基于高维马尔可夫网结构统计方法的高光谱图像分割研究

高光谱图像的高维灰度平面方向和高维光谱方向的像素相似性综合度量与分割问题是公认难题，当前基本思路是将高维图像灰度平面和高维光谱分开考虑，并以降维为基本处理思想，而大部分光谱相似性度量都很难明确区分光谱差异，降维思想则有悖于高光谱技术的初衷，可能丢失信息。本研究将马尔科夫网(MN)和可分解马尔科夫网(DMN)概念延伸，提出嵌套方式半可分解马尔科夫网Semi-MN概念，解决了MN和DMN在构网效率与网络决策客观性方面存在的矛盾，同时将平面网络结构推进到高维网络结构；高光谱立方体数据结构可以用高维马尔科夫网进行微观表示,它不仅可以识别像素性质，而且可以对有特定统计贡献像素所处的空间位置定位，有利于图像的结构统计计算, 获得其结构关系；Semi-MN方法既实现了高光谱图像像素相似性度量，又构造了高光谱图像的分割模型，将灰度维和光谱维集成在一起处理，建立了一体化像素相似性综合度量模型和分割模型。

项目研究要点主要涉及两个方面：优化度量准则和优化网络投影方法。理论与技术问题落实在最小交叉熵等算法以及网络结构的图论研究上，包括图的各种矩阵表示与操作等，其实质是面向决策的数据结构，为结构统计准备必要的条件。.项目对熵的图像分割问题研究，得出有益结论。第一、应该将最大熵方法与其它优化理论结合，解决熵计算的多特征通道问题，处理复杂图像的分割问题。第二、应该广泛应用Tsallis熵和Renyi熵解决区域属性重叠较强的图像分割问题。第三、二维或高维熵可以直接用于复杂图像的全图分割，其中高维统计量对多通道特征的融合研究是关键技术。第四、交叉熵度量强调差异性测度，具有更多灵活性，模型精准性更好。第五、模糊熵与综合熵方法，将熵与相关理论结合，适应更广泛的研究领域。第六、其它熵方法（空间熵、玻耳兹曼熵）都具有对图像局部结构直接描述能力。.项目对图论问题研究，得出有益结论。高光谱图像端元分解可以一定程度解决物质含量的纯度问题，但在亚像元中不同物质的分布情况很难确定。高空间分辨率影像对高光谱分辨率影像的协同是对地物识别的最佳模式。图论方法是解决多级多尺度影像分辨率问题的有力工具。图论用于组织“图像对象”间的关系。基本过程：（1）对图像实施基于像素的分割，获得区域对象，像素单元包括多光谱与高光谱的多种算法实现。（2）将区域对象映射为图中的顶点，区域之间的联系由连接两区域对象的边表示。（3）合并后所得到的每个区域同样可以表示为新图中的一个顶点，每一层新图都是其下一层顶点的合并，上一层顶点代表的区域对象必然是下一层邻接相似区域的合并，这个过程就是图的泛化过程。.项目对高光谱图像端元问题研究，得出有益结论。由于传感器应用目的与设计策略以及地面目标的复杂多样性，使得高光谱图像空间分辨率相对较低、混合像元普遍存在。在数学上，端元间应该具有最大差异性，可以用数学广义距离最大来解决，但是图像噪声可能使简单广义距离最大失效；在物理上，端元应该是纯净物质成分的记录单元，图像中端元的纯净性，在一定程度上可以依赖像元近邻关系进行判断。项目组提出比较完善的高光谱端元自动确定与提取的迭代算法(ACEEHIIU)，确定图像空间信息相关参数，将图像全局与局部空间信息相结合，用图像局部最大分解误差为迭代基础，判断候选端元，自适应确定图像端元数量并提取端元，可以避免粗差或误差积累。