基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统

摘要

本发明公开了一种基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统，包括以下步骤：1)获取若干高光谱图像作为样本，估计各高光谱图像的噪声特征；2)提取各高光谱图像的模糊特征；3)提取各高光谱图像的空间相关性及光谱间相关性；4)构造各高光谱图像的相关相位一致性图，获取所述相关相位一致性图灰度共生矩阵的灰度感知特征，其中，所述灰度感知特征包括角秒矩、对比度、熵及均匀性；5)构建基于广义回归神经网络的高光谱图像质量评价模型，对基于广义回归神经网络的高光谱图像质量评价模型进行训练，然后利用训练后的高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数，该方法及系统能够准确预测高光谱图像的质量。

说明书

技术领域

本发明涉及一种高光谱图像质量预测方法及系统，具体涉及一种基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统。

背景技术

高光谱图像将光学成像技术与光谱学技术相结合，不仅可以捕获二维空间成像，还可以获得每个高光谱像素内数十甚至数百个波段的光谱值。与其他类型的图像相比，高光谱图像具有更丰富的空间信息和光谱信息，便于特征识别和后续分析。

高光谱图像的应用价值在很大程度上取决于图像的信息质量。由于遥感图像成像过程的复杂性，在图像的形成、传输和接收过程中，图像不可避免地会受到外部和内部的干扰。降级的图像质量不可避免地会丢失一些特定的信息，这或多或少地限制了它们的进一步使用。此外，传感器成像的实际过程通常会引入一定程度的模糊。此外，大量云的存在影响了光学遥感数据的质量，从而降低了图像数据的利用率。这些噪音、模糊和云覆盖会降低图像质量并淹没特征，使其难以理解和使用。因此，识别遥感图像的质量水平对于图像质量评价方法具有重要意义。

高光谱图像包含了丰富的信息，这反过来给图像处理带来了许多困难。基于高光谱图像的特征提取通常被称为通过不同的方法选择包含大量信息的波段或特征，以降低数据的冗余度。当高光谱图像的波段数较大时，波段组合方式将呈指数增长，这将极大地影响后续算法的运行速度和复杂度。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统，该方法及系统能够准确预测风机设备高光谱图像的质量。

为达到上述目的，本发明所述的基于广义回归神经网络的风机设备高光谱图像质量预测方法包括以下步骤：

1)获取若干高光谱图像作为样本，估计各高光谱图像的噪声特征；

2)提取各高光谱图像的模糊特征；

3)提取各高光谱图像的空间相关性及光谱间相关性；

4)构造各高光谱图像的相关相位一致性图，获取所述相关相位一致性图灰度共生矩阵的灰度感知特征，其中，所述灰度感知特征包括角秒矩、对比度、熵及均匀性；

5)构建基于广义回归神经网络的风机设备高光谱图像质量评价模型，再将步骤1)得到的各高光谱图像的噪声特征、步骤2)得到的各高光谱图像的模糊特征、步骤3)得到的各高光谱图像的空间相关性及光谱间相关性及步骤4)得到的灰度感知特征输入到基于广义回归神经网络的高光谱图像质量评价模型中，对基于广义回归神经网络的高光谱图像质量评价模型进行训练，然后利用训练后的基于广义回归神经网络的高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数。

步骤1)中利用多元线性回归方法估计各高光谱图像的噪声特征；

步骤2)中采用基于图像直方图的模糊评价算法提取各高光谱图像的模糊特征。

步骤1)的具体操作过程为：

将高光谱图像划分为若干图像块，再利用相邻波段的多元线性回归拟合方法拟合均匀区域相邻像素值的信号分离噪声，然后计算各图像块的偏差，最后利用各图像块的偏差计算该高光谱图像的噪声特征。

高光谱图像的噪声特征f

其中，

步骤2)中高光谱图像的模糊特征f

其中，x

步骤3)中高光谱图像的空间相关性f

其中，

高光谱图像的相关相位一致性计算公式为：

F(x)＝∑e

H(x)＝∑o

尺寸为M×N的灰度图像的灰度共生矩阵G

本发明所述的基于广义回归神经网络的高光谱图像质量预测系统包括：

噪声特征估计模块，用于获取若干高光谱图像作为样本，估计各高光谱图像的噪声特征；

模糊特征提取模块，用于提取各高光谱图像的模糊特征；

相关性提取模块，用于提取各高光谱图像的空间相关性及光谱间相关性；

灰度感知特征提取模块，用于构造各高光谱图像的相关相位一致性图，获取所述相关相位一致性图灰度共生矩阵的灰度感知特征，其中，所述灰度感知特征包括角秒矩、对比度、熵及均匀性；

预测模块，与噪声特征估计模块、模糊特征提取模块、相关性提取模块及灰度感知特征提取模块相连接，用于构建基于广义回归神经网络的高光谱图像质量评价模型，再将步骤1)得到的各高光谱图像的噪声特征、步骤2)得到的各高光谱图像的模糊特征、步骤3)得到的各高光谱图像的空间相关性及光谱间相关性及步骤4)得到的灰度感知特征输入到基于广义回归神经网络的风机设备高光谱图像质量评价模型中，对基于广义回归神经网络的风机设备高光谱图像质量评价模型进行训练，然后利用训练后的基于广义回归神经网络的风机设备高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数。

本发明具有以下有益效果：

本发明所述的基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统在具体操作时，先获取各高光谱图像的噪声特征、模糊特征、空间相关性及光谱间相关性和灰度感知特征，再构建基于广义回归神经网络的风机设备高光谱图像质量评价模型，然后利用上述获取的特征对基于广义回归神经网络的风机设备高光谱图像质量评价模型进行训练，再利用训练后的基于广义回归神经网络的风机设备高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数，需要说明的是，本发明在预测过程中，引入高光谱图像的光谱间相关性及平均噪声，相比于传统的基于单波段图像的质量评价，预测结果更准确，且更具有针对性。同时引入相关相位一致性图，符合人类视觉系统机制，可以获得可靠的图像视觉感知特征，并且亮度变化不受图像对比度变化的影响，同时采用基于广义回归神经网络的风机设备高光谱图像质量评价模型进行预测，对样本数量要求较低，有效解决神经网络模型的过度拟合问题。

附图说明

图1为本发明中基于广义回归神经网络的风机设备高光谱图像质量评价模型的体系结构图；

图2为广义回归神经网络的示意图；

图3为运行速度示意图；

图4为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图4，本发明所述的基于广义回归神经网络的风机设备高光谱图像质量预测方法包括以下步骤：

1)获取若干高光谱图像作为样本，估计各高光谱图像的噪声特征；

步骤1)中利用多元线性回归方法估计各高光谱图像的噪声特征，具体的，将高光谱图像划分为若干图像块，再利用相邻波段的多元线性回归拟合方法拟合均匀区域相邻像素值的信号分离噪声，然后计算各图像块的偏差，最后利用各图像块的偏差计算该高光谱图像的噪声特征。

步骤1)的具体过程为：

将高光谱图像划分为若干图像块，设x

其中，w

第k波段中图像块的偏差

则高光谱图像的噪声特征f

2)提取各高光谱图像的模糊特征；

步骤2)中采用基于图像直方图的模糊评价算法提取各高光谱图像的模糊特征，其中，高光谱图像的模糊特征f

其中，x

其中，x

3)提取各高光谱图像的空间相关性及光谱间相关性；

空间相关性指的是每个光谱段中一个像素与其相邻像素之间的相似性特征；光谱间相关性是指每个光谱段图像的相同空间位置的像素的相似性特征，其中，

其中，

4)构造各高光谱图像的相关相位一致性图，获取所述相关相位一致性图灰度共生矩阵的灰度感知特征，其中，所述灰度感知特征包括角秒矩、对比度、熵及均匀性；

高光谱图像的相关相位一致性计算公式为：

F(x)＝∑e

H(x)＝∑o

其中，e

灰度共生矩阵(GLCM)表示图像的两个像素点的联合概率分布，能反映图像灰度在方向、相邻区间和变化幅度上的综合信息，定义尺寸为M×N的灰度图像的灰度共生矩阵G

当满足以下条件，则二进制函数μ等于1；

I(p,q)＝i and I(p+δcosθ,q+δsinθ)＝j

其中，δ及θ分别为像素之间的距离及角度参数。

从每幅图像的APCM灰度共生矩阵中，选择角秒矩(ASM)、对比度、熵和均匀性作为灰度感知特征，并分别用f

5)构建基于广义回归神经网络的风机设备高光谱图像质量评价模型，再将步骤1)得到的各高光谱图像的噪声特征、步骤2)得到的各高光谱图像的模糊特征、步骤3)得到的各高光谱图像的空间相关性及光谱间相关性及步骤4)得到的灰度感知特征输入到基于广义回归神经网络的高光谱图像质量评价模型中，对基于广义回归神经网络的高光谱图像质量评价模型进行训练，然后利用训练后的基于广义回归神经网络的高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数。

广义回归神经网络(GRNN)评价模型：广义回归神经网络(GRNN)为基于非参数估计的非线性回归的径向基神经网络，广义回归神经网络(GRNN)由输入层、模式层、求和层及输出层四层组成，如图2所示。

其中，输入层中神经元的数量等于输入样本的维数，即特征的数量。每个神经元是一个简单的分布单元，它直接将输入特征传输到模式层。

模式层的神经元数目与训练样本的数目相同，模式层的每个神经元对应于训练集中的每个样本，连接到求和层的两个节点。

输出层计算求和层的两个输出的商，构成依赖于特征的预测值，商公式定义为：

其中，N为训练集的数量，γ为传输参数，γ用于控制拟合函数的平滑程度，x

本发明所述的基于广义回归神经网络的风机设备高光谱图像质量预测系统包括：

噪声特征估计模块，用于获取若干高光谱图像作为样本，估计各高光谱图像的噪声特征；

模糊特征提取模块，用于提取各高光谱图像的模糊特征；

相关性提取模块，用于提取各高光谱图像的空间相关性及光谱间相关性；

灰度感知特征提取模块，用于构造各高光谱图像的相关相位一致性图，获取所述相关相位一致性图灰度共生矩阵的灰度感知特征，其中，所述灰度感知特征包括角秒矩、对比度、熵及均匀性；

预测模块，与噪声特征估计模块、模糊特征提取模块、相关性提取模块及灰度感知特征提取模块相连接，用于构建基于广义回归神经网络的风机设备高光谱图像质量评价模型，再将步骤1)得到的各高光谱图像的噪声特征、步骤2)得到的各高光谱图像的模糊特征、步骤3)得到的各高光谱图像的空间相关性及光谱间相关性及步骤4)得到的灰度感知特征输入到基于广义回归神经网络的风机设备高光谱图像质量评价模型中，对基于广义回归神经网络的风机设备高光谱图像质量评价模型进行训练，然后利用训练后的基于广义回归神经网络的高光谱图像质量评价模型预测待预测高光谱图像的准确质量分数。

本发明与现有高光谱IQA方法的比较结果如表1所示。

表1

高光谱图像为包含大量光谱信息的三维图像，图像的光谱分辨率随着波段数量的增加而增加，在单波段图像质量评价过程中，常用的参数包括信噪比、几何校正、色度、对比度及图像细节等，这在多波段高光谱图像领域中并不完全适用。为了解决这一问题，本发明通过计算关于多波段图像的平均噪声、空间相关性、光谱间相关性、模糊和图像的相位一致性图的八个关键特征来构建每个高光谱图像的特征向量，然后将每个测试的高光谱图像的特征向量馈送到训练有素的广义回归神经网络(GRNN)中，以获得图像的质量分数。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。