像素分类，但这样会损失阴影区域的大量有用信息。阴影区域信息的增强是后续高光谱图像分类的必要准备工作，能大大提高人机交互的效率和计算机视觉的表现，如检测、分类和跟踪。
[0003]随机共振(Stochastic Resonance,SR)理论目前被广泛应用于强噪声环境下微弱信号的放大，即当双稳态非线性系统、噪声和弱信号三者协同时，噪声能量能转化为信号能量，对HSI中阴影信息的提取奠定了基础。
[0004]LIU等人提出了一种在低峰值信噪比环境下基于自适应双稳态阵列随机共振的灰度图像恢复增强方法。Chouhan等人提出了一种基于动态随机共振(Dynamic stochastic resonance,DSR)的空间域分析方法来增强低对比度图像。这些方法对具有固定参数的均匀低对比度图像具有较好的增强效果，但适用范围较小，对于增强HSI存在一定的局限性。

技术实现思路

[0005]针对上述问题，本专利技术提出基于双稳态非线性系统的D
‑
DSR算法，其实现过程由两次连续的DSR组成。D
‑
DSR相较于DSR更大程度地保留了HSI中相邻像素之间的相关性，使得经过随机共振后的图像更多地保留了原有信息，且阴影区域增强效果更为显著。
[0006]本专利技术第一方面提供了一种高光谱图像阴影增强方法，包括以下步骤：
[0007]步骤1，获取高光谱图像数据集；
[0008]步骤2，将高光谱数据集中图像像素的灰度级归一化到[0，1]范围内，用掩膜提取出阴影部分；
[0009]步骤3，在空间维对提取出的阴影部分图像按行扫描的采样方式进行连续采样展开为一维信号,使其顺序通过双稳非线性系统进行动态随机共振，输出一组随机共振后的序列；
[0010]步骤4，将系统输出的序列按行扫描方式重新组成方阵再进行归一化；
[0011]步骤5，将步骤4得到的阴影部分数据按列扫描的采样方式进行连续采样展开为一维序列，并再次输入到双稳非线性系统中进行第2次动态随机共振，得到一组序列；
[0012]步骤6，将第2次动态随机共振输出得到序列按照列扫描的方式重新组成方阵再进行归一化，最后与原始高光谱图像的非阴影区域进行融合，得到了双倍动态随机共振增强后的高光谱图像。
[0013]在一种可能的设计中，所述步骤1获取高光谱图像数据集后可以对高光谱图像数据进行预处理；所述预处理是计算高光谱数据集中每一波段的F
‑
范数的值，其大小表示每一波段图像所含信息量的多少，然后人为去除信息量较少的波段，再将其余波段按顺序重新组合成一个高光谱数据集。
[0014]在一种可能的设计中，所述步骤2的具体过程为：首先，图像像素的灰度级范围为[0，255]，每个像素的灰度值除以255，使图像所有的像素灰度范围在[0，1]范围内；然后利用ground truth图像制作的阴影提取蒙版提取高光谱图像中的阴影区域，只对阴影区域进行处理，提取掩模后，从原始高光谱图像数据中得到三维高光谱图像阴影数据。
[0015]在一种可能的设计中，所述步骤3中行扫描的采样方式具体为：在空间维每张图像的第一个像素开始，按照从左向右的顺序采样，当到达第一行最右列的像素时，从第二行最右列继续采样，再按照从右向左顺序直至到达第二行第一列；后面重复上述步骤直至采样到最后一个像素。
[0016]在一种可能的设计中，所述步骤5中列扫描的采样方式具体为：在空间维每张图像的第一个像素开始，按照从上向下的顺序采样，当到达第一列最后一行的像素时，从第二列最后一行继续采样，再按照从下向上顺序直至到达第二列第一行；后面重复上述步骤直至采样到最后一个像素。
[0017]本专利技术第二方面还提供了一种高光谱图像阴影增强设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有计算机执行程序；所述处理器执行存储器存储的计算机执行程序时，可以使处理器执行如第一方面所述的高光谱图像阴影增强方法。
[0018]本专利技术第三方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行如第一方面所述的高光谱图像阴影增强方法。
[0019]与现有技术相比，本专利技术提供了一种高光谱图像阴影增强方法，其实现过程由两次连续的DSR组成，D
‑
DSR相较于DSR更大程度地保留了HSI中相邻像素之间的相关性，使得经过随机共振后的图像更多地保留了原有信息，且阴影区域增强效果更为显著。
[0020]高光谱图像作为三维张量，空间中每个像素都和其邻域像素存在一定的相关性，DSR是从一个方向对图像进行采样,没有充分利用空间像素之间的相关性；本专利技术提出基于双稳态非线性系统的D
‑
DSR算法，其实现过程由两次连续的DSR组成，利用行列两个不同方向的扫描采样方式，更大程度地保留了高光谱图像中相邻像素之间的相关性，保留了更多的原始图像信息，将能达到更好的阴影增强效果，使得后续对高光谱图像分类效果更好，分类精度更高。
附图说明
[0021]图1为本专利技术高光谱图像阴影增强方法的流程框图。
[0022]图2为HYDICE图像数据集中各波段的F
‑
范数值。
[0023]图3为从HYDICE中图像数据集中选取包含阴影区域的场景图及其阴影区域掩膜图。
[0024]图4为本专利技术算法D
‑
DSR的流程图。
[0025]图5为HYDICE的原始高光谱图像在波段1的图像及其在空间维分别对其进行DSR增强和D
‑
DSR增强后的图像。
[0026]图6为训练集为20％时数据的HybridSN分类结果对比图。
[0027]图7为训练集为20％时数据的3D
‑
CNN分类结果对比图。
[0028]图8为高光谱图像阴影增强设备的结构简易框图。
具体实施方式
[0029]下面结合具体实施例对专利技术进行进一步说明。
[0030]实施例1：
[0031]本专利技术提出基于双稳态非线性系统的D
‑
DSR(双倍动态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像阴影增强方法，其特征在于，包括以下步骤：步骤1，获取高光谱图像数据集；步骤2，将高光谱数据集中图像像素的灰度级归一化到[0，1]范围内，用掩膜提取出阴影部分；步骤3，在空间维对提取出的阴影部分图像按行扫描的采样方式进行连续采样展开为一维信号,使其顺序通过双稳非线性系统进行动态随机共振，输出一组随机共振后的序列；步骤4，将系统输出的序列按行扫描方式重新组成方阵再进行归一化；步骤5，将步骤4得到的阴影部分数据按列扫描的采样方式进行连续采样展开为一维序列，并再次输入到双稳非线性系统中进行第2次动态随机共振，得到一组序列；步骤6，将第2次动态随机共振输出得到序列按照列扫描的方式重新组成方阵再进行归一化，最后与原始高光谱图像的非阴影区域进行融合，得到了双倍动态随机共振增强后的高光谱图像。2.如权利要求1所述的一种高光谱图像阴影增强方法，其特征在于：所述步骤1获取高光谱图像数据集后可以对高光谱图像数据进行预处理；所述预处理是计算高光谱数据集中每一波段的F
‑
范数的值，其大小表示每一波段图像所含信息量的多少，然后人为去除信息量较少的波段，再将其余波段按顺序重新组合成一个高光谱数据集。3.如权利要求1所述的一种高光谱图像阴影增强方法，其特征在于，所述步骤2的具体过程为：首先，图像像素的灰度级范围为[0，255]，每个像素的灰度值除以255，使图像所有的像素灰度范围在[0，...

【专利技术属性】
技术研发人员：刘雪峰，寇阳阳，付民，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：