CN109858531B - 一种基于图的高光谱遥感图像快速聚类算法 - Google Patents
一种基于图的高光谱遥感图像快速聚类算法 Download PDFInfo
- Publication number
- CN109858531B CN109858531B CN201910033149.2A CN201910033149A CN109858531B CN 109858531 B CN109858531 B CN 109858531B CN 201910033149 A CN201910033149 A CN 201910033149A CN 109858531 B CN109858531 B CN 109858531B
- Authority
- CN
- China
- Prior art keywords
- matrix
- equation
- clustering
- remote sensing
- hyperspectral remote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及高光谱遥感和机器学习技术领域,具体涉及一种适用于高光谱遥感图像的基于图的快速聚类算法。利用空间平滑技术挖掘出高光谱图像中的空间信息,构建锚点图加速聚类过程,增加非负松弛约束直接得到最终的聚类索引矩阵,而不用借助于其他的聚类算法,有效解决了传统基于图方法无法处理大规模高光谱遥感图像聚类问题。
Description
技术领域
本发明涉及高光谱遥感和机器学习技术领域,具体涉及一种适用于大规模高光谱遥感图像的基于图的快速聚类算法。
背景技术
高光谱遥感图像是利用成像和光谱技术获取的,它最主要的特点是图谱合一,在获取地面图像空间信息的同时,得到每个地物的连续光谱信息,为监测地球表面提供了丰富的光谱和空间信息。因此,高光谱遥感图像在精细农业、矿产资源探测、环境监测和海洋调查等领域得到了广泛的应用。由于人工标注价格昂贵,标注质量参差不齐,因此在无标签的情况下对高光谱遥感图像聚类成为非常有价值和潜力的方向,近年来引起了广泛的关注。
高光谱遥感图像聚类的目的是将给定的图像分割成组,使同一组中的像元尽可能相似,而分配给不同组的像元则不同。随着成像光谱技术的迅猛发展,目前需要处理的高光谱遥感图像呈现维度高和规模大的特性,维度高指光谱特征波段多,可以为每个像元提供几十个,数百个甚至上千个波段,规模大指空间像元多,每个波段的像元个数达到几万,几十万甚至几百万,因此实现高光谱遥感图像聚类是一个非常具有挑战性的任务。另外,像元在空间位置上是具有一定联系的,空间上距离很近的像元在很大概率上属于同一类。因此,对高光谱遥感图像聚类需要考虑到像元周围的局部空间结构。
基于图的聚类算法是近年来机器学习领域的热点之一,由于其可以很好的学习高维数据之间的相似关系,同时可以很好地处理“非簇状”数据,受到了广泛关注,具有很好的应用前景。但是基于图的聚类算法计算复杂度高,难以在大规模高光谱遥感数据上应用。此类算法的高计算复杂度主要来自两个方面:相似性矩阵的构造和拉普拉斯矩阵的特征值分解。因此,在考虑像元局部空间结构基础上,研究适用于大规模高光谱遥感数据的快速聚类算法十分有必要。
发明内容
要解决的技术问题
本发明考虑到传统的基于图的聚类方法由于计算平台的限制,无法处理大规模高光谱图像数据,并且高光谱图像中存在的奇异点及噪声也会对高光谱图像处理带来一系列的问题。本发明提出一种基于图的高光谱遥感图像快速聚类算法。
技术方案
一种基于图的高光谱遥感图像快速聚类算法,其特征在于步骤如下:
步骤1:利用空间平滑方法挖掘高光谱遥感图像的空间信息
采用空间平滑方法对高光谱遥感图像的像元xij进行处理,其中xij的值取窗口内的平均值或者中间值来重构高光谱图像,得到平滑后的图像;
步骤2:利用相似度自学习技术构建锚点图
通过相似度自学习方法得到数据点X和锚点A之间的相似性矩阵,其模型如下:
计算相似矩阵W:
W=ZΛ-1ZT (6)
步骤3:基于非负约束锚点图的快速聚类
结合非负松弛正交约束建立如下利用非负松弛方法的灵活的基于图的聚类模型:
由(6)式可知,矩阵W可以写成W=BBT,其中此外,相似矩阵W是自动归一化的,即度矩阵D=I,其中,I是一个单位矩阵,因此L=I-BBT;采用如下增强拉格朗日乘法器(Augmented Lagrangian Multiplier,ALM)算法来求解该问题;
引入变量G,G为逼近F的替代变量,式(10)可以写成如下形式:
该问题可以转换为求解如下问题:
从而可以采用迭代优化算法来进行求解:
固定G求F,式(12)变成:
采用ALM算法将式(13)转换成如下形式:
因此,式(13)可以简化为如下模型:
注意:ΦΦT=IK,IK是一个K×K的单位矩阵,所以-1≤Φii≤1;另一方面,λii≥0,因为λii是矩阵M的奇异值;因此Tr(FTM)=∑iλiiΦii≥-∑iλii,当Φii=-1(1≤i≤K)时,等式成立;也就是说,当Φ=[-IK,0]时,Tr(FTM)达到了最小;又有Φ=VTFTU,因此,式(14)的最优解为:
F=UΦTVT=U[-IK,0]VT (16)
固定F求G,式(12)变成:
式(17)可以写成如下形式:
如果Hij≥0,Gij的优化解等于Hij,如果Hij<0,Gij的优化解等于0;
第i个数据点xi按照lk=maxkGik被分配聚类标签li。
步骤1中的空间平滑方法采用的窗口为3×3、5×5或者7×7。
有益效果
本发明提出的一种适用于高光谱遥感图像的基于图的快速聚类算法。利用空间平滑技术挖掘出高光谱图像中的空间信息,构建锚点图加速聚类过程,增加非负松弛约束直接得到最终的聚类索引矩阵,而不用借助于其他的聚类算法,有效解决了传统基于图方法无法处理大规模高光谱遥感图像聚类问题。有益效果如下:
1、通过空间平滑技术挖掘出了更多的空间信息,为后续构建锚点图及聚类分析打造了较好的平台。
2、根据相似度自学习技术构造锚点图Z,Z的参数少,稀疏性强,大大降低了计算复杂度。
3、对聚类索引矩阵F增加非负松弛约束,可以直接获得聚类索引,而不需要借用K均值或其他的聚类手段。
4、整个模型的计算复杂度为O(ndm+nK2+nKc+K3),而传统的基于图的聚类算法的计算复杂度为O(n2d+n3)或者O(n2d+n2k),其中,n,d,m,k,c分别是样本的数量,维度,锚点数,类别数以及近邻点个数。由于n》》m,n》》k,n》》c,因此,计算复杂度得到了明显的降低。
附图说明
图1为高光谱遥感图像的灰度图
图2为本发明考虑的高光谱遥感图像空间信息挖掘模型
图3为本发明由1000个原始数据点和100个锚点产生的锚点图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明设计了一种基于图的大规模高光谱遥感图像快速聚类算法,首先利用空间平滑技术挖掘高光谱遥感图像的空间信息,然后利用相似度自学习技术构建锚点图,基于锚点图实现快速聚类。其具体步骤如下:
(1)高光谱遥感图像空间信息挖掘:根据高光谱图像的空间分布特点,即相近的数据点属于同一类的概率较大,利用空间近邻像元对中心像元进行重构,可以增大同类像元间的相似性以及异类像元间的差异性。有利于获取更为有效的鉴别特征,从而更好地实现了像元间的相似性度量。
(2)结合高光谱图像空间信息的锚点图的构造:利用步骤(1)获得的平滑后的图像,采用k均值选点方式从空间平滑之后的高光谱遥感数据中选取少于原始数据点个数的锚点,并根据相似度自学习技术构造锚点图Z,得到的Z。构造Z的计算复杂度为O(ndm),而传统相似度矩阵的构建需要O(n2d)的计算复杂度。由获得的锚点图Z可得到对应的相似矩阵,该相似矩阵W是一个双随机矩阵,并且具有对称性,自动标准化特点。
(3)基于非负松弛约束灵活图的聚类:对聚类索引矩阵F增加非负松弛约束,采用增强拉格朗日乘法器求解该模型,可以直接获得聚类索引,而不需要借用k均值或其他的聚类手段。
具体实施例:
1、高光谱遥感图像空间信息挖掘
xij的值可以取窗口内的平均值(即该窗口内9个像素值的平均值替换窗口内中心点的像素值)或者中间值(即将该窗口内9个像素值从小到大排列,取第5个值替换窗口内中心点的像素值)来重构高光谱图像。窗口的大小可以根据高光谱遥感图像的空间大小调整,比如为5×5或者7×7。利用空间近邻像元对中心像元进行重构,可以增大同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了像元间的相似性度量。
2、基于相似度自学习技术的锚点图构造
表示空间平滑之后的高光谱遥感数据矩阵,n表示空间像元的个数,d表示每个像元的波段数。锚点选取方法采用k均值算法对X聚类,m个聚类中心即为产生的锚点。图3显示了利用二环人造数据构建的锚点图,原始数据点包含1000个样本点。锚点是利用k均值算法是从原始数据中选取100个锚点。
数据点X和锚点A之间的相似性矩阵可以通过相似度自学习技术得到,其模型如下:
因此,求矩阵Z的计算复杂度为O(ndm)。
相似矩阵W可以通过下式进行计算:
W=ZΛ-1ZT (6)
3、基于非负约束锚点图的快速聚类
其中,是聚类索引矩阵,c是类别数。由于F被约束为离散值,使式(7)难以求解,一个已知的求解方法是将F由离散值松弛为连续值。但是,计算得到的F有混合标记,可能严重偏离了真实解,并且必须借用其他聚类手段如k均值聚类求得最终解。
为了避免该局限性,本发明提出了一种新的更加准确的松弛方法。由于F是非负矩阵,一个更加准确的松弛条件是对F增加一个非负约束。
FTF=I,F≥0 (8)
定理1:如果矩阵F同时满足正交约束FTF=I以及非负约束F≥0,那么矩阵F的每一行中只有一个元素是正的,并且其他元素为0,因此F非常接近于理想的聚类索引矩阵。理由如下:
证明:fi表示矩阵F的第i列,fj(j≠i)表示F的任意一列,从正交约束FTF=I,可以得到:
由于F≥0,fi和fj的每一个元素都是非负的。因此,对于每一个r有frifrj=0。假设fi中的第r个元素是正的,那么fj中对应的第r个元素一定是0。
从定理1可以得出如下结论,如果矩阵F同时满足正交约束以及非负约束,那么获得的F可以直接用于分配数据点的标签。因此,本发明结合非负松弛正交约束建立如下利用非负松弛方法的灵活的基于图的聚类模型:
由(6)式可知,矩阵W可以写成W=BBT,其中此外,相似矩阵W是自动归一化的,即度矩阵D=I,其中,I是一个单位矩阵,因此L=I-BBT。我们采用如下增强拉格朗日乘法器(Augmented Lagrangian Multiplier,ALM)算法来求解该问题。
引入变量G,G为逼近F的替代变量,式(10)可以写成如下形式:
该问题可以转换为求解如下问题:
从而可以采用迭代优化算法来进行求解:
固定G求F,式(12)变成:
采用ALM算法将式(13)转换成如下形式:
因此,式(13)可以简化为如下模型:
注意:ΦΦT=IK,IK是一个K×K的单位矩阵,所以-1≤Φii≤1。另一方面,λii≥0,因为λii是矩阵M的奇异值。因此Tr(FTM)=∑iλiiΦii≥-∑iλii,当Φii=-1(1≤i≤K)时,等式成立。也就是说,当Φ=[-IK,0]时,Tr(FTM)达到了最小。又有Φ=VTFTU,因此,式(14)的最优解为:
F=UΦTVT=U[-IK,0]VT (16)
固定F求G,式(12)变成:
式(17)可以写成如下形式:
如果Hij≥0,Gij的优化解等于Hij,如果Hij<0,Gij的优化解等于0。
正如前面所述,G的解接近于理想的聚类索引矩阵,可以被直接用于分配数据点的聚类标签。第i个数据点xi按照lk=maxkGik被分配聚类标签li。
整个模型的计算复杂度为O(ndm+nK2+nKc+K3),而传统的基于图的聚类算法的计算复杂度为O(n2d+n3)或者O(n2d+n2k),其中,n,d,m,k,c分别是样本的数量,维度,锚点数,类别数以及近邻点个数。
Claims (2)
1.一种基于图的高光谱遥感图像快速聚类算法,其特征在于步骤如下:
步骤1:利用空间平滑方法挖掘高光谱遥感图像的空间信息
采用空间平滑方法对高光谱遥感图像的像元xij进行处理,其中xij的值取窗口内的平均值或者中间值来重构高光谱图像,得到平滑后的图像;
步骤2:利用相似度自学习技术构建锚点图
通过相似度自学习方法得到数据点X和锚点A之间的相似性矩阵Z,其模型如下:
计算相似矩阵W:
W=2Λ-1ZT (6)
步骤3:基于非负约束锚点图的快速聚类
结合非负松弛正交约束建立如下利用非负松弛方法的灵活的基于图的聚类模型:
引入变量G,G为逼近F的替代变量,式(10)可以写成如下形式:
公式(11)可以转换为求解如下问题:
从而可以采用迭代优化算法来进行求解:
固定G求F,式(12)变成:
采用ALM算法将式(13)转换成如下形式:
因此,式(13)可以简化为如下模型:
注意:ΦΦT=IK,IK是一个K×K的单位矩阵,所以-1≤Φii≤1;另一方面,λii≥0,因为λii是矩阵M的奇异值;因此Tr(FTM)=∑iλiiΦii≥-∑iλii,当Φii=-1,1≤i≤K时,等式成立;也就是说,当Φ=[-IK,0]时,Tr(FTM)达到了最小;又有Φ=VTFTU,因此,式(14)的最优解为:
F=UΦTVT=U[-IK,0]VT (16)
固定F求G,式(12)变成:
式(17)可以写成如下形式:
如果Hij≥0,Gij的优化解等于Hij,如果Hij<0,Gij的优化解等于0;
第i个数据点xi按照lk=maxkGik被分配聚类标签li。
2.根据权利要求1所述的一种基于图的高光谱遥感图像快速聚类算法,其特征在于步骤1中的空间平滑方法采用的窗口为3×3、5×5或者7×7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033149.2A CN109858531B (zh) | 2019-01-14 | 2019-01-14 | 一种基于图的高光谱遥感图像快速聚类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033149.2A CN109858531B (zh) | 2019-01-14 | 2019-01-14 | 一种基于图的高光谱遥感图像快速聚类算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858531A CN109858531A (zh) | 2019-06-07 |
CN109858531B true CN109858531B (zh) | 2022-04-26 |
Family
ID=66894751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910033149.2A Active CN109858531B (zh) | 2019-01-14 | 2019-01-14 | 一种基于图的高光谱遥感图像快速聚类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858531B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062428A (zh) * | 2019-12-11 | 2020-04-24 | 广东工业大学 | 一种高光谱图像的聚类方法、系统及设备 |
CN111709478B (zh) * | 2020-06-17 | 2022-06-24 | 广东工业大学 | 一种基于锚图的模糊聚类方法及装置 |
CN111753904A (zh) * | 2020-06-24 | 2020-10-09 | 广东工业大学 | 一种快速高光谱图像聚类方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
WO2015120519A1 (en) * | 2014-02-14 | 2015-08-20 | National Ict Australia Limited | Processing hyperspectral or multispectral image data |
CN104952050A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于区域分割的高光谱图像自适应解混方法 |
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN105160351A (zh) * | 2015-08-12 | 2015-12-16 | 西安电子科技大学 | 基于锚点稀疏图的半监督高光谱分类方法 |
CN106023221A (zh) * | 2016-05-27 | 2016-10-12 | 哈尔滨工业大学 | 基于非负低秩稀疏关联制图的遥感图像分割方法 |
AU2011211336B2 (en) * | 2011-08-10 | 2017-02-23 | Commonwealth Scientific And Industrial Research Organisation | Decomposing hyperspectral or multispectral image data |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN108171270A (zh) * | 2018-01-05 | 2018-06-15 | 大连海事大学 | 一种基于哈希学习的高光谱图像分类方法 |
CN109063537A (zh) * | 2018-06-06 | 2018-12-21 | 北京理工大学 | 针对异常小目标解混的高光谱图像预处理方法 |
-
2019
- 2019-01-14 CN CN201910033149.2A patent/CN109858531B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011211336B2 (en) * | 2011-08-10 | 2017-02-23 | Commonwealth Scientific And Industrial Research Organisation | Decomposing hyperspectral or multispectral image data |
WO2015120519A1 (en) * | 2014-02-14 | 2015-08-20 | National Ict Australia Limited | Processing hyperspectral or multispectral image data |
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
CN104952050A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于区域分割的高光谱图像自适应解混方法 |
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN105160351A (zh) * | 2015-08-12 | 2015-12-16 | 西安电子科技大学 | 基于锚点稀疏图的半监督高光谱分类方法 |
CN106023221A (zh) * | 2016-05-27 | 2016-10-12 | 哈尔滨工业大学 | 基于非负低秩稀疏关联制图的遥感图像分割方法 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN108171270A (zh) * | 2018-01-05 | 2018-06-15 | 大连海事大学 | 一种基于哈希学习的高光谱图像分类方法 |
CN109063537A (zh) * | 2018-06-06 | 2018-12-21 | 北京理工大学 | 针对异常小目标解混的高光谱图像预处理方法 |
Non-Patent Citations (5)
Title |
---|
Fast Spectral Clustering With Anchor Graph for Large Hyperspectral Images;Rong Wang 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20171130;第14卷(第11期);2003-2007 * |
Schroedinger Eigenmaps with Nondiagonal Potentials for Spatial-Spectral Clustering of Hyperspectral Imagery;Nathan D. Cahill 等;《SPIE》;20140613;1-13 * |
Spectral Embedded Adaptive Neighbors Clustering;Qi Wang 等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20180820;1265-1271 * |
基于低秩正则化异构张量分解的子空间聚类算法;张静 等;《激光与光电子学进展》;20181231;第55卷;071003-153至071003-160 * |
基于增广拉格朗日乘子的快速高阶全变分图像去噪方法;胡悦 等;《系统工程与电子技术》;20171231;第39卷(第12期);2831-2839 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858531A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | A deep-learning-based forecasting ensemble to predict missing data for remote sensing analysis | |
Wang et al. | Allocating classes for soft-then-hard subpixel mapping algorithms in units of class | |
CN105046276B (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN109858531B (zh) | 一种基于图的高光谱遥感图像快速聚类算法 | |
CN107590515B (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
US20150269708A1 (en) | Method for Generating High-Resolution Images using Regression Patterns | |
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
Hsu | Clustering-based compression connected to cloud databases in telemedicine and long-term care applications | |
CN113222836A (zh) | 一种高光谱与多光谱遥感信息融合方法及系统 | |
Yang et al. | Unsupervised images segmentation via incremental dictionary learning based sparse representation | |
He et al. | Multi-spectral remote sensing land-cover classification based on deep learning methods | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
CN107845064B (zh) | 基于主动采样和高斯混合模型的图像超分辨重建方法 | |
CN114004998B (zh) | 基于多视张量积扩散的非监督极化sar图像地物分类方法 | |
Jiji et al. | A new approach for unsupervised segmentation | |
CN111680579A (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
Gonzalez | DL4DS—Deep learning for empirical downscaling | |
Zhang et al. | A spectral clustering based method for hyperspectral urban image | |
CN111062888A (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
CN116310453A (zh) | 一种基于加权空谱融合的无核快速谱聚类方法 | |
CN116343032A (zh) | 结合高斯回归混合模型和mrf高光谱函数数据的分类方法 | |
Chen et al. | Hyperspectral remote sensing IQA via learning multiple kernels from mid-level features | |
CN115578599A (zh) | 一种基于超像素-超图特征增强网络的极化sar图像分类方法 | |
CN114998725A (zh) | 基于自适应空谱注意力核生成网络的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |