一种高光谱图像波段选择方法、系统、介质及设备

技术领域

本发明涉及高光谱图像技术领域，尤其涉及一种高光谱图像波段选择方法、系统、介质及设备。

背景技术

公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。

光谱图像是一种三维结构的数据，其中光谱分辨率在10

随着医疗设备的发展，高光谱成像技术其非接触、非破坏性诊断技术得到广泛应用。不同病理组织的化学组成和物理特征有着不同的反射率、吸收度以及电磁能量，表现为特征光谱峰的差异，具有代表性的波段为“特征波段”。

在形成肿瘤高光谱图像的高光谱波段中含有的噪声比较多，对肿瘤高光谱图像的质量有一定影响，同时，数据存在大量冗余，处理不当，反而会影响分类精度。

发明内容

针对现有技术存在的不足，本发明实施例的目的是提供一种高光谱图像波段选择方法，通过对高光谱波段中的优质波段进行选取，减少图像中噪声、冗余信息，使肿瘤高光谱图像更加优质。

为了实现上述目的，本发明实施例提供了如下技术方案：

一种高光谱图像波段选择方法，包括：获取图像不同波段所携带的信息，对不同波段所含的信息量进行对比，得到所含信息量大于设定阈值的多个第一波段；对多个所述第一波段进行神经网络的可视化，形成不同波段下的权重与特征图；通过所述权重与特征图对图像的多个所述第一波段进行评分，获得不同波段下的评价分数，根据评价分数选择图像波段。

本发明另一优选的实施方式中，通过对图像中的像素点方差进行运算，获得所含信息量大于设定阈值的多个第一波段，对所含信息量低于设定阈值的多个第二波段进行筛除。

本发明另一优选的实施方式中，用Band Index方法对图像中像素点方差进行计算，得到波长信息与图像信息量的二维图像，从而判定不同波段所含的信息量。

本发明另一优选的实施方式中，通过grad cam算法进行神经网络的可视化，对相关特征进行提取，得到类激活的热力图，形成不同波段下的权重与特征图。

本发明另一优选的实施方式中，根据输出向量进行回馈，求取特征图的梯度，得到每个特征图上每个像素点对应的梯度；然后再对每个梯度图求平均获得每个特征图的权重；然后再将权重与特征图进行加权求和，得到最终的类激活图，形成不同波段下的权重与特征图。

本发明另一优选的实施方式中，用序贯前向搜索算法通过对得到的不同波段下高光谱图像中所需图像的相似度信息进行评价，获得不同波段下的评价分数，根据评价分数选择图像波段。

本发明另一优选的实施方式中，用序贯后向搜索算法通过对得到的不同波段下高光谱图像中所需图像的相似度信息进行评价，获得不同波段下的评价分数，根据评价分数选择图像波段。

本发明实施例还提供了一种高光谱图像波段选择系统，包括：信息量判定模块，被配置为获取图像不同波段所携带的信息，对不同波段所含的信息量进行对比，得到所含信息量大于设定阈值的多个第一波段；权重判定模块，被配置为对多个所述第一波段进行神经网络的可视化，形成不同波段下的权重与特征图；波段选择模块，被配置为通过所述权重与特征图对图像的多个所述第一波段进行评分，获得不同波段下的评价分数，根据评价分数选择图像波段。

本发明实施例还提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述所述的高光谱图像波段选择方法。

本发明实施例还提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述所述的高光谱图像波段选择方法。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、本发明的高光谱图像波段选择方法能在尽量保留光谱辐射信息的条件下减少高光谱遥感影像的波段数，进一步剔除冗余和有噪声的波段影像，在不使用其他方法提高图像质量的情况下，获得更为优质的高光谱图像。

2、通过对高光谱图像的优质波段选取过程，即不同波段下进行评分，减少了人工对比，降低了影像分类的计算复杂度，提高了分类的精度，获得更为精准的优质波段。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的高光谱图像波段选择方法流程图；

为显示各部位位置而夸大了互相间间距或尺寸，示意图仅作示意使用。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

术语解释：

方差：在高光谱图像中表示某个像元的灰度与平均值的差异水平。方差的值越大，代表其偏离均值越大，图像所携带的信息量越多，其灰度层次也就越丰富，图像的质量越好。

如图1所示，本发明一实施例中记载了一种高光谱图像波段选择方法：

第一步为对高光谱图像不同波段下所含信息量进行对比，用Band Index方法对图像中像素点方差进行计算，计算像素点方差选用Band Index方法进行光谱波段选择降维，得到一个波长信息与图像信息量(像素点方差)的二维图像，将所含信息量较少的波段剔除，减少冗余信息。

第二步是将剔除完信息冗余后的高光谱图像进行不同波段下的权重判定，通过grad cam算法进行神经网络的可视化，对相关特征进行提取，得到类激活的热力图，形成不同波段下的权重与特征图，在不同波段下与原高光谱图像的相似程度进行对比，得到高光谱图像中所需图像的相似度信息，减少噪声及高光谱图像中无关图像的影响。

第三步为对上述步骤所获得的不同波段下权重与特征图进行分析评价，用序贯前向搜索算法或序贯后向搜索算法来进行波段优选，通过对得到的不同波段下高光谱图像中所需图像的相似度信息进行评价，获得不同波段下的评价分数，分析出优质波段。最终输出选取的优质波段。

实施例1：

一种高光谱图像波段选择方法，包括：

步骤(1)：通过对图像中的像素点方差、熵等进行运算，得出图像中携带信息量多的部分波段，为接下来肿瘤高光谱波段的优选提供基础依据，对图像中携带信息量不多的波段进行筛除。

肿瘤高光谱图像是一个三维数据块，坐标分别为表示二维平面像素信息坐标轴x和y，第三维(λ轴)是波长信息坐标轴。需要对高光谱图像进行降维，形成一个波长信息与图像信息的二维图像。

计算像素点方差选用Band Index方法进行光谱波段选择降维，从其参数(Pi)中可以得知随着方差增大，波段包含的信息越多；随着相关系数降低，波段的独立性越高，所包含的重复信息率越少，最后对所含信息量不多的波段进行剔除。

Band Index是一个重要参数，其反映了波段总体包含特征信息和相关性。通过结合Band Index和目标物体有效的光谱范围(effiective spectral scope of object)，我们可以进行波段选择，进而下一步识别分类。

Band Index方法：Hyperspectral遥感图像根据相关性分为KK组(如shortwavelight、visible light、near-infrared)，设每个组中的波段数为nl(l＝1，2，…，k)。用pij表示波段i与波段j的相关系数，σi表示波段i的方差，Ra表示波段i与不同组其他波段相关系数的绝对值的和，R

从而波段i的Band Index可表示为：

通过观察，我们知道随着方差增大，波段包含的信息越多；随着相关系数降低，波段的独立性越高。

图像熵表示为图像灰度级集合的比特平均数，单位比特/像素，也描述了图像信源的平均信息量。对于离散形式的二维图像，其熵及信息熵的计算公式为：

上式中，M

步骤(2)：通过grad cam算法进行神经网络的可视化，对相关特征进行提取，形成权重与特征图。

Grad-CAM根据输出向量，进行回馈，求取特征图的梯度，得到每个特征图上每个像素点对应的梯度，也就是特征图对应的梯度图；然后再对每个梯度图求平均，这个平均值就对应于每个特征图的权重，然后再将权重与特征图进行加权求和，最后经过relu激活函数就可以得到最终的类激活的热力图，热力图可以呈现出不同波段下相同位置的相似程度，即不同波段下的权重与特征比，形成不同波段下的权重与特征图。

在用grad cam算法进行高光谱图像神经网络的可视化时，主要是为了得到热力图所呈现的不同波段下与原高光谱图像的相似程度。对相似程度进行对比分析，与原图像相似度越高，波段所包含原图像信息越多，为接下来优质波段的选取提供依据。

步骤(3)：通过上述步骤所得特征图权重、图像中所携带的信息量对肿瘤高光谱图像的波段进行评分，获得不同波段下的评价分数，从而获得整个肿瘤高光谱波段中的优质波段。通过特征图权重和所带信息量多少设定得分，即特征图权重有一得分表，信息量多少有一得分表，某一波段下的得分为权重图得分与所带信息量得分，后续搜索即对所有波段进行评分。

用序贯前向搜索算法(Sequential Forward Selection，SFS)或者序贯后向搜索算法(Sequential Backward Selection，SBS)来进行波段优选，波段选择主要涉及两方面内容，一是评价准则，二是搜索方法，需要根据不同的应用确定相应的评价准则，在肿瘤高光谱波段优选中评价准则的设定需要与波段所含信息量及其存在特征有关，。具体设定得分表或者最后波段得分的组成比例需按照实际情况进行设计，独特之处可以通过人为设定优质波段的大小，用搜索算法获得机器所给的优质解，获得不同波段大小下的优质波段，最后选取合适的优质波段。序贯前向搜索算法和序贯后向搜索算法其本质上都是一种“贪婪算法”。

SFS是一种“自下而上”的搜索算法，肿瘤高光谱波段搜索为例，它开始于一个波段，即首先选择使得波段选择准则函数最优的一个波段。初始化第一个波段时，需要对每一个波段各计算一次准则函数(共L次)，并选择具有最优准则函数的波段。然后，在剩余的波段集合中，再次选择一个波段作为第二个波段。第二个波段选择的原则是，与第一个波段组成的“波段子集”能够获得最优的准则函数，因此选择第二个波段需要计算L-1次准则函数。

以此类推，每次增加一个波段，保证能使当前的波段子集获得最优准则函数。由于使用SFS搜索，特征数逐渐增加，且每次增加一个特征，因此称为序贯前向搜索。

与SFS相反，SBS是一种“自上而下”的搜索算法，它开始于全部波段集合，即将全部波段集合作为初始波段集合，然后从中逐个删除波段。删除第一个波段时，需要先将每一个波段去除一次，并对剩余波段各计算一次准则函数(共L次)，保留具有最优准则函数的波段子集，这就相当于去除了一个波段。然后，使用同样的方法在剩余的波段子集中，再次去除一个波段，这也需要将波段子集中的每个波段再去除一次，因此，删除第二个波段需要计算L-1次准则函数。

以此类推，每次循环都保留能获得最优准则函数的波段子集。由于使用SBS搜索时，特征数逐渐减少，且每次减少一个特征，因此称为序贯后向搜索。

实施例2

基于同一发明构思，本发明另一实施例提供一种高光谱图像波段选择系统，包括：

信息量判定模块，被配置为获取图像不同波段所携带的信息，对不同波段所含的信息量进行对比，得到所含信息量大于设定阈值的多个第一波段；

权重判定模块，被配置为对多个所述第一波段进行神经网络的可视化，形成不同波段下的权重与特征图；

波段选择模块，被配置为通过所述权重与特征图对图像的多个所述第一波段进行评分，获得不同波段下的评价分数，根据评价分数选择图像波段。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

实施例3

本公开的一种实施例中提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的高光谱图像波段选择方法。

实施例4

本公开的一种实施例中提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的高光谱图像波段选择方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。