基于超像素分割和纯像元指数的端元束提取算法

基于坐标的最大距离法的AMEE的端元提取算法石之依;牛贝贝【摘要】将基于像元坐标的空间最大距离与自动形态学端元提取(Automated Morphological Endmember Extraction,AMEE)结合的一种用于混合像元的分解,实现端元提取的一种算法.这种方法充分地利用了高光谱的空间信息和光谱信息,结合AVIRIS高光谱遥感数据进行实验,并与传统PPI算法进行对比分析,结果表明本文提出的端元提取方法具有很高的可信度.【期刊名称】《黑龙江科技信息》【年(卷),期】2017(000)006【总页数】2页(P64-65)【关键词】混合像元;数学形态学;最大距离法;像元坐标;端元分解【作者】石之依;牛贝贝【作者单位】贵州水利水电职业技术学院,贵州贵阳 550001;河南省科源测绘中心,河南郑州 450000【正文语种】中文随着遥感科技的发展，逐步发展到高光谱遥感阶段，在发展过程中，主要从光谱信息量的增加、光谱波段数增加(从几个波段到可以获取到数十到数百个波段)以及光谱分辨率提高这三个方面进行了改善。

虽然各方面技术都有了显著改善，但由于空间分辨率的限制性，我们获取的影像数据中仍存在着大量的混合像元。

因此，研究如何有效地进行混合像元分解，仍然是当前遥感技术应用发展中的重要课题。

混合像元分解一般要分两步进行[1,2]，即：端元的确定与提取和混合像元分解模型求解。

端元的提取是进行混合像元分解的首要和关键步骤所在[3]，是求解各种地物类型丰度的前提条件。

目前，端元提取常用的方法有PPI[4]、N-FINDR[5]、IEA[6]以及AMEE[2]等方法，由于以上端元提取的方法都是在假定的理想状态下进行的，如何提高提取端元的精度正是现在研究的重点，因此端元提取方法的研究仍然是一个比较热点的问题。

本文通过在基于AMEE算法的基础上，提出了一种结合像元的空间坐标信息进行端元提取的方法。

通过将该方法用于Cuprite地区的AVIRIS数据的端元提取，与传统常用方法PPI方法进行了对比，证明了该方法的可靠性。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910392743.0(22)申请日 2019.05.13(71)申请人 安徽工业大学地址 243032 安徽省马鞍山市湖东路59号(72)发明人 王培珍　翟羽佳　余晨　(74)专利代理机构 合肥昊晟德专利代理事务所(普通合伙) 34153代理人 王林(51)Int.Cl.G06K 9/46(2006.01)G06K 9/62(2006.01)G06T 7/11(2017.01)G06T 7/187(2017.01)(54)发明名称一种基于超像素的显微图像目标区域提取方法及系统(57)摘要本发明公开了一种基于超像素的显微图像目标区域提取方法及系统，属于数字图像处理技术领域，包括以下步骤：S1：生成超像素；S2：提取特征；S3：进行聚类处理；S4：进行区域合并。

本发明生成的超像素较原有像素在MeanShift聚类过程中更具有适用性，处理图像的时间大幅度降低，而且聚类区域较为完整、连通性比较强；本发明设计的自适应区域合并方法能够有效的改善MeanShift聚类中因带宽调节不当导致聚类效果欠佳的状况，提高了图像分割的精度；能够为瓦斯灰图像的成分识别与自动分析奠定较好的基础，极大减少了人工主观判断对瓦斯灰显微图像成分识别造成的干扰。

权利要求书2页 说明书6页 附图5页CN 110147799 A 2019.08.20C N 110147799A1.一种基于超像素的显微图像目标区域提取方法，其特征在于，包括以下步骤：S1：生成超像素输入图像并采用SLIC算法对图像进行预处理得到超像素；S2：提取特征提取步骤S1中超像素在颜色、位置两方面的特征；S3：进行聚类处理通过MeanShift算法对超像素进行聚类处理；S4：进行区域合并通过自适应区域合并方法对步骤S3得到的聚类结果进行区域合并，并输出分割结果。

基于超像素的快速模糊聚类算法（SFFCM）是一种新型的图像处理算法，它能够利用超像素技术对图像进行快速模糊和聚类处理。

本文将介绍SFFCM算法的原理及其在图像处理中的应用。

一、算法原理1. 超像素分割SFFCM算法首先利用超像素分割技术将输入的图像分割成多个相似的区域，每个区域称为一个超像素。

超像素分割技术能够将图像中相似的像素点相连并合并成一个超像素，从而减少图像的复杂度，提高后续处理的效率。

2. 模糊处理接下来，SFFCM算法对每个超像素进行模糊处理，以减少图像中的噪声和细节，从而使图像更加平滑和清晰。

模糊处理可以采用高斯模糊、均值模糊等常见的模糊算法，也可以根据具体应用场景选择合适的模糊方法。

3. 聚类分析在模糊处理完成后，SFFCM算法利用聚类分析技术对模糊后的超像素进行分组，将相似的超像素归为同一类别，从而实现图像的聚类处理。

聚类分析可以采用K均值聚类、谱聚类等经典的聚类算法，也可以根据实际需求选择合适的聚类方法。

4. 参数优化SFFCM算法对聚类结果进行参数优化，以提高图像聚类的准确度和稳定性。

参数优化包括调整聚类算法的参数、优化超像素分割的参数等，旨在使SFFCM算法的性能达到最优。

二、应用案例1. 图像分割SFFCM算法可应用于图像分割中，通过超像素分割和聚类分析，将输入的图像分割成多个具有相似特征的区域，为图像分析和识别提供便利。

2. 图像增强SFFCM算法能够对图像进行模糊处理和聚类分析，使图像变得更加清晰和平滑，适用于图像增强和美化。

3. 图像检索通过SFFCM算法对图像进行聚类处理，可以将相似的图像归为同一类别，提高图像检索的准确度和效率。

4. 图像压缩SFFCM算法可以在图像压缩中起到优化图像质量的作用，通过模糊处理和聚类分析，降低图像的复杂度和信息量，从而实现更高效的图像压缩。

通过以上对SFFCM算法原理及应用案例的介绍，可以看出SFFCM算法在图像处理领域具有广泛的应用前景，能够为图像分割、图像增强、图像检索、图像压缩等方面提供有效的解决方案。

基于超像素分割的图像处理方法研究随着数字图像处理技术和计算机视觉领域的不断发展，基于超像素分割的图像处理方法也越来越受到关注。

超像素是指在原始图像上划分成一组紧密相连的像素块，这些块可以用于图像分割、物体识别、图像重构等应用中。

相较于传统的像素点，超像素拥有更好的几何、颜色和空间上的连续性，可以更好的表达图像特征。

本文将探讨超像素分割方法在图像处理中的应用。

一、超像素分割方法超像素分割方法通常可以分为基于图论、聚类和图像分割等三种方法。

基于图论的超像素分割方法利用了图上最大流、最小割、最短路等算法，将原始图像划分成多个超像素。

这种方法需要预先设置超像素的数量，且计算时间较长。

聚类法基于超像素之间距离的度量，将超像素逐步合并成较大的图块。

这种方法不需要设置超像素数量，快速且准确。

图像分割法是利用分割算法将图像分割成超像素。

这种方法需要时间更长，但是得到的超像素数量比聚类法更多，更准确。

二、超像素分割方法在目标检测中的应用超像素方法可以用于目标检测中的物体识别和跟踪。

通过分割出的超像素来识别目标，并利用目标的运动状态来跟踪目标。

基于超像素分割的目标检测优点包括：相较于传统的像素点，超像素可以提供更好的几何和空间连续性，从而提高物体检测的准确率；超像素分割后，其像素数量大大减少，从而加快处理速度。

三、超像素分割方法在图像重构中的应用在图像重构中，超像素分割可以提高图像的质量和分辨率。

基于超像素分割的图像重构方法可以分为两种，一种是快速重构，另一种是具有更好细节的重构。

快速重构方法使用超像素替换图像中的像素点，从而减少像素点数量，提高了处理速度。

更好细节的重构方法则利用超像素的局部纹理和颜色信息，重建出更具细节的图像。

四、超像素分割方法在计算机视觉中的应用基于超像素分割的方法在计算机视觉中也有着广泛的应用。

例如基于超像素分割的图像分割方法、基于超像素的目标跟踪算法、基于超像素的特征提取技术等。

总之，超像素分割技术以其在时间和空间上的优势，已在图像处理的多个领域得到应用。

一种高光谱遥感影像端元自动提取方法王晓玲;杜培军;谭琨;曹文【期刊名称】《遥感信息》【年(卷),期】2010(000)004【摘要】针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解.利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法.【总页数】5页(P8-12)【作者】王晓玲;杜培军;谭琨;曹文【作者单位】中国矿业大学国土资源与灾害监测国家测绘局重点实验室,徐州,221116;中国矿业大学江苏省资源环境信息工程重点实验室,徐州,221116;中国矿业大学国土资源与灾害监测国家测绘局重点实验室,徐州,221116;中国矿业大学江苏省资源环境信息工程重点实验室,徐州,221116;中国矿业大学国土资源与灾害监测国家测绘局重点实验室,徐州,221116;中国矿业大学国土资源与灾害监测国家测绘局重点实验室,徐州,221116【正文语种】中文【中图分类】TP79【相关文献】1.一种利用单形体体积自动提取高光谱图像端元的算法 [J], 耿修瑞;赵永超;周冠华2.一种自动的高分辨率遥感影像道路提取方法 [J], 刘如意;宋建锋;权义宁;许鹏飞;雪晴;杨云;苗启广3.一种遥感影像镶嵌线自动提取方法 [J], 蔡红玥4.一种顾及背景信息的遥感影像自动化水体提取方法 [J], 李林蓉;吴曌月;郑盼;姚文静;苏红军5.一种面向对象结合变差函数的高分辨率遥感影像茶种植区自动提取方法 [J], 张世超;王常颖;李劲华;张志梅因版权原因，仅展示原文概要，查看原文内容请购买。

基于超像素技术的图像分割算法研究随着计算机技术的不断发展，图像分割算法已经成为了计算机视觉领域的一个重要研究方向。

而基于超像素技术的图像分割算法，则是近年来发展较为迅猛的一种方法。

本文将对基于超像素技术的图像分割算法进行研究，以期对该方法的优缺点、应用、未来研究方向等方面进行全面的探讨。

1. 超像素技术的基础概念超像素技术，又称为超像素分割（superpixel segmentation），是指将一幅图像分割成一组区域，其中每一组区域都包含像素，这些像素在颜色、纹理和空间上具有较好的连续性。

与像素相比，超像素具有较小的数量和更大的空间尺度，因此超像素分割可以很好地驾驭图像的复杂度，从而可以提高图像分割的效率。

目前，有很多种基于超像素技术的图像分割算法，其中最为经典的是SLIC算法。

2. 常用的基于超像素技术的图像分割算法SLIC算法是基于K-means聚类的一种超像素算法。

该算法的主要思想是通过使用K-means算法将图像的像素聚类成若干个超像素，从而达到分割图像的目的。

相比于传统的K-means算法，SLIC算法在选择聚类中心和计算距离时，考虑了像素的空间位置信息，因此可以更加准确地将图像分割成若干个区域。

此外，为了保证分割结果的平滑度，SLIC算法在计算超像素中心时，采用了距离加权的方法，从而减少了图像分割过程中出现的过度分割或欠分割现象。

除了SLIC算法之外，还有很多其他的基于超像素技术的图像分割算法，比如SEEDS算法、LSC算法等等。

3. 基于超像素技术的图像分割算法的应用基于超像素技术的图像分割算法，可以应用于很多领域。

比如，在医学领域，基于超像素技术的图像分割算法可以用于进行病灶分割、器官分割等任务；在自动驾驶领域，基于超像素技术的图像分割算法可以用于进行道路分割、障碍物检测等任务；在数字图书馆领域，基于超像素技术的图像分割算法可以用于进行文献图片中文字、图形的自动分割等任务。

4. 基于超像素技术的图像分割算法的优缺点相比于传统的像素级图像分割算法，基于超像素技术的图像分割算法具有如下优点：①改善了图像分割结果的平滑度，减少了过度分割或欠分割现象；②提高了图像分割的效率，减少了计算量；③增强了图像分割算法对于高层次语义信息的表达能力。

粒子群空间优化的端元提取算法祝章智;黄风华【摘要】粒子群优化算法(Particle Swarm Optimization,PSO)应用于高光谱影像端元提取时,由于影像中存在端元的像元数所占比例极小且分布零散,导致粒子群的搜索空间破碎,存在收敛性能低、容易陷入局部最优解等缺陷.对粒子群的搜索空间进行优化,选择影像中纯净像元指数(Pixel Purity Index,PPI)较大的像元作为预选像元,然后对预选像元进行光谱聚类排序,将排序后的集合作为粒子群的搜索空间,优化了粒子的搜索空间.并在迭代过程中,充分利用粒子群的信息自适应地调整其系数,在缩小原始图像与反演图像的误差同时,增加体积约束,在提取端元时更好地保持其原有的形状.通过模拟数据和AVIRIS影像的实验表明该算法具有较好端元提取效果.%Particle Swarm Optimization(PSO)is an optimization algorithm based on continuous space.Because the number of endmembers is small and endmembers are scattered in the hyperspectral image,the search space of the PSO is scattered. The traditional PSO algorithm has the weaknesses of being sensitive to initial value,low convergency,easy to fall into the local optimum.To solve this problem,this paper selects the pixels with high Pure Pixel Index(PPI)as the preselected pix-els, and sorts the preselected pixels. Finally, the sorting pixels are taken as the searching space of PSO, to reduce the search space and improve the efficiency of thealgorithm.Experimental results show that this algorithm has better result than other algorithms in simulating and AVIRIS images.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)011【总页数】8页(P185-192)【关键词】粒子群算法;端元提取;高光谱遥感【作者】祝章智;黄风华【作者单位】福州大学福建省空间信息工程研究中心,福州350002;福州大学空间数据挖掘与信息共享教育部重点实验室,福州350002;福州大学地理空间信息技术国家地方联合工程研究中心,福州350002;福州大学福建省空间信息工程研究中心,福州350002【正文语种】中文【中图分类】TP751;TP18高光谱遥感技术是将目标探测与光谱成像相结合的地物信息识别技术，它以其精细的光谱分辨能力改变着人类观察地表的视角。

基于超像素的遥感图像并行分割算法第一步是超像素生成。

超像素是指将图像划分为若干个相似的连续像素块的方法，可以减少图像中的冗余信息，提高分割效果。

常用的超像素生成方法包括基于区域的算法（如SLIC算法）和基于图的算法（如TurboPixels算法）。

算法首先对图像进行预处理，然后根据像素的相似性将图像划分为超像素。

第二步是特征提取。

特征是用来描述图像中物体的属性或特点的量化信息，可以用于区分不同类别的像素。

常用的特征包括颜色、纹理、形状等。

在超像素分割中，可以使用各个超像素的平均颜色值、纹理特征或边缘信息作为特征。

第三步是相似度计算。

相似度计算是用来度量两个像素或超像素之间的相似程度，可以通过计算它们之间的颜色差异、纹理差异等来得到。

常用的相似度计算方法包括欧式距离、马哈拉诺比斯距离等。

最后一步是并行分割。

并行分割是指同时对图像的多个部分进行分割的过程，可以大大提高分割速度。

在并行分割中，可以使用多线程或GPU 并行计算来加速算法的运行。

算法将相邻的超像素进行相似度比较，并通过合并相似的超像素来实现分割。

在合并超像素时，可以使用图像分割算法（如阈值分割算法、聚类算法等）来确定分割结果。

总结起来，基于超像素的遥感图像并行分割算法通过超像素生成、特征提取、相似度计算和并行分割的步骤来实现。

该算法可以提高分割效果和运算速度，适用于处理大规模遥感图像数据。

端元可变的高光谱图像解混算法研究光谱解混是高光谱图像众多应用中需要解决的一个关键问题。

传统的光谱解混方法假定每类地物仅有一种端元光谱, 其端元集是固定的。

由于地物的复杂多样性和成像条件的影响, 高光谱图像“同物异谱〞和“异物同谱〞现象普遍存在, 从而导致对所有像元用固定的端元集进行解混精度受限。

因此, 研究端元可变的高光谱图像解混算法对提高高光谱图像的应用具有重要的意义。

本文针对端元可变的端元束提取以及多端元光谱混合分析算法展开研究, 主要研究内容如下:(1) 针对现有的基于光谱信息和空间信息的端元束提取方法没有充分考虑冗余端元的去除, 导致后续光谱解混误差增加和光谱解混复杂度较高的问题, 提出了一种基于超像素分割和像元纯度指数的端元束提取方法。

首先通过PPI 提取初始候选端元, 每个超像素内保存一个候选端元并以超像素为邻域计算其均质性指数,对保存的端元根据其均质性指数进行筛选, 通过聚类得到每类地物的端元束, 并进一步去除类内冗余端元。

仿真和真实数据实验结果说明, 所提出的方法能有效提取可变端元且能降低后续光谱解混的复杂度。

(2) 针对基于超像素分割和纯像元指数的端元束提取算法无法有效解决含多种植被和植被与其他地物致密混合的城市高光谱数据的问题,提出了基于植被指数分析和PPI 结合超像素分割的端元束提取方法。

对PPI 提取并经超像素分析保存的端元集, 根据植被指数分为植被端元、含植被的混合端元和其他端元三类。

纯植被端元集利用其最大光谱值分成两类, 其他端元集那么先利用均质性指数进行筛选,再通过聚类得到每类地物的端元束, 通过一系列实验验证了该算法的有效性。

(3) 多端元光谱混合分析同样是解决光谱可变性的有效手段。

为了在降低光谱混合分析时间复杂度的同时提高其精度, 提出了一种由粗到细的多端元光谱混合分析算法。

该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析, 确定含所有地物的初始端元集,在此根底上进一步进行精细光谱混合分析, 迭代光谱混合分析构建端元子集, 最终根据重构误差变化量确定各个像元的最优端元集。