0引言

視覺顯著性估計中通常以彩色圖像為輸入，因此，本文以３個相鄰波段的高光譜影像為輸入，進行顯著性特征提取，然后沿光譜維度利用滑窗法獲取各個波段的顯著性特征，最后將各個波段的顯著性特征進行堆疊形成最終用于分類的顯著性特征。如圖１所示，３個相鄰波段的高光譜影像顯著性特征提取主要包括超像素分割、對比度計算和顯著性分配3個步驟。

1、SLIC超像素分割

基于像素的視覺顯著性估計方法對噪聲較為敏感，而超像素以相對簡單的方式表示圖像并能減少圖像的冗余，同時每個超像素塊具有相同的性質(zhì)。為了更加有效地提取顯著性特征，首先將輸入的三波段高光譜影像根據(jù)顏色相似性分割為若干個超像素，每個超像素由區(qū)域內(nèi)的顏色均值表示，進而以超像素為基礎(chǔ)進行視覺顯著性估計。本文采用SLICsimple linear iterative cluster)方法對輸入的三波段高光譜影像進行超像素分割。

分割算法，其根據(jù)CIELAB顏色空間和二維坐標構(gòu)成的５維特征向量進行局部聚類，并將搜索空間限制在與超像素大小成比例的區(qū)域內(nèi)來提高計算效率，SLIC 算法接受一個參數(shù) K (K 為超像素分割的個數(shù))，首先初始化 K 個種子點，并在每個種子點的鄰域空間內(nèi)搜索距離該種子點最近的若干像素，將它們與該種子點歸為一類，直到所有像素點都歸類完畢;然后計算這 K 個超像素里所有像素點的平均向量值作為新的聚類中心;再根據(jù)更新后的K個聚類中心重復(fù)上述步驟，迭代直到收斂。K個種子之間的初始距離定義為S＝N/K，其中N為圖像的像素個數(shù)，搜索鄰域范圍設(shè)置為２S×２S。其中，距離度量包括顏色距離dc和空間距離ds，兩種距離的計算方式如下

式中，l、a、b為CIELAB顏色空間對應(yīng)的３個通道變量；i和j為超像素的索引；Nc和Ns分別為最大的顏色距離和種子點之間最大的距離。SLIC 算法能夠有效地將圖像分割為若干個超像素塊，每個超像素塊內(nèi)部像素屬性趨于一致，并由顏色均值表示。這樣可以在特征提取的過程中充分考慮像素周圍的局部空間信息，同時能夠降低噪聲對特征提取的影響。

對比度計算

視覺顯著性檢測中通常通過計算對比度來進行顯著性估計，為了更加充分地利用全局空間信息，以分割后的超像素為基礎(chǔ)，定義顏色獨立性和空間顏色分布兩種對比度。顏色獨立性定義如下

式中

和

分別為第j 個 超像素的顏色和位置;

表示局部或全局對比的控制變量，權(quán)重與超像素空間位置的距離有

關(guān);Z i 為歸一化因子，用于保證

為參數(shù)。由式(２)可知，距離越遠則權(quán)值越小，對顯著性影響越小;而某個超像素顏色越獨特，則Ui越大，也表示該超像素越顯著。進一步可將式(２)改寫為

式中，第１項的結(jié)果是１;第２和第３項可以通過以w為核的濾波器，分別對cj和進行濾波加以實現(xiàn)?？臻g顏色分布定義如下

式中，cj＝[lj，ajbj]和pj＝[xj，yj]分別為第j個超像素的顏色和位置；

表示表示i和j個超像素的顏色相似度；Zi為歸一化因子；σc為參數(shù)；

為第i個超像素的加權(quán)平均位置。Di可以表示某種顏色在空間分布的廣度，例如某種地物顏色分散在圖像中，但是面積都很小，那么計算出來的顏色獨立性就比較高，但空間顏色分布較廣，說明該類地物并不顯著。式(４)可以改寫為

3、顯著性分配

根據(jù)顏色獨立性和空間顏色分布計算每個超像素的顯著性為

可知空間顏色分布 Di 越大即顏色分布越廣，對應(yīng)顯著性值越小;顏色獨立性Ui 越大，則對應(yīng)顯著性值越大。最終定義每個像素的顯著性如下

每個像素的顯著性是通過其所在超像素單元以及周圍的超像素單元進行高斯線性加權(quán)，權(quán)重取決于顏色和位置的距離，同樣可以通過濾波加以實現(xiàn)。

歡迎關(guān)注公眾號：萊森光學(xué)，了解更多光譜知識。

萊森光學(xué)（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯hhy