CN111753921B - 一种高光谱图像聚类方法、装置、设备及存储介质 - Google Patents

一种高光谱图像聚类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111753921B
CN111753921B CN202010621828.4A CN202010621828A CN111753921B CN 111753921 B CN111753921 B CN 111753921B CN 202010621828 A CN202010621828 A CN 202010621828A CN 111753921 B CN111753921 B CN 111753921B
Authority
CN
China
Prior art keywords
matrix
hyperspectral image
clustering
anchor point
image data
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
Application number
CN202010621828.4A
Other languages
English (en)
Other versions
CN111753921A (zh
Inventor
杨晓君
杜鹏林
郭春炳
许裕雄
蔡湧达
黄晓蓓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010621828.4A priority Critical patent/CN111753921B/zh
Publication of CN111753921A publication Critical patent/CN111753921A/zh
Application granted granted Critical
Publication of CN111753921B publication Critical patent/CN111753921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种高光谱图像聚类方法、装置、设备及存储介质，方法包括：获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；由锚点集以及高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由邻接矩阵通过预置第二函数求解相似度矩阵；由相似度矩阵构造拉普拉斯矩阵，由拉普拉斯矩阵构造高光谱聚类的目标函数；求解目标函数，得到聚类结果。本申请解决了现有的技术问题计算复杂度太高，聚类结果并不理想的技术问题。

Description

一种高光谱图像聚类方法、装置、设备及存储介质
技术领域
本申请涉及图像聚类技术领域，尤其涉及一种高光谱图像聚类方法、装置、设备及存储介质。
背景技术
高光谱图像(Hyperspectral Image，HSI)拥有大量的空间几何与光谱信息，成为遥感数据分析领域重要的资源，被广泛应用于精确农业、环境监测以及军事等领域。谱聚类是一种非常流行的聚类算法，且极少应用于HIS聚类中，因此在HIS聚类具有很大的潜力。它不需要对簇的类型有很强的假设，可以聚类任何形状的数据。
传统的谱聚类(Spectral Clustering，SC)方法采用有核的谱聚类方法，有核谱聚类的四个步骤：首先通过高斯核函数计算数据矩阵；然后通过数据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。其中，利用高斯核函数构造相似度矩阵这个过程耗时比较久，而且高斯核函数总是会带来额外的参数，例如热核参数，需要进行许多实验来选择合适的热核参数，导致高成本，增加计算复杂度，影响聚类的结果。
现有的有核谱聚类方法计算复杂度太高，无法满足大规模HSI应用的要求。基于有核的谱聚类方面在一定程度上能够减少计算的成本，但在处理大规模高光谱图像数据上，采用高斯核函数构造获得的相似图，总是会带来额外的参数，如果参数的选取质量不好，就会造成相似度矩阵质量不好，影响最终的聚类结果，其计算复杂度太高，使得在大规模高光谱图像数据应用中难以承受。
发明内容
本申请提供了一种高光谱图像聚类方法、装置、设备及存储介质，解决了现有的技术问题计算复杂度太高，聚类结果并不理想的技术问题。
有鉴于此，本申请第一方面提供了一种高光谱图像聚类方法，所述方法包括：
获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；
所述预置第一公式为：
Figure BDA0002565407430000021
式中的参数γ设为
Figure BDA0002565407430000022
eij是xi和uj之间的欧氏距离表示
Figure BDA0002565407430000023
zij表示所述邻接矩阵第i行第j列的元素；xi表示所述高光谱图像数据矩阵中的第i个元素，n表示高光谱图像总的样本数；uj表示所述锚点集中的第j个锚点，m表示总的锚点数；
所述预置第二公式为：
Figure BDA0002565407430000024
vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数。
由所述相似度矩阵构造拉普拉斯矩阵，由所述拉普拉斯矩阵构造高光谱聚类的目标函数；
求解所述目标函数，得到聚类结果。
可选的，所述获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集，具体为：
Figure BDA0002565407430000025
其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n。
可选的，所述由所述相似度矩阵构造拉普拉斯矩阵，具体为：
L＝D-A
其中，D表示对角矩阵，D中的第i个元素为
Figure BDA0002565407430000026
可选的，所述由所述拉普拉斯矩阵构造高光谱聚类的目标函数，具体为：
Figure BDA0002565407430000031
其中，F∈Rn×c为所有高光谱图像数据的类指引矩阵；c为聚类数，上式中F的最优解为拉普拉斯矩阵L的c个最小特征值的特征向量。
可选的，所述求解所述目标函数，得到聚类结果，具体为：
当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure BDA0002565407430000032
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为
Figure BDA0002565407430000033
右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。
本申请第二方面提供一种高光谱图像聚类装置，所述装置包括：
锚点生成单元，用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
相似矩阵计算单元，用于由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；
所述预置第一公式为：
Figure BDA0002565407430000034
式中的参数γ设为
Figure BDA0002565407430000035
eij是xi和uj之间的欧氏距离表示
Figure BDA0002565407430000036
zij表示所述邻接矩阵第i行第j列的元素；xi表示所述高光谱图像数据矩阵中的第i个元素，n表示高光谱图像总的样本数；uj表示所述锚点集中的第j个锚点，m表示总的锚点数；
所述预置第二公式为：
Figure BDA0002565407430000037
vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数。
目标函数构造单元，用于由所述相似度矩阵构造拉普拉斯矩阵，由所述拉普拉斯矩阵构造高光谱聚类的目标函数；
聚类求解单元，用于求解所述目标函数，得到聚类结果。
可选的，所述锚点生成单元具体用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；二叉树锚点算法生成锚点集具体为：
Figure BDA0002565407430000041
其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n。
可选的，所述聚类求解单元具体用于当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure BDA0002565407430000042
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为
Figure BDA0002565407430000043
右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。
本申请第三方面提供一种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：
本申请中，提供了一种高光谱图像聚类方法，方法包括：获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；由锚点集以及高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由邻接矩阵通过预置第二函数求解相似度矩阵；由相似度矩阵构造拉普拉斯矩阵，由拉普拉斯矩阵构造高光谱聚类的目标函数；求解目标函数，得到聚类结果。
本申请不需要通过高斯核函数构造邻接矩阵，不需要大量的试验来选择合适的热核参数，而是采用有效的无参数邻域分配策略来构建相似矩阵，从而避免了调整热核参数的需要，能够有效地处理稀疏数据点的聚类，进一步降低整体的计算复杂度，因此具有较好的聚类结果。
附图说明
图1为本申请一种高光谱图像聚类方法的一个实施例中的方法流程图；
图2为本申请一种高光谱图像聚类装置的一个实施例中的装置示意图；
图3(a)为采用K-means聚类算法对高光谱图像进行处理的聚类结果；
图3(b)为采用模糊K-均值聚类(Fuzzy c-means,FCM)算法对高光谱图像进行处理的聚类结果；
图3(c)为采用FCM_S1算法对高光谱图像进行处理的聚类结果；
图3(d)为采用谱聚类(Spectral Clustering，SC)算法对高光谱图像进行处理的聚类结果；
图3(e)为采用本申请算法对高光谱图像进行处理的聚类结果。
具体实施方式
本申请不需要通过高斯核函数构造邻接矩阵，不需要大量的试验来选择合适的热核参数，而是采用有效的无参数邻域分配策略来构建相似矩阵，从而避免了调整热核参数的需要，能够有效地处理稀疏数据点的聚类，进一步降低整体的计算复杂度，因此具有较好的聚类结果。
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。
请参阅图1，图1为一种高光谱图像聚类方法的一个实施例中的方法流程图，如图1所示，图1中包括：
101、获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集。
需要说明的是，基于二叉树锚点算法生成锚点，包括：
Figure BDA0002565407430000061
其中，X为高光谱图像数据矩阵，可以表示为X＝[x1,x2,...,xn]T∈Rn×d；C为聚类中心矩阵，C∈Rn×2；G为指示矩阵G∈Rn×2；k是类簇数，l表示所有的列向量，总的高光谱图像样本数为n，d为高光谱图像的特征维数。
在本申请中的二叉树锚点算法中，两个簇的高光谱图像样本数是相同的，再分层执行K-means算法从而构成了完整的基于二叉树锚点无核图算法。其中需要指出的是输入数据矩阵X应当满足X∈Rn×d，且m＜＜n，m为锚点数，d为每个锚点的特征维度，得到输出锚点集U。
102、由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵。
需要说明的是，锚点集可以表示为U＝[u1,u2,...um]T∈Rm×d。可以假设高光谱图像数据与锚点之间的邻接距离的集合为矩阵Z，则矩阵Z满足Z∈Rn×m，矩阵Z中的元素zij表示高光谱图像数据中的第i个图像数据点与锚点矩阵中第j个锚点的相邻关系。如果采用高斯核函数构造高光谱图像数据矩阵，高斯核函数，为了获得良好的聚类结果，往往需要进行大量的实验来选择合适的热核参数。因此，为了减少大量的计算，本申请可以采用无核函数获得数据矩阵，通过求解预置第一公式获得邻接矩阵Z中的元素，预置第一公式为：
Figure BDA0002565407430000062
式中的参数γ设为
Figure BDA0002565407430000063
eij是xi和uj之间的欧氏距离表示
Figure BDA0002565407430000064
zij表示邻接矩阵第i行第j列的元素，xi表示高光谱图像数据矩阵中的第i个元素，n表示高光谱图像总的样本数；uj表示锚点集中的第j个锚点，m表示总的锚点数；由于zij是稀疏的，且有k个非零值，因此，矩阵Z也是稀疏的，可以大大减轻后续处理的计算负担，则可以由预置第一公式求解得到：
Figure BDA0002565407430000065
当获得邻接矩阵Z时，vi表示为相似度矩阵中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系，通过预置第二公式求解相似度矩阵A中的元素，第二预置公式为：
Figure BDA0002565407430000071
可以设σi(LA)表示LA的第i个最小特征值，L表示拉普拉斯矩阵，λ表示足够大的数。σi(LA)是半正定的所以σi(LA)≥0，对于足够大的λ，可以将第二预置公式转化成：
Figure BDA0002565407430000072
上式的最优解A将使第二项
Figure BDA0002565407430000073
等于0，从而满足约束秩rank(LA)＝n-k，即可获得相似度矩阵A：
Figure BDA0002565407430000074
以上通过得到锚点集，从而构造出邻接矩阵Z，再通过拉普拉斯秩约束得到相似度矩阵A。
103、由相似度矩阵构造拉普拉斯矩阵，由拉普拉斯矩阵构造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可以表示为：
Figure BDA0002565407430000075
其中，F∈Rn×c为所有高光谱图像数据的类指引矩阵，矩阵L为拉普拉斯矩阵，c为聚类数，上式中F的最优解为拉普拉斯矩阵L的c个最小特征值的特征向量。
而拉普拉斯矩阵可以表示为：
L＝D-A
其中，D表示对角矩阵，D中的第i个元素为
Figure BDA0002565407430000076
104、求解目标函数，得到聚类结果。
需要说明的是，当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure BDA0002565407430000077
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n。
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，得到高光谱图像数据的类指引矩阵F的松弛连续解；采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。
本申请不需要通过高斯核函数构造邻接矩阵，不需要大量的试验来选择合适的热核参数，而是采用有效的无参数邻域分配策略来构建相似矩阵，从而避免了调整热核参数的需要，能够有效地处理稀疏数据点的聚类，进一步降低整体的计算复杂度，因此具有较好的聚类结果。
本申请一种高光谱图像聚类方法的一种具体的实施方式，可以为：
S1：首先输入高光谱图像数据矩阵X，锚点数m，类别c，类簇数k；
S2：采用二叉树锚点算法生成锚点集U；
S3：通过用一种无核方法构造高光谱图像数据的邻接矩阵Z，从而计算出相似度矩阵A；
S4：通过相似度矩阵A获得对角矩阵D和拉普拉斯矩阵L，接着对矩阵B进行奇异值分解获得高光谱图像数据的类指引矩阵F，最后对矩阵F进行K-均值获得聚类结果。
在具体的实验中，采用HIS高光谱图像数据集验证本申请方法，以便对本申请方法的性能进行评估。实验中选取了FSCHSI(本申请方法)、K-均值(K-means)、模糊K-均值(Fuzzy c-means,FCM)、FCM_S1(FCM的优化方法)、谱聚类(Spectral Clustering，SC)作为基准。Indian Pines数据集属于大规模高光谱图像，Indian Pines数据集包括145*145像素、含有16类地物信息和220个光谱带。为了实验研究，去除了含有20个的吸水带和噪音带(104-108，150-163)，所以用于实验研究的光谱带为200个和总样本数为21025个。
本实验采用两个定量评估(包括用户准确度(UA)、平均准确度(AA)、总准确度(OA)、Kappa系数)和可视化聚类图，对每一种聚类方法的聚类性能进行了全面的评价。
首先，对Indian Pines数据集聚类实验，评估每个方法的性能。本申请高光谱图像聚类的锚点数为512和簇类数为15。表1为Indian Pines数据集的定量分析；图3为本申请采用FSCHSI、K-means、FCM、FCM_S1和SC聚类方法处理Indian Pines数据集的得到的聚类图。
表1 Indian Pines数据集的定量分析
Figure BDA0002565407430000091
FSCHSI、K-means、FCM、FCM_S1和SC聚类算法得到的最佳结果均在表1加粗显示，基于二叉树锚点无核图的快速高光谱图像聚类方法的最佳结果均优于其他聚类方法，其中本申请方法FSCHSI在AA、OA、Kappa系数这三项指标中都获得了最高的精度。从图3可以看出，与其他的算法相比，本申请方法在最终的聚类图中生成了更多的同质区域和更好的聚类映射。
以上是本申请的方法的实施例，本申请还包括一种高光谱图像聚类装置的实施例，如图2所示，具体包括：
锚点生成单元201，用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
相似矩阵计算单元202，用于由锚点集以及高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由邻接矩阵通过预置第二函数求解相似度矩阵；
预置第一公式为：
Figure BDA0002565407430000101
式中的参数γ设为
Figure BDA0002565407430000102
eij是xi和uj之间的欧氏距离表示
Figure BDA0002565407430000103
zij表示邻接矩阵第i行第j列的元素；xi表示高光谱图像数据矩阵中的第i个元素，n表示高光谱图像总的样本数；uj表示锚点集中的第j个锚点，m表示总的锚点数；
预置第二公式为：
Figure BDA0002565407430000104
vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数。
目标函数构造单元203，用于由相似度矩阵构造拉普拉斯矩阵，由拉普拉斯矩阵构造高光谱聚类的目标函数；
聚类求解单元204，用于求解目标函数，得到聚类结果。
在一种具体的实施方式中，锚点生成单元201具体用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；二叉树锚点算法生成锚点集具体为：
Figure BDA0002565407430000105
其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n。
在一种具体的实施方式中，聚类求解单元202具体用于当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure BDA0002565407430000106
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为
Figure BDA0002565407430000111
右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。
本申请还提供一种高光谱图像聚类设备，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，执行如上述的一种高光谱图像聚类方法的实施例。
本申请还提供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的一种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”等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：Random Access 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)

1.一种高光谱图像聚类方法，其特征在于，包括：
获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；
所述预置第一公式为：
Figure FDA0003683390750000011
式中的参数γ设为
Figure FDA0003683390750000012
eij是xi和uj之间的欧氏距离表示
Figure FDA0003683390750000013
zij表示所述邻接矩阵第i行第j列的元素；xi表示所述高光谱图像数据矩阵中的第i个元素，uj表示所述锚点集中的第j个锚点，m表示总的锚点数；1表示元素均为1的矩阵，p表示近邻数据点的数量；
所述预置第二公式为：
Figure FDA0003683390750000014
vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数；1表示元素均为1的矩阵；
由所述相似度矩阵构造拉普拉斯矩阵，由所述拉普拉斯矩阵构造高光谱聚类的目标函数；
求解所述目标函数，得到聚类结果。
2.根据权利要求1所述的高光谱图像聚类方法，其特征在于，所述获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集，具体为：
Figure FDA0003683390750000015
其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n；d为每个锚点的特征维数；1为元素均为1的矩阵。
3.根据权利要求2所述的高光谱图像聚类方法，其特征在于，所述由所述相似度矩阵构造拉普拉斯矩阵，具体为：
L＝D-A
其中，D表示对角矩阵，D中的第i个元素为
Figure FDA0003683390750000016
4.根据权利要求3所述的高光谱图像聚类方法，其特征在于，所述由所述拉普拉斯矩阵构造高光谱聚类的目标函数，具体为：
Figure FDA0003683390750000021
其中，F∈Rn×c为所有高光谱图像数据的指示矩阵；c为聚类数，上式中F的最优解为拉普拉斯矩阵L的c个最小特征值的特征向量。
5.根据权利要求4所述的高光谱图像聚类方法，其特征在于，所述求解所述目标函数，得到聚类结果，具体为：
当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure FDA0003683390750000022
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为
Figure FDA0003683390750000023
右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。
6.一种高光谱图像聚类装置，其特征在于，包括：
锚点生成单元，用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
相似矩阵计算单元，用于由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；
所述预置第一公式为：
Figure FDA0003683390750000024
式中的参数γ设为
Figure FDA0003683390750000025
eij是xi和uj之间的欧氏距离表示
Figure FDA0003683390750000026
zij表示所述邻接矩阵第i行第j列的元素；xi表示所述高光谱图像数据矩阵中的第i个元素，uj表示所述锚点集中的第j个锚点，m表示总的锚点数；1表示元素均为1的矩阵，p表示近邻数据点的数量；
所述预置第二公式为：
Figure FDA0003683390750000027
vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数；1表示元素均为1的矩阵；
目标函数构造单元，用于由所述相似度矩阵构造拉普拉斯矩阵，由所述拉普拉斯矩阵构造高光谱聚类的目标函数；
聚类求解单元，用于求解所述目标函数，得到聚类结果。
7.根据权利要求6所述的高光谱图像聚类装置，其特征在于，所述锚点生成单元具体用于获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；二叉树锚点算法生成锚点集具体为：
Figure FDA0003683390750000031
其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n；d为每个锚点的特征维数；1为元素均为1的矩阵。
8.根据权利要求7所述的高光谱图像聚类装置，其特征在于，所述聚类求解单元具体用于当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为
Figure FDA0003683390750000032
那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为
Figure FDA0003683390750000033
右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算指示矩阵F的离散解，得到聚类结果。
9.一种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1-5任一项所述的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1-5任一项所述的高光谱图像聚类方法。
CN202010621828.4A 2020-07-01 2020-07-01 一种高光谱图像聚类方法、装置、设备及存储介质 Active CN111753921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010621828.4A CN111753921B (zh) 2020-07-01 2020-07-01 一种高光谱图像聚类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010621828.4A CN111753921B (zh) 2020-07-01 2020-07-01 一种高光谱图像聚类方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111753921A CN111753921A (zh) 2020-10-09
CN111753921B true CN111753921B (zh) 2022-10-18

Family

ID=72680262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010621828.4A Active CN111753921B (zh) 2020-07-01 2020-07-01 一种高光谱图像聚类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111753921B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597435B (zh) * 2020-12-24 2023-06-09 华能国际电力股份有限公司 基于设备监理的火电设备质量数据处理方法及装置
CN115205699B (zh) * 2022-06-29 2023-03-03 中国测绘科学研究院 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10423840B1 (en) * 2019-01-31 2019-09-24 StradVision, Inc. Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map
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
CN111310842A (zh) * 2020-02-25 2020-06-19 西北工业大学 一种密度自适应的快速聚类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10423840B1 (en) * 2019-01-31 2019-09-24 StradVision, Inc. Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map
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
CN111310842A (zh) * 2020-02-25 2020-06-19 西北工业大学 一种密度自适应的快速聚类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Fast spectral clustering learning with hierarchical bipartite graph for large-scale data;Yang, X.,;《Pattern Recognition Letters》;20200228;全文 *
Fast spectral clustering with anchor graph for large hyperspectral images;Wang, R.,et.al;《IEEE Geoscience and Remote Sensing Letters》;20171231;全文 *
Highly-economized multi-view binary compression for scalable image clustering;Zhang, Z.,;《 In Proceedings of the European Conference on Computer Vision (ECCV)》;20181231;全文 *
无监督相似流形学习算法研究;罗晓慧;《中国优秀硕士学位论文全文数据库》;20200131;全文 *

Also Published As

Publication number Publication date
CN111753921A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CA3066029A1 (en) Image feature acquisition
CN111062428A (zh) 一种高光谱图像的聚类方法、系统及设备
CN111753921B (zh) 一种高光谱图像聚类方法、装置、设备及存储介质
Puccetti et al. On the computation of Wasserstein barycenters
Hinojosa et al. Hyperspectral image segmentation using 3D regularized subspace clustering model
Chen et al. Nonnegative tensor completion via low-rank Tucker decomposition: model and algorithm
Shen et al. One-hot graph encoder embedding
Araújo et al. Information-theoretic clustering: A representative and evolutionary approach
Pal Margin-based feature selection for hyperspectral data
Mújica-Vargas et al. Robust c-prototypes algorithms for color image segmentation
D’Urso Exploratory multivariate analysis for empirical information affected by uncertainty and modeled in a fuzzy manner: a review
CN111753904A (zh) 一种快速高光谱图像聚类方法、装置、设备及介质
Zamzami et al. An accurate evaluation of msd log-likelihood and its application in human action recognition
Chen et al. Spectral-spatial classification based on affinity scoring for hyperspectral imagery
Pircalabelu et al. Mixed scale joint graphical lasso
CN111709478B (zh) 一种基于锚图的模糊聚类方法及装置
Malhotra et al. On unsupervised simultaneous kernel learning and data clustering
Domino et al. Introducing higher order correlations to marginals' subset of multivariate data by means of Archimedean copulas
Liu et al. Learning heterogeneous hidden Markov random fields
Kane et al. Selecting the top-k discriminative features using principal component analysis
Yu et al. Efficient variational Bayes learning of graphical models with smooth structural changes
Liyanage et al. Satellite image classification using LC-KSVD sparse coding
Xing et al. Model-based sparse coding beyond Gaussian independent model
Cheng et al. Granular-ball computing-based manifold clustering algorithms for ultra-scalable data
Zhao et al. Part-level regularized semi-nonnegative coding for semi-supervised learning

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