CN111753904A - 一种快速高光谱图像聚类方法、装置、设备及介质 - Google Patents
一种快速高光谱图像聚类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111753904A CN111753904A CN202010587495.8A CN202010587495A CN111753904A CN 111753904 A CN111753904 A CN 111753904A CN 202010587495 A CN202010587495 A CN 202010587495A CN 111753904 A CN111753904 A CN 111753904A
- Authority
- CN
- China
- Prior art keywords
- anchor point
- matrix
- anchor
- clustering
- hyperspectral
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 158
- 238000010586 diagram Methods 0.000 claims abstract description 76
- 239000010410 layer Substances 0.000 claims abstract description 66
- 239000011229 interlayer Substances 0.000 claims abstract description 27
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000003595 spectral effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种快速高光谱图像聚类方法、装置、设备及介质,方法包括:获取原始的高光谱图像;从高光谱图像的数据点中选出多个锚点构成第一锚点图,依次构造多个锚点图;将构造的锚点图构建分层锚点图;由高斯核函数计算分层锚点图中的层间邻接矩阵;将高光谱图像的数据点与分层锚点图的最后一层构造成二部图,并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;由拉普拉斯矩阵构建高光谱聚类的目标函数;对目标函数进行求解,采用k‑means聚类方法计算求解结果,完成对高光谱图像的聚类。本申请解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。
Description
技术领域
本申请涉及图像聚类技术领域,尤其涉及一种快速高光谱图像聚类方法、装置、设备及介质。
背景技术
高光谱图像可以看成是具有两个空间维度和一个光谱维度的三维数据立方体,通常高光谱图像具有波段多,波段宽度窄,光谱分辨率高的特点,但也存在着特征维度高的难点。近年来,由于高光谱数据的特性以及所包含的丰富信息,对于高光谱图像的分析与处理已经成为遥感影像研究领域的热点之一,而高光谱图像分类对地质勘探、农作物检测、国防军事等领域起着实质性的重要作用,值得更加深入的研究。
谱聚类算法是一种基于图的聚类算法,能够对任意形状的数据进行最优划分。它是目前最流行的聚类方法之一,对处理高维、稀疏的高光谱图像数据具有很明显的优势,故而得到了广泛的关注。
现有的谱聚类通常采用四步法:首先通过高斯核函数计算数据邻接矩阵;然后通过邻接矩阵获得相似度矩阵和拉普拉斯矩阵;接着对拉普拉斯矩阵进行特征值分解获得数据的指示矩阵;最后,通过k-means获得数据的类别信息。一开始,大多的研究是简单地基于原始图像数据进行谱聚类,但其计算复杂度相当大。后来,也有一些研究提出了基于单层锚点图的谱聚类算法应用于高光谱图像,即从原始图像数据选取具有代表性的数据点来进行计算,从而降低计算复杂度。
然而,现有的高光谱聚类方法消耗的时间长,无法满足大规模高光谱图像应用的要求。基于单层锚点的谱聚类方法在一定程度上能够减少计算的成本,但在处理大规模的高光谱图像数据时,为了便于建立有效的邻接关系,锚点需要足够密集,否则无法获得合理的精度,从而使分类性能下降。然而增加锚点的数量,又会导致计算成本急增,甚至使问题变得非常棘手。
发明内容
本申请提供了一种快速高光谱图像聚类方法、装置、设备及介质,解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。
有鉴于此,本申请第一方面提供了一种快速高光谱图像聚类方法,所述方法包括:
获取原始的高光谱图像;
从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;
将构造的所述锚点图构建分层锚点图,所述锚点图按照锚点数逐层减少进行排序;
由高斯核函数计算所述分层锚点图中的层间邻接矩阵;
将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图,并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;
由所述拉普拉斯矩阵构建高光谱聚类的目标函数;
对所述目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
可选的,所述从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图,具体为:
采用随机生成算法从所述高光谱图像的数据点中选出多个锚点,构成所述第一锚点图;采用随机生成算法从所述第一锚点图中选出锚点,构成所述第二锚点图,采用随机生成算法依次从上一锚点图中选出锚点,直到构造出多个锚点图。
可选的,所述由高斯核函数计算所述分层锚点图中的层间邻接矩阵,具体为:
所述分层锚点图中的层间邻接矩阵为:
其中,a∈(0,h),Za-1,a表示Ha-1层与Ha层之间的邻接矩阵;
zij表示矩阵Za-1,a的第i行、j列元素,表示第a-1锚点图Ha-1中的第i个锚点与第a锚点图Ha中的第j个锚点的相邻关系,即zij可定义为:
可选的,所述将构造的所述锚点图构建分层锚点图,所述锚点图按照锚点数逐层减少进行排序,具体为:
将分层锚点图中的第一层H0与最后一层Hh构造为二部图,则二部图的相似度矩阵可以表示为:
对角矩阵表示为:
拉普拉斯矩阵可写为:
可选的,所述由所述拉普拉斯矩阵构建高光谱聚类的目标函数,具体为:
所述高光谱聚类的目标函数为:
式中,第一层H0到最后一层Hh的类指示矩阵,其密度-稀疏关系为:
FX=Z0,1...Zh-1,hFU=ZHFU
可选的,所述对所述目标函数进行求解,具体为:
则拉普拉斯矩阵L可以转换成:
则将目标函数转换为:
B=U∑VT
本申请第二方面提供一种快速高光谱图像聚类装置,所述装置包括:
图像获取单元,用于获取原始的高光谱图像;
锚点图构造单元,用于从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;
分层锚点图构造单元,用于将构造的所述锚点图构建分层锚点图,所述锚点图按照锚点数逐层减少进行排序;
邻接矩阵构造单元,用于由高斯核函数计算所述分层锚点图中的层间邻接矩阵;
拉普拉斯矩阵获取单元,用于将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图,并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;
目标函数构造单元,用于由所述拉普拉斯矩阵构建高光谱聚类的目标函数;
求解单元,用于对所述目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
可选的,锚点图构造单元具体用于采用随机生成算法从所述高光谱图像的数据点中选出多个锚点,构成所述第一锚点图;采用随机生成算法从所述第一锚点图中选出锚点,构成所述第二锚点图,采用随机生成算法依次从上一锚点图中选出锚点,直到构造出多个锚点图。
本申请第三方面提供一种快速高光谱图像聚类设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的快速高光谱图像聚类方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请实施例中,提供了一种快速高光谱图像聚类方法,包括:获取原始的高光谱图像;从高光谱图像的数据点中选出多个锚点构成第一锚点图,从第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;将高光谱图像的数据点以及锚点图构建分层锚点图,高光谱图像的数据点作为分层锚点图的第一层,锚点图按照锚点数逐层减少进行排序;由高斯核函数计算分层锚点图中的层间邻接矩阵;将分层锚点图的第一层与最后一层构造成二部图,并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;由拉普拉斯矩阵构建高光谱聚类的目标函数;对目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
本申请通过构造一种金字塔结构的多层锚点图,然后将多层锚点图的最后一层与原始高光谱图像的数据点构造成二部图,使得可以保证数据点之间的特性,也可以大大降低计算复杂度;紧接着利用层间累积的方法建立与原始数据的邻接关系来构造相似度矩阵与对角矩阵;最后针对获得的相似度矩阵与对角矩阵进行谱分解获得聚类结果。
附图说明
图1为本申请一种快速高光谱图像聚类方法的一个实施例的方法流程图;
图2为本申请一种快速高光谱图像聚类装置的一个实施例的结构示意图。
图3为本申请中分层锚点图的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请一种快速高光谱图像聚类方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、获取原始的高光谱图像。
需要说明的是,高光谱图像可以看成是具有两个空间维度和一个光谱维度的三维数据立方体,通常高光谱图像具有波段多,波段宽度窄,光谱分辨率高的特点,也具有特征维度高的特点。
102、从高光谱图像的数据点中选出多个锚点构成第一锚点图,从第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图。
需要说明的是,由于原始的高光谱图像较为密集,因此,采用随机生成算法从原始的高光谱图像数据中选出锚点,构成第一层锚点图;采用随机生成算法从第一锚点图中选出锚点,构成第二锚点图,直到满足要求为止。具体的,由于多层锚点图具有灵活性,因此可以改变锚点层的数量和每一层锚点的数量,具体可根据实验结果调整锚点层的数量和每一层锚点的数量。
103、将构造的锚点图构建分层锚点图,锚点图按照锚点数逐层减少进行排序。
需要说明的是,可以将构造的锚点图按照金字塔结构进行排列构成分层锚点图,即每层锚点层的锚点数量逐层递减,最后一层的锚点数最少,具体的分层锚点图如图3所示,图中的H0表示原始的高光谱图像的数据点,H1至H4表示锚点图,且H1至H4中的锚点数呈由大到小排列,例如H1至H4的锚点数可以设置为1000、500、250、100。用U=[u1,u2,...um]T∈Rm ×d表示由所有锚点图中锚点构成的锚点集,其中,m表示锚点集中锚点的个数,d为每个锚点的特征维度。
104、由高斯核函数计算分层锚点图中的层间邻接矩阵。
需要说明的是,分层锚点图中的层间邻接矩阵为:
其中,a∈(0,h),Za-1,a表示Ha-1层与Ha层之间的邻接矩阵;
zij表示矩阵Za-1,a的第i行、j列元素,表示第a-1锚点图Ha-1中的第i个锚点与第a锚点图Ha中的第j个锚点的相邻关系,即zij可定义为:
105、将高光谱图像的数据点与分层锚点图的最后一层构造成二部图,并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵。
需要说明的是,将分层锚点图中的第一层H0与最后一层Hh构造为二部图,则二部图的相似度矩阵可以表示为:
则由相似度矩阵,可以将对角矩阵表示为:
对应的拉普拉斯矩阵可写为:
106、由拉普拉斯矩阵构建高光谱聚类的目标函数。
需要说明的是,高光谱聚类的目标函数为:
式中,第一层H0到最后一层Hh的类指示矩阵,其密度-稀疏关系为:
FX=Z0,1...Zh-1,hFU=ZHFU
其中,FX为原始数据的类指示矩阵,FU为Hh层锚数据集的类指示矩阵,用FU={X,U,Q}表示;则这两个类指示矩阵可联合写为c为聚类数;其中X是高光谱图像的数据矩阵,U是锚点集,Q是层间的邻接矩阵,即Q={ZH=Z0,1,...,Zh-1,h}。
FX=Z0,1...Zh-1,hFU=ZHFU
其中,FX为原始高光谱图像数据的类指示矩阵,FU为Hh层锚数据集的类指示矩阵用FU={X,U,Q}表示;这两个类指示矩阵可表示为c为聚类数;其中X是高光谱图像的数据矩阵,U是锚点集,Q是层间的邻接矩阵,即Q={ZH=Z0,1,...,Zh-1,h}。
107、对目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
需要说明的是,目标函数的最优解是对拉普拉斯矩阵L进行特征值分解得到。由于F的元素是离散值,因此很难求解目标函数。因此,可以将矩阵F从离散值松弛为连续值。通过对矩阵L的特征值分解,得到松弛连续解,该松弛连续解由对应于拉普拉斯矩阵L的最小特征值的特征向量组成。
则拉普拉斯矩阵L可以转换成:
由此可将目标函数转换为:
则目标函数的最优解转化为是对矩阵B的奇异值分解,那么矩阵B的奇异值分解表示为:
B=U∑VT
本申请中不直接对矩阵L进行特征值分解,而是对矩阵B进行奇异值分解,得到矩阵F的松弛连续解,然后采用k-means聚类方法计算离散解,最终获得聚类的结果。
本申请通过构造一种金字塔结构的多层锚点图,然后将多层锚点图的最后一层与原始高光谱图像的数据点构造成二部图,使得可以保证数据点之间的特性,也可以大大降低计算复杂度;紧接着利用层间累积的方法建立与原始数据的邻接关系来构造相似度矩阵与对角矩阵;最后针对获得的相似度矩阵与对角矩阵进行谱分解获得聚类结果。
以上是本申请的一种快速高光谱图像聚类方法的实施例,本申请还包括一种快速高光谱图像聚类装置的实施例,如图2所示,图2中包括:
图像获取单元201,用于获取原始的高光谱图像;
锚点图构造单元202,用于从高光谱图像的数据点中选出多个锚点构成第一锚点图,从第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;
分层锚点图构造单元203,用于将构造的锚点图构建分层锚点图,锚点图按照锚点数逐层减少进行排序;
邻接矩阵构造单元204,用于由高斯核函数计算分层锚点图中的层间邻接矩阵;
拉普拉斯矩阵获取单元205,用于将高光谱图像的数据点与分层锚点图的最后一层构造成二部图,并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;
目标函数构造单元206,用于由拉普拉斯矩阵构建高光谱聚类的目标函数;
求解单元207,用于对目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
在一种具体的实施方式中,锚点图构造单元203具体用于采用随机生成算法从高光谱图像的数据点中选出多个锚点,构成第一锚点图;采用随机生成算法从第一锚点图中选出锚点,构成第二锚点图,采用随机生成算法依次从上一锚点图中选出锚点,直到构造出多个锚点图。
本申请还提供了一种快速高光谱图像聚类设备的实施例,设备包括处理器以及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行一种快速高光谱图像聚类方法的实施例。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述一种快速高光谱图像聚类方法的实施例。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种快速高光谱图像聚类方法,其特征在于,包括:
获取原始的高光谱图像;
从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;
将构造的所述锚点图构建分层锚点图,所述锚点图按照锚点数逐层减少进行排序;
由高斯核函数计算所述分层锚点图中的层间邻接矩阵;
将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图,并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;
由所述拉普拉斯矩阵构建高光谱聚类的目标函数;
对所述目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
2.根据权利要求1所述的快速高光谱图像聚类方法,其特征在于,所述从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图,具体为:
采用随机生成算法从所述高光谱图像的数据点中选出多个锚点,构成所述第一锚点图;采用随机生成算法从所述第一锚点图中选出锚点,构成所述第二锚点图,采用随机生成算法依次从上一锚点图中选出锚点,直到构造出多个锚点图。
3.根据权利要求1所述的快速高光谱图像聚类方法,其特征在于,所述由高斯核函数计算所述分层锚点图中的层间邻接矩阵,具体为:
所述分层锚点图中的层间邻接矩阵为:
其中,a∈(0,h),Za-1,a表示Ha-1层与Ha层之间的邻接矩阵;
zij表示矩阵Za-1,a的第i行、j列元素,表示第a-1锚点图Ha-1中的第i个锚点与第a锚点图Ha中的第j个锚点的相邻关系,即zij可定义为:
7.一种快速高光谱图像聚类装置,其特征在于,包括:
图像获取单元,用于获取原始的高光谱图像;
锚点图构造单元,用于从所述高光谱图像的数据点中选出多个锚点构成第一锚点图,从所述第一锚点图中选出多个锚点构成第二锚点图,依次构造多个锚点图;
分层锚点图构造单元,用于将构造的所述锚点图构建分层锚点图,所述锚点图按照锚点数逐层减少进行排序;
邻接矩阵构造单元,用于由高斯核函数计算所述分层锚点图中的层间邻接矩阵;
拉普拉斯矩阵获取单元,用于将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图,并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵,则拉普拉斯矩阵为对角矩阵减去相似度矩阵;
目标函数构造单元,用于由所述拉普拉斯矩阵构建高光谱聚类的目标函数;
求解单元,用于对所述目标函数进行求解,采用k-means聚类方法计算求解结果,完成对高光谱图像的聚类。
8.根据权利要求7所述的快速高光谱图像聚类装置,其特征在于,锚点图构造单元具体用于采用随机生成算法从所述高光谱图像的数据点中选出多个锚点,构成所述第一锚点图;采用随机生成算法从所述第一锚点图中选出锚点,构成所述第二锚点图,采用随机生成算法依次从上一锚点图中选出锚点,直到构造出多个锚点图。
9.一种快速高光谱图像聚类设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的一种快速高光谱图像聚类方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-6任一项所述的一种快速高光谱图像聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587495.8A CN111753904A (zh) | 2020-06-24 | 2020-06-24 | 一种快速高光谱图像聚类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587495.8A CN111753904A (zh) | 2020-06-24 | 2020-06-24 | 一种快速高光谱图像聚类方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753904A true CN111753904A (zh) | 2020-10-09 |
Family
ID=72677084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010587495.8A Pending CN111753904A (zh) | 2020-06-24 | 2020-06-24 | 一种快速高光谱图像聚类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399653A (zh) * | 2021-11-30 | 2022-04-26 | 西安交通大学 | 一种基于锚点图的快速多视图离散聚类方法及系统 |
CN114548282A (zh) * | 2022-02-23 | 2022-05-27 | 杭州师范大学 | 基于荧光光谱的分类方法、装置及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192350A1 (en) * | 2006-02-14 | 2007-08-16 | Microsoft Corporation | Co-clustering objects of heterogeneous types |
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 |
US20170287437A1 (en) * | 2016-04-04 | 2017-10-05 | Yandex Europe Ag | Method and system of downloading image tiles onto a client device |
CN109508752A (zh) * | 2018-12-20 | 2019-03-22 | 西北工业大学 | 一种基于结构化锚图的快速自适应近邻聚类方法 |
CN109858531A (zh) * | 2019-01-14 | 2019-06-07 | 西北工业大学 | 一种基于图的高光谱遥感图像快速聚类算法 |
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 |
CN111311718A (zh) * | 2020-01-19 | 2020-06-19 | 北京环境特性研究所 | 一种基于图论的散射中心关联方法和装置 |
-
2020
- 2020-06-24 CN CN202010587495.8A patent/CN111753904A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192350A1 (en) * | 2006-02-14 | 2007-08-16 | Microsoft Corporation | Co-clustering objects of heterogeneous types |
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 |
US20170287437A1 (en) * | 2016-04-04 | 2017-10-05 | Yandex Europe Ag | Method and system of downloading image tiles onto a client device |
CN109508752A (zh) * | 2018-12-20 | 2019-03-22 | 西北工业大学 | 一种基于结构化锚图的快速自适应近邻聚类方法 |
CN109858531A (zh) * | 2019-01-14 | 2019-06-07 | 西北工业大学 | 一种基于图的高光谱遥感图像快速聚类算法 |
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 |
CN111311718A (zh) * | 2020-01-19 | 2020-06-19 | 北京环境特性研究所 | 一种基于图论的散射中心关联方法和装置 |
Non-Patent Citations (3)
Title |
---|
RONG WANG ET AL.: "Fast Spectral Clustering With Anchor Graph for Large Hyperspectral Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS,HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=8039217》 * |
XIAOJUN YANG ET AL.: "Fast spectral clustering learning with hierarchical bipartite graph for large-scale data", 《PATTERN RECOGNITION LETTERS,HTTPS://DOI.ORG/10.1016/J.PATREC.2018.06.024》 * |
聂飞平: "基于二部图的快速聚类算法", 《深圳大学学报理工版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399653A (zh) * | 2021-11-30 | 2022-04-26 | 西安交通大学 | 一种基于锚点图的快速多视图离散聚类方法及系统 |
CN114548282A (zh) * | 2022-02-23 | 2022-05-27 | 杭州师范大学 | 基于荧光光谱的分类方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Hyperspectral classification based on lightweight 3-D-CNN with transfer learning | |
Datta et al. | Combination of clustering and ranking techniques for unsupervised band selection of hyperspectral images | |
EP2880596B1 (en) | System and method for reduced incremental spectral clustering | |
Ou et al. | A CNN framework with slow-fast band selection and feature fusion grouping for hyperspectral image change detection | |
Benson et al. | Scalable methods for nonnegative matrix factorizations of near-separable tall-and-skinny matrices | |
CN111611323A (zh) | 一种面向数据融合的迭代结构化多视图子空间聚类方法,设备及可读存储介质 | |
CN111753904A (zh) | 一种快速高光谱图像聚类方法、装置、设备及介质 | |
CN111062428A (zh) | 一种高光谱图像的聚类方法、系统及设备 | |
Dong et al. | Feature extraction through contourlet subband clustering for texture classification | |
Xu et al. | Extreme learning machine based fast object recognition | |
CN112990264A (zh) | 一种基于一致图学习的多视图聚类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Mishra et al. | Medical image retrieval using self-organising map on texture features | |
Jiji et al. | A new approach for unsupervised segmentation | |
CN111753921B (zh) | 一种高光谱图像聚类方法、装置、设备及存储介质 | |
Ghorbanian et al. | Clustering-Based Band Selection Using Structural Similarity Index and Entropy for Hyperspectral Image Classification. | |
Mosleh et al. | Texture image retrieval using contourlet transform | |
CN111709478B (zh) | 一种基于锚图的模糊聚类方法及装置 | |
Bhad et al. | Content based image retrieval a comparative based analysis for feature extraction approach | |
Li et al. | A local potential-based clustering algorithm for unsupervised hyperspectral band selection | |
Jadhav et al. | An effective content based image retrieval (CBIR) system based on evolutionary programming (EP) | |
Ye et al. | Similarity measure based on adaptive neighbors for spectral clustering | |
CN112861965A (zh) | 基于多特征交叉一致性模型的图像匹配方法 | |
CN112768001A (zh) | 一种基于流形学习和主曲线的单细胞轨迹推断方法 | |
Salloum et al. | Efficient image splicing localization via contrastive feature extraction |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |