本發(fā)明涉及一種遙感圖像處理技術(shù)，具體涉及高光譜溢油圖像的分割方法。
背景技術(shù)：
：遙感技術(shù)的發(fā)展經(jīng)歷了全色(黑白)、彩色攝影，多光譜掃描成像，以及到現(xiàn)在的高光譜遙感階段。高光譜遙感技術(shù)簡言之就是用窄而連續(xù)的光譜通道對地物進行持續(xù)成像的技術(shù)，其具有分辨率高、圖譜合一、多波段以及攜帶信息量大等一系列其他遙感技術(shù)所沒有的新特點。常用于高光譜圖像的分割或分類算法有閾值分割、聚類法、區(qū)域生長法、支持向量機法以及主動輪廓法。而高光譜溢油圖像具有以下特點：(1)由于油區(qū)的擴散，邊界區(qū)域油膜厚度較薄，與海水相互作用，導(dǎo)致圖像中的油區(qū)邊界模糊，因此不適合使用基于邊界的分割算法；(2)海面反光和霧氣等因素的存在，使得溢油圖像中油水對應(yīng)的光譜曲線差異較小，從而使高光譜溢油圖像分割難度增加。(3)由于設(shè)備自身缺陷以及光線等其他環(huán)境因素的影響，溢油圖像往往還具有灰度不均勻性，從而使分割難度進一步增加。(4)受太陽光和海上風(fēng)浪的影響，使得高光譜溢油圖像普遍含有亮斑和陰影噪聲，因此也不適合使用聚類和閾值等基于像素的分割方法，而應(yīng)該選取主動輪廓以及區(qū)域生長等基于區(qū)域的分割算法?；谥鲃虞喞姆指钏惴o論圖像質(zhì)量如何總能獲得光滑封閉的邊界，在連續(xù)油區(qū)的劃分問題上具有本質(zhì)上的優(yōu)勢。隨著水平集的引入，主動輪廓模型更是飛速發(fā)展，各種基于主動輪廓的改進算法層出不窮，使得主動輪廓這一模型很快被用于各類圖像的分割。結(jié)合水平集的主動輪廓模型又可分為基于邊界的和基于區(qū)域的。典型的基于邊界的主動輪廓模型有幾何主動輪廓模型和測地主動輪廓模型，這類模型依賴于梯度信息，對噪聲比較敏感?；趨^(qū)域的主動輪廓模型，其中最為典型的是Chan和Vese提出的無邊界主動輪廓模型，即CV模型，它具有不依賴于梯度信息，能夠分割邊界比較模糊或含有噪聲的圖像，對初始曲線位置不敏感，易于實現(xiàn)等一系列優(yōu)點，并且可以進行矢量拓展并且應(yīng)用到高光譜圖像分割上。但是盡管如此，CV模型甚至其他任何一種分割方法都不是對所有圖像具有普適性的，特別是對具有邊界模糊、灰度不均勻性、低對比度、含噪聲等特點的遙感溢油圖像難以實現(xiàn)較好的分割效果。Zhang等人基于高光譜圖像的特點和CV模型，提出一種基于空間光譜限制的區(qū)域主動輪廓模型，簡稱為MCV-SSC模型(ModifiedCVmodelbasedonSpectralandSpaceConstrain)，并應(yīng)用在真實高光譜圖像上，獲得較好的分割效果。本發(fā)明建立在CV模型之上，引入邊緣停止函數(shù)和Fisher準(zhǔn)則，建立了一種新的高光譜圖像分割算法，在不影響分割算法效率的同時提高了分割精度。技術(shù)實現(xiàn)要素：為了實現(xiàn)對海上溢油區(qū)域的有效監(jiān)測，本發(fā)明提供一種能夠在不影響效率的前提下，提高高光譜溢油圖像分割精度的高光譜溢油圖像的有效分割方法。為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一、定義初始水平集函數(shù)及其他相關(guān)函數(shù)初始水平集函數(shù)一般定義為：φ(x,t＝0)＝±c(1)其中，t＝0表示初始輪廓C，x為自變量，φ為水平集函數(shù)，若點x在輪廓內(nèi)函數(shù)取值為-c，反之則取值為+c。定義Heaviside函數(shù)H及其一階導(dǎo)數(shù)δ：其中，H代表Heaviside函數(shù)，δ代表H函數(shù)的一階導(dǎo)數(shù)，z為實數(shù)自變量。定義函數(shù)Hε,δε如下：其中，z為實數(shù)自變量，ε定義為一個很小的實數(shù)，H代表Heaviside函數(shù)，δ代表H函數(shù)的一階導(dǎo)數(shù)在模型能量函數(shù)中，用函數(shù)Hε,δε分別近似表示H,δ。二、結(jié)合Fisher準(zhǔn)則得到新的擬合項Fisher準(zhǔn)則定義一個好的分類方法應(yīng)該達到最大的類間間距和最小的類內(nèi)差異，用公式可以表示為：其中，分別為兩類樣本的平均向量，分別為兩類樣本的統(tǒng)計方差，當(dāng)Jfisher取最大值時達到最佳分類效果。原CV模型中的擬合項是類內(nèi)方差和，目標(biāo)函數(shù)為類內(nèi)方差最小。若將Fisher準(zhǔn)則的基本思想引入到CV模型，將原模型代替類內(nèi)方差，在此基礎(chǔ)上加入類間方差)中，則改進后的擬合項可以表示為：其中，Jfisher結(jié)合Fisher原則的擬合項函數(shù)，(x,y)為像素點坐標(biāo)值，I表示高光譜圖像，分別為輪廓曲線C內(nèi)外的均值向量，λ1,λ2為內(nèi)外擬合項的常量系數(shù)，Ω表示圖像區(qū)域，Hε,δε分別近似表示H,δ，φ表示水平集函數(shù)。三、構(gòu)造邊緣停止函數(shù)得到新的長度項光譜角是指影像像元光譜矢量與樣本參考光譜矢量之間的夾角，用來度量兩向量之間的相似程度，與兩矢量的大小無關(guān)。其計算公式如下：式中，SAM為光譜角，N為波段數(shù)。A＝(A1,A2,…,AN)和B＝(B1,B2,…,BN)分別代表樣本空間中的兩個影像像元的光譜值，當(dāng)光譜角SAM越小，則表明兩光譜矢量越接近。邊緣停止函數(shù)只需滿足是一個正的關(guān)于光譜角梯度遞減的函數(shù)。所以將其定義為：式中，I表示高光譜圖像，為光譜角梯度，(x，y)代表像素點的坐標(biāo)值，gsam(α)是光譜角梯度函數(shù)，α表示圖像任意一點的像元向量I(x,y)相鄰點的像元向量I(x+Δx,y)以及I(x,y+Δy)之間的光譜角距離，當(dāng)處于圖像邊界時，光譜角梯度的大小取值較大，取值較小。引入上述基于光譜角梯度信息的邊緣函數(shù)gsam(α)，則改進后的長度項可以表示為：其中，L代表長度項，Ω表示圖像區(qū)域，gsam(α)是光譜角梯度函數(shù)，(x，y)代表像素點的坐標(biāo)值，δ表示Heaviside函數(shù)的一階導(dǎo)數(shù)，φ為水平集函數(shù)，表示φ的增量，μ為長度項系數(shù)。四、結(jié)合端元提取算法的改進CV模型一般只能用于二類劃分，即只能將圖像分割為目標(biāo)和背景兩個區(qū)域。而現(xiàn)實情況是圖像中往往含有多類地物，當(dāng)圖像中含有多類地物時，主動輪廓模型無法實現(xiàn)對感興趣的特定地物的劃分。因此，將CV模型與端元提取算法相結(jié)合，從而實現(xiàn)從含多種地物的圖像中劃分出特定地物。相比于傳統(tǒng)的端元提取算法，ATGP算法能夠在無需先驗信息的情況下，從目標(biāo)圖像中提取出端元向量。ATGP算法是一種基于非監(jiān)督正交子空間投影理論的端元提取算法。該算法首先按照凸面幾何學(xué)理論，將正交子空間中亮度最大的像元作為候選端元，從而得到初始端元向量，以此構(gòu)造子空間，求取相應(yīng)的正交子空間，并將所有像元投影到該正交子空間，求取正交子空間中投影最大的像元作為下一個端元向量；以此類推，直到找到指定個數(shù)的端元。采用ATGP算法自動提取目標(biāo)端元。首先用ATGP算法從圖像中提取出特定類的端元向量，然后以該端元向量的位置為中心點設(shè)置初始輪廓，并且用該端元向量替換改進主動輪廓模型能量泛函中的輪廓曲線內(nèi)部的均值向量。若設(shè)t為ATGP算法從高光譜圖像中提取出的特定類端元向量，則此時改進模型的能量泛函為：其中，Et表示目標(biāo)能量函數(shù)，α表示由(7)式?jīng)Q定的光譜角，表示表示水平集函數(shù)φ的增量，(x，y)代表像素點的坐標(biāo)值，gsam(α)是光譜角梯度函數(shù)，μ,v,λ1,λ2均為常系數(shù)且滿足μ≥0,v≥0,λ1,λ2＞0，I為矢量圖像中(x,y)處的像元向量，φ為水平集函數(shù)，分別為輪廓曲線C內(nèi)部區(qū)域和外部區(qū)域的灰度均值向量，Hε,δε分別表示近似Heaviside函數(shù)及其一階導(dǎo)數(shù),Ω表示圖像空間。五、引入水平集正則項避免水平集函數(shù)重新初始化為了避免水平集函數(shù)重新初始化，節(jié)約算法時間復(fù)雜度，進而提高算法效率，引入如下水平集正則項：Ω表示圖像空間,表示表示水平集函數(shù)φ的增量。六、能量泛函最小化得到歐拉-拉格朗日方程綜上所述，新建模型的能量泛函為其中，Eτ表示目標(biāo)能量函數(shù)，Ω表示圖像空間，I為矢量圖像。μ,v,λ1,λ2均為常系數(shù)且滿足μ≥0,v≥0,λ1,λ2＞0，I(x,y)為矢量圖像，φ為水平集函數(shù)，表示表示水平集函數(shù)φ的增量。分別為輪廓曲線C內(nèi)部區(qū)域和外部區(qū)域的均值向量，t為對應(yīng)特定類的端元向量，或t，gsam(α)是光譜角梯度函數(shù)，Hε,δε分別表示近似Heaviside函數(shù)及其一階導(dǎo)數(shù)。將能量泛函最小化得到歐拉-拉格朗日方程，將其動態(tài)化，得到相應(yīng)的梯度下降流為其中，或t，表示表示水平集函數(shù)φ的增量，α表示由(7)式?jīng)Q定的光譜角，μ代表水平集正則項系數(shù)，μ,v,λ1,λ2均為常系數(shù)且滿足μ≥0,v≥0,λ1,λ2＞0，I為矢量圖像，φ為水平集函數(shù)，分別為輪廓曲線C內(nèi)部區(qū)域和外部區(qū)域的均值向量，t為對應(yīng)特定類的端元向量，或t，gsam(α)是光譜角梯度函數(shù)，δε表示近似Heaviside函數(shù)的一階導(dǎo)數(shù)，div(x)表示散度。七、設(shè)置各個參數(shù)迭代時間步長Δt，函數(shù)Hε的參數(shù)ε，長度項系數(shù)μ，面積項系數(shù)v，擬合項系數(shù)λ1,λ2，水平集正則項系數(shù)η。八、選擇顯示波段以及初始輪廓從幾個波段中選擇出一個對比度相對較高的波段作為顯示最終輪廓的波段。然后設(shè)置初始輪廓，一般選擇以特定圓心的圓或均勻分布半徑較小的多個圓。九、顯示分割結(jié)果圖將方程離散化，并按設(shè)定的次數(shù)進行迭代，顯示輪廓最終在圖像中的位置。十、計算各種分割精度評價指標(biāo)先對所得的分割結(jié)果圖像進行二值化，然后結(jié)合真實的二值化圖像，計算出錯分率、漏分率、錯分漏分率之和、Kappa系數(shù)以及總體精度等指標(biāo)。十一、對分割結(jié)果精度進行比較、評價而對于模擬高光譜圖像和已知真實地貌的高光譜圖像，我們可以通過計算并比較相應(yīng)的評價指標(biāo)來評價其分割效果；而對于未知真實地貌的高光譜圖像，只能通過人眼直觀評價。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：1、本發(fā)明命名為基于改進CV模型的高光譜圖像分割方法MCV-FE模型(ModifiedCVmodelbasedonFisherCriterionandEdgeFunction)。MCV-FE模型是在CV模型的基礎(chǔ)上，通過引入Fisher準(zhǔn)則和光譜角邊緣函數(shù)，并且結(jié)合端元提取算法，形成的一種新的高光譜圖像分割方法。實驗結(jié)果表明，該方法不僅能準(zhǔn)確劃分出模擬高光譜圖像和真實高光譜中的目標(biāo)區(qū)域，并且能夠有效分割具有邊界模糊、灰度不均勻性、低對比度、含噪聲等特點的高光譜溢油圖像。與CV模型相比，本發(fā)明能夠在保證不十分影響效率的前提下，大大提高了高光譜圖像的分割精度，為準(zhǔn)確劃分溢油區(qū)域提供了一種新方法。2、本發(fā)明中MCV-FE模型由于引入Fisher準(zhǔn)則的基本思想，使改進后的模型不僅考慮類內(nèi)誤差最小，同時考慮類間距離最大，因此能夠獲得更加準(zhǔn)確的分類效果。除此之外，改進后的模型能夠半自動地調(diào)節(jié)長度項和擬合項的常量系數(shù)的比值，從而使其對參數(shù)的變化更加穩(wěn)定。3、CV模型是基于區(qū)域的分割算法，沒有利用任何的圖像邊緣信息，對于高光譜溢油圖像，盡管油水邊界十分模糊，但仍有一定的有效信息。因此，本文考慮利用光譜角距離這一光譜相似性度量構(gòu)造一個邊緣檢測函數(shù)，以此來構(gòu)建一個新的長度項，使輪廓曲線更加準(zhǔn)確而穩(wěn)定地停止在目標(biāo)區(qū)域的邊界。4、本發(fā)明能夠與端元提取算法相結(jié)合，首先獲得目標(biāo)區(qū)域相應(yīng)的種子點，然后據(jù)此設(shè)置初始輪廓，進而能夠?qū)崿F(xiàn)對含多類目標(biāo)區(qū)域的圖像進行特定類區(qū)域的劃分。MCV-FE模型與傳統(tǒng)的區(qū)域生長算法和閾值分割算法相比，不僅能夠獲得連續(xù)而封閉的邊界輪廓，而且實驗證明，具有更高的分割精度。附圖說明本發(fā)明共有附圖22張，其中：圖1是模擬高光譜溢油圖像第190波段圖(加入噪聲信噪比為1)。圖2是模擬圖像的初始輪廓示意圖。圖3是CV模型對于圖1的分割結(jié)果圖。圖4是MCV-FE模型對于圖1的分割結(jié)果圖。圖5是隨加入模擬圖像噪聲信噪比變化時CV模型以及MCV-FE模型完全收斂到目標(biāo)區(qū)域邊界的迭代次數(shù)的變化示意圖(μ＝1,λ1＝λ2＝1)。圖6是隨加入模擬圖像噪聲信噪比變化時CV模型以及MCV-FE模型完全收斂到目標(biāo)區(qū)域邊界的迭代次數(shù)的變化示意圖(μ＝1,λ1＝λ2＝100)。圖7是隨擬合項系數(shù)lambda取值變化時CV模型以及MCV-FE模型對于圖1完全收斂到目標(biāo)區(qū)域邊界的迭代次數(shù)的變化示意圖。圖8是高光譜圖像第26波段圖。圖9是高光譜圖像地物標(biāo)識圖。圖10是MCV-FE模型對于第1類目標(biāo)區(qū)域的分割結(jié)果圖。圖11是MCV-FE模型對于第2類目標(biāo)區(qū)域的分割結(jié)果圖。圖12是MCV-FE模型對于第3類目標(biāo)區(qū)域的分割結(jié)果圖。圖13是MCV-FE模型對于第4類目標(biāo)區(qū)域的分割結(jié)果圖。圖14是高光譜溢油圖像第190波段圖。圖15是實驗用圖像1。圖16是實驗用圖像2。圖17是CV模型對應(yīng)于圖15的分割結(jié)果圖。圖18是MCV-SSC模型對應(yīng)于圖15的分割結(jié)果圖。圖19是MCV-FE模型對應(yīng)于圖15的分割結(jié)果圖。圖20是CV模型對應(yīng)于圖16的分割結(jié)果圖。圖21是MCV-SSC模型對應(yīng)于圖16的分割結(jié)果圖。圖22是MCV-FE模型對應(yīng)于圖16的分割結(jié)果圖。具體實施方式下面結(jié)合附圖對本發(fā)明進行進一步說明。下面分別根據(jù)模擬高光譜圖像和真實高光譜圖像數(shù)據(jù)對本發(fā)明的具體實施方式進行描述。一、模擬高光譜圖像實驗為了驗證模型的可行性和有效性，首先在模擬高光譜圖像上進行實驗，具體步驟如下：A、合成高光譜模擬溢油圖像首先從真實高光譜溢油圖像中提取油端元和水端元，然后合成大小為200×200，波段數(shù)為258的模擬高光譜圖像，其中圖像正中間100×100的部分由油端元構(gòu)成，其他部分由水端元構(gòu)成，最后加入一定信噪比(SNR，SignalNoiseRatio)的噪聲即可得到實驗所用的模擬圖像。圖1為加入噪聲信噪比為2時的模擬圖像第190波段圖像。B、相關(guān)參數(shù)設(shè)置迭代時間步長Δt＝1，函數(shù)Hε的參數(shù)ε＝1，長度項系數(shù)μ＝1，面積項系數(shù)v＝0，擬合項系數(shù)λ1,λ2＝1或λ1,λ2＝1，水平集正則項系數(shù)η＝0.2。C、選擇顯示波段以及初始輪廓選擇第190波段圖作為顯示圖像，將初始輪廓設(shè)置為均勻分布整個圖像且直徑為5個像素點的多個小圓，如圖2所示。D、顯示分割結(jié)果圖當(dāng)實驗所用模擬圖像加入的噪聲的SNR為2時，CV模型(迭代次數(shù)為100)以及MCV-FE模型(迭代次數(shù)為30)的分割結(jié)果圖如圖3、圖4所示：圖3是CV模型對于圖1的分割結(jié)果圖。圖4是MCV-FE模型對于圖1的分割結(jié)果圖。E、計算各種分割精度評價指標(biāo)首先，當(dāng)參數(shù)設(shè)置為μ＝1,λ1＝λ2＝1，且加入模擬圖像噪聲信噪比從0.5到10變化時，記錄CV模型以及MCV-FE模型完全收斂時的迭代次數(shù)，如表1所示，圖5是隨加入模擬圖像噪聲信噪比變化時CV模型以及MCV-FE模型完全收斂到目標(biāo)區(qū)域邊界的迭代次數(shù)的變化示意圖。信噪比SNR0.512345678910CV模型FF373129272423232222MCV-FE模型3230191716161616151515表1然后，當(dāng)參數(shù)設(shè)置為μ＝1,λ1＝λ2＝100，且加入模擬圖像噪聲信噪比從0.5到10變化時，記錄CV模型以及MCV-FE模型完全收斂時的迭代次數(shù)，如表2所示，圖6是隨加入模擬圖像噪聲信噪比變化時CV模型以及MCV-FE模型完全收斂到目標(biāo)區(qū)域邊界的迭代次數(shù)的變化示意圖。信噪比SNR0.512345678910CV模型3628201817171716161616MCV-FE模型3230181716161515151515表2最后，將擬合項系數(shù)λ1＝λ2＝1逐漸變化到λ1＝λ2＝100，記錄CV模型以及MCV-FE對于模擬圖像(SNR＝2)完全收斂到目標(biāo)區(qū)域邊界時的迭代次數(shù)，繪制相應(yīng)的變化示意圖如圖7所示。Lambda1102030405060708090100CV模型3722212121212120202020MCV-FE模型1918181818181818181818表3F、對分割結(jié)果精度進行比較、評價從圖5中，可以看出CV模型當(dāng)參數(shù)為μ＝1,λ1＝λ2＝1，圖像信噪比小于2時，CV模型無法收斂到目標(biāo)區(qū)域邊界。從圖6中，可以看出當(dāng)參數(shù)為μ＝1,λ1＝λ2＝100時，CV模型能夠收斂到目標(biāo)區(qū)域邊界，但除SNR＝2時，迭代次數(shù)仍然要比MCV-FE模型要多，因此可知CV模型對于參數(shù)的變化十分敏感。綜合圖5和圖6可知，MCV-FE模型在不同的參數(shù)下性能比較穩(wěn)定；除個別特殊情況外，MCV-FE模型總能以較少的迭代次數(shù)收斂到目標(biāo)區(qū)域邊界。從圖7中，可知看出CV模型隨著擬合項系數(shù)的變化，性能十分不穩(wěn)定；MCV-FE模型對于參數(shù)的變化相對穩(wěn)定，完全收斂時的迭代次數(shù)變化范圍小，且當(dāng)擬合項系數(shù)λ1＝λ2＝1變化到λ1＝λ2＝100時，收斂速度不變。因此綜上可知，CV模型對于參數(shù)較為敏感，即分割結(jié)果和收斂速度容易受到參數(shù)的影響，而MCV-FE模型對于參數(shù)的變化比較穩(wěn)定。二、真實高光譜圖像實驗為進一步地驗證本發(fā)明的有效性，將給出一組真實高光譜圖像實驗。A、圖像來源實驗所用圖像的大小為145×145，波段數(shù)為220個。圖8是實驗高光譜圖像的第26波段圖，圖9是對應(yīng)于圖8的標(biāo)識圖。圖像中除背景區(qū)域外，含有16類目標(biāo)區(qū)域，從中選擇四類目標(biāo)進行實驗。本實驗?zāi)芰亢瘮?shù)中輪廓內(nèi)部的像素值均值向量將被替換為各類目標(biāo)區(qū)域的端元向量。具體驗證步驟如下：B、相關(guān)參數(shù)設(shè)置迭代時間步長Δt＝1，函數(shù)Hε的參數(shù)ε＝1，面積項系數(shù)v＝0，水平集正則項系數(shù)η＝0.2。其他參數(shù)，在實驗中根據(jù)分割的類的變化會有所不同。C、選擇顯示波段以及初始輪廓選擇第26波段圖作為顯示圖像。先從實驗圖像中提取端元，然后將初始輪廓設(shè)置為以各類內(nèi)端元的位置為圓心直徑為20個像素的圓。D、顯示分割結(jié)果圖圖10、圖11、圖12和圖13分別是各類的MCV-FE模型分割結(jié)果圖。其中：圖10是第1類目標(biāo)的分割結(jié)果圖。圖11是第2類目標(biāo)的分割結(jié)果圖。圖12是第3類目標(biāo)的分割結(jié)果圖。圖13是第4類目標(biāo)的分割結(jié)果圖。E、計算各種分割精度評價指標(biāo)首先，計算閾值分割法、區(qū)域生長法、MCV-SSC模型以及MCV-FE模型相應(yīng)的RMC(誤分率)、RWC(錯分率)、RWM(誤分錯分之和)以及KC(Kappa系數(shù))等，如表4所示。錯分率RWC(Rateofwrongclassification)是指分割后圖像目標(biāo)區(qū)域中的錯分像素點個數(shù)占實際目標(biāo)區(qū)域像素點個數(shù)的百分比。誤分率RMC(Rateofmissclassification)是指分割后圖像目標(biāo)區(qū)域中的漏分像素點個數(shù)占實際目標(biāo)區(qū)域像素點個數(shù)的百分比?？捎缅e分率和漏分率之和RWM(Rateofwrongclassificationandmissclassification)的大小來衡量圖像分割的效果，RWM的值越小，說明相應(yīng)算法的分割精度越高。Kappa系數(shù)KC是一種計算分類精度的方法，它是通過檢驗真實樣本與實驗樣本的一致性來實現(xiàn)的，其計算公式表示為KC＝(Po-Pc)/(1-Pc)Po＝s/nPc＝(a1*b1＋a0*b0)/(n*n)其中圖像總像元數(shù)為n，實際目標(biāo)區(qū)域像元數(shù)為a1，背景區(qū)域像元數(shù)為a0；分類后的圖像中目標(biāo)區(qū)域像元數(shù)為b1，背景區(qū)域像元數(shù)為b0，兩幅圖像對應(yīng)像元值相等的像元數(shù)為s，KC為Kappa系數(shù)，Po為實際一致率，Pc為理論一致率。Kappa系數(shù)KC的計算結(jié)果一般分布在-1到1這一范圍內(nèi)，但通常會落在0和1之間，按照取值大小可以分為以下五種情況來表示不同級別的一致性：0.0-0.20之間，極低的一致性；0.21-0.40之間，一般的一致性；0.41-0.60之間，中等的一致性；0.61-0.80之間，高度的一致性；0.81-1之間，幾乎完全一致。也即Kappa系數(shù)KC的值越大，相應(yīng)算法的分類精度也就越高?？傮w精度OA(OverallAccuracy)是指被正確分類的像元總數(shù)占目標(biāo)區(qū)域總數(shù)的百分比。然后，在此基礎(chǔ)上再計算總體精度OA，如表5所示。F、對分割結(jié)果精度進行比較、評價從表4中可以看出，閾值分割法的分割精度相對于其他分割算法要低很多，MCV-SSC模型次之，而MCV-FE模型和區(qū)域生長算法分割精度較高。MCV-FE模型對于第1類、第3類以及第4類地物的劃分精度最高，區(qū)域生長算法次之；而對于第2類地物的劃分，區(qū)域生長算法精度最高，MCV-FE模型與區(qū)域生長算法相比，Kappa系數(shù)略低。綜上可知，除在第2類地物時，Kappa系數(shù)略低于區(qū)域生長算法外，本文改進模型的分割精度最高。最后，計算各算法的總體分割精度OA如表5所示,從表中再次可以看出，MCV-FE模型總體分割精度最高，區(qū)域生長算法次之，MCV-SSC模型再次之，閾值分割算法總體分割精度最低。表4四種算法的分割精度對比表5四種方法的總體精度比較三、高光譜溢油圖像實驗A、圖像來源本實驗所采用的真實高光譜溢油圖像即來源于渤海蓬萊19-3C油田溢油事故所獲取的高光譜數(shù)據(jù)，其大小為512×3904，有258個波段。圖14所示即為該高光譜數(shù)據(jù)第190波段圖像的部分截圖，圖中包含溢油、海水、船只和鉆井平臺等類別，深色部分是溢油區(qū)域，對其進行對數(shù)殘差預(yù)處理后,從中截取實驗所用的圖像。圖15是從圖14截取的部分僅含有溢油和海水的圖像。圖16是從圖14中截取的含溢油、海水、船只和鉆井平臺等類別的圖像。本實驗中，對圖16進行處理時，能量泛函中輪廓內(nèi)部的均值向量將被替換為溢油區(qū)域的端元向量。具體驗證步驟如下：具體驗證步驟如下：B、相關(guān)參數(shù)設(shè)置迭代時間步長Δt＝1，函數(shù)Hδ的參數(shù)ε＝1，面積項系數(shù)v＝0，水平集正則項系數(shù)η＝0.2。其他參數(shù)，在實驗中根據(jù)試驗圖像的變化會有所不同。C、選擇顯示波段以及初始輪廓選擇第190波段圖作為顯示圖像，將初始輪廓設(shè)置為均勻分布整個圖像且直徑為5個像素點的多個小圓。D、顯示分割結(jié)果圖對應(yīng)于圖15的3種模型的實驗結(jié)果圖如圖17-19所示，其中：圖17是CV模型對應(yīng)于圖15的分割結(jié)果圖。圖18是MCV-SSC模型對應(yīng)于圖15的分割結(jié)果圖。圖19是MCV-FE模型對應(yīng)于圖15的分割結(jié)果圖。對應(yīng)于圖16的3種模型的實驗結(jié)果圖如圖20-22所示，其中：圖20是CV模型對應(yīng)于圖16的分割結(jié)果圖。圖21是HISM模型對應(yīng)于圖16的分割結(jié)果圖。圖22是MCV-FE模型對應(yīng)于圖16的分割結(jié)果圖。E、計算各種分割精度評價指標(biāo)因為高光譜溢油圖像的實時動態(tài)特性，很難給出標(biāo)示圖，所以關(guān)于此類圖像無法計算其相應(yīng)的分割精度評價指標(biāo)，只能通過上述圖像內(nèi)容分析。F、對分割結(jié)果進行比較、評價由圖17-19，可以看出CV模型分割出的是海浪等圖像中較亮的區(qū)域，無法有效的劃分溢油區(qū)域；MCV-SSC模型分割效果較好，但是只能找到圖像左側(cè)的部分溢油邊界，無法完整地劃分出溢油區(qū)域；本發(fā)明中的MCV-FE模型能夠準(zhǔn)確地分割出溢油區(qū)域。由圖20-22，可以看出CV模型劃分出鉆進平臺和清污船等圖像中較亮的部分，無法正確劃分出溢油區(qū)域；MCV-SSC模型能夠較為準(zhǔn)確地找到溢油區(qū)域左側(cè)的邊界，而無法找到溢油區(qū)域右側(cè)的邊界，并且還存在許多錯誤的輪廓線；MCV-FE模型能夠比較準(zhǔn)確地劃分出溢油區(qū)域，且區(qū)域內(nèi)部完整性較好。綜上可知，MCV-FE模型能夠從實際高光譜溢油圖像中比較準(zhǔn)確地劃分出溢油區(qū)域邊界，結(jié)合端元提取算法的MCV-FE模型也能夠從含多類地物的實際高光譜溢油圖像中劃分出感興趣的溢油區(qū)域。以上是分別根據(jù)模擬、真實高光譜圖像數(shù)據(jù)對本發(fā)明的具體步驟進行的描述。本發(fā)明是在CV模型的基礎(chǔ)上，引入Fisher準(zhǔn)則形成新的擬合項，其次加入基于光譜角的邊緣停止函數(shù)構(gòu)成新的長度項，然后結(jié)合端元提取算法進行改進，最終得到一種新的高光譜圖像的分割算法——MCV-FE模型。首先，為了證明本發(fā)明的可行性和有效性，進行一組模擬高光譜圖像實驗。從模擬圖像實驗結(jié)果中可知，MCV-FE模型的分割精度更高，且對于參數(shù)的變化更加穩(wěn)定。其次，為了進一步驗證MCV-FE模型的有效性，本發(fā)明進行了一組真實高光譜圖像實驗。從圖10-13，可以看出MCV-FE模型能夠準(zhǔn)確地劃分出感興趣的目標(biāo)區(qū)域。從表1，表2可知，除在第2類地物時，Kappa系數(shù)略低于區(qū)域生長算法外，本文改進模型的分割精度最高。從而再次證明了本發(fā)明的有效性。最后，本發(fā)明應(yīng)用在蓬萊19-3C平臺實際高光譜溢油圖像上。完成對其的預(yù)處理之后，截取部分圖像作為實驗圖像。從實驗結(jié)果圖中可以看出，與CV模型和HISM模型相比，本發(fā)明中的MCV-FE模型能夠更加準(zhǔn)確地劃分出溢油區(qū)域。模擬和實際高光譜圖像實驗均表明，本發(fā)明提出的MCV-FE模型能夠在不十分影響分割效率的前提下，能夠更加準(zhǔn)確而穩(wěn)定地劃分出目標(biāo)區(qū)域。模擬和實際高光譜圖像實驗均表明，本發(fā)明提出的MCV-FE模型能夠在不影響分割速度的前提下，能夠更加準(zhǔn)確而穩(wěn)定地劃分出目標(biāo)區(qū)域。當(dāng)前第1頁1 2 3