CN112364730A - 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 - Google Patents
基于稀疏子空间聚类的高光谱地物自动分类方法及系统 Download PDFInfo
- Publication number
- CN112364730A CN112364730A CN202011185874.0A CN202011185874A CN112364730A CN 112364730 A CN112364730 A CN 112364730A CN 202011185874 A CN202011185874 A CN 202011185874A CN 112364730 A CN112364730 A CN 112364730A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- category
- similarity
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明公开了一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统,方法包括以下步骤:对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;根据数据划分结果构建空间指示矩阵;在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;根据数据类别标签分别计算各类别数据间光谱的相似度和空间位置距离,并组合成各类内数据相似度;对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;构建数据相似度矩阵并应用谱聚类获得最后的分类结果。本发明提高了高光谱地物的分类精度以及地物种类探测的准确度和效率。
Description
技术领域
本发明涉及一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统,属于人工智能和遥感影像处理技术领域。
背景技术
高光谱遥感影像是通过高光谱成像技术获取的高分辨率的连续、窄波段的图像数据,在获得地表图像信息的同时,也获得更为丰富的光谱信息。根据不同物质在不同波段光谱信号下的不同表现,可以将高光谱遥感影像中的每个像元赋以唯一的类别标识。一方面,由于高光谱遥感影像数据的高维特性、信息冗余、同物异谱和同谱异物的特点,导致高光谱数据结构呈高度非线性,另一方面,在基于有监督分类领域,受到带有高质量标签数据的限制,导致分类模型的参数估计不准确。
针对有监督分类方法受高质量标注样本数量和遥感影像的复杂性的约束,基于子空间聚类的高光谱地物分类方法因有效克服上述挑战受到广泛关注,其大体上可以分为两类:
(1)低秩子空间聚类(LRR)方法主要通过寻找数据在自身数据字典上的低秩表示来求得亲和矩阵,然后利用谱聚类获得最终分割结果。该方法可以处理噪声和异常值,并且不需要子空间的维数和数目作为先验条件。但其用核范数代替秩函数导致算法的不稳定性和对高斯噪声的敏感。
(2)稀疏子空间聚类(SSC)方法利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果。其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类。
当前基于稀疏子空间聚类的高光谱地物分类方法研究主要考虑进一步挖掘原始数据或谱聚类结果中有意义的信息,前向或后向反馈到稀疏表示过程中,却忽略了隐藏在亲和矩阵中的数据的标签信息,舍近求远,使得算法性能提升有限且大大增加了方法的时间复杂度。
发明内容
为了解决上述问题,本发明提出了一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统,能够本发明方法在无标注样本下获得高准确率的分类,可用于对高光谱遥感影像的地物种类探测。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种基于稀疏子空间聚类的高光谱地物自动分类方法,包括以下步骤:
步骤1,对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
步骤2,根据数据划分结果构建空间指示矩阵;
步骤3,在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
步骤4,根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
步骤5,对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
步骤6,通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
步骤7,构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
作为本实施例一种可能的实现方式,所述步骤1包括以下步骤:
步骤11,采用主成分分析方法将高光谱图像中的高维光谱信息降维至三维,并构建三通道RGB图像;
步骤12,将构建的三通道RGB图像转换到Lab彩色空间,对应每个像素的(L,a,b)颜色值和(x,y)位置坐标组成一个5维向量V=[L,a,b,x,y];
步骤13,根据高光谱图像的具体尺寸以地物类别的复杂程度确定要划分的超像素块个数 k,将整个Lab彩色图像初始化为k个大小大致相等的超像素方块,每个方块的边长S为:
其中,N为Lab图像总的像素个数,k个超像素块的中心数据ci=[Li ai bi xi yi]T通过求取每个超像素块数据的均值获得;
步骤14,重新判断每个超像素块中心点的位置,将中心移动到其3×3邻域中的最低梯度位置,梯度计算公式为:
其中V(x,y)为坐标(x,y)处的(L,a,b)值;
步骤15,通过下式计算每个超像素块中心数据与其周围2S×2S范围内每个像素的距离:
其中dc为数据颜色信息的距离,ds为空间信息的距离,D是利用m和S分别对dc和ds归一化后再进行结合;m表示空间和像素颜色的相对重要性的度量;
并根据得到的距离度量,重新更新每个像素的最近的超像素块中心,得到新的超像素块分割结果;
步骤16,通过求取每个超像素块数据的均值,更新超像素块中心数据 ci=[Li aibi xi yi]T;
步骤17,验证是否达到设定的迭代次数,如果达到,则进入步骤18,否则重复执行步骤15和16;
步骤18,对迭代过程中可能存在的孤立的像素进行校正,为其分配最近的超像素块标签。
作为本实施例一种可能的实现方式,在步骤2中,空间指示矩阵为:
空间指示值为:
其中xi和xj分别表示第i和j个像素的高光谱数据。
作为本实施例一种可能的实现方式,所述步骤3包括以下步骤:
步骤31,对高光谱图像进行一次原始的稀疏子空间聚类,得到一个初始的分类结果,并通过求取各类别数据的均值得到各类别数据的中心值,将其作为端元矩阵M的初始化,丰度矩阵A的初始化公式为:
其中n为类别个数,m为加权指数;
将稀疏系数矩阵C初始化为全0矩阵;
步骤32,根据空间指示矩阵计算拉格朗日矩阵L:
其中Qii表示矩阵的对角线元素,Pi·表示任意一列第i行的元素;
步骤33,在高光谱图像数据X上应用本发明公开的算法,目标函数如下:
其中C为稀疏表示矩阵,G是类别信息引导矩阵,M为包含类别信息的端元矩阵,A是包含组合系数的丰度矩阵,λ1、λ2和λ3为目标函数的平衡参数;ai·表示任意一列的第i行的元素;
步骤34,求解稀疏表示矩阵C,引入辅助矩阵Z,进行公式更新:
Z(k+1)=(λ1XTX+λ1XTX+ρI+ρ11T+L)-1(λ1XTX+λ1XTMA+ρC+ρ11T-μ-1ν)
其中,ρ为权重参数,μ和ν为拉格朗日乘子;1代表[1,...,1]T,1T表示[1,...,1],11T表示两向量相乘,I表示元素全为1的矩阵;
步骤35,求解端元矩阵M和丰度矩阵A:
步骤36,更新拉格朗日乘子μ和ν:
μ(k+1)=uk+ρk(Z(k+1)-C(k+1))
ν(k+1)=νk+ρk(ZT(k+1)1-1)
其中,ZT(k+1)表示第(k+1)轮矩阵Z的转置。
作为本实施例一种可能的实现方式,所述各类内数据相似度的计算公式为:
其中μ1和μ2为两个平衡参数且满足μ1+μ2=1,σ1和σ2是两个调节参数。
作为本实施例一种可能的实现方式,所述步骤5具体为:
根据重新计算的各类内数据的相似度,为每个数据与其同类别数据的相似程度进行排序,并按一定比例保留相似度高的数据关系,保留数据的个数计算公式为:
ni=θ*Nl
其中ni为第i个类别筛选的高相似性数据个数,θ为设定的数据保留比例,Nl为l类别标签数据的个数。
类别信息指导指导系数值为:
对于每个数据保留的高相似性数据关系,指导系数赋1,否则赋0;
作为本实施例一种可能的实现方式,所述步骤5具体为:
根据获得的稀疏稀疏矩阵C构建对称的数据相似度矩阵W,构建公式如下:
利用W构建无向图,并在此基础上应用谱聚类,得到最终分类结果。
第二方面,本发明实施例提供的一种基于稀疏子空间聚类的高光谱地物自动分类系统,包括:
数据划分模块,用于对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
空间指示矩阵模块,用于根据数据划分结果构建空间指示矩阵;
稀疏子空间聚类地物分类模块,用于在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
数据相似度计算模块,用于根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
相似度排序模块,用于对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
类别信息指导矩阵模块,用于通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
数据相似度矩阵模块,用于构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
本发明实施例的技术方案可以具有的有益效果如下:
本发明对高光谱图像进行类别信息引导稀疏子空间聚类的高光谱地物分类,该方法无需提前标注大量样本,更省略了复杂的训练过程,仅利用高光谱数据的光谱和空间特征实现高准确率的地物类别分类,为地物影像计算机识别与分类提供了理论支持,有利于高光谱遥感影像的地物种类探测和分析。
附图说明:
图1是根据一示例性实施例示出的一种基于稀疏子空间聚类的高光谱地物自动分类方法的流程图;
图2是根据一示例性实施例示出的一种基于稀疏子空间聚类的高光谱地物自动分类系统的结构图;
图3是根据图1示例性实施例示出的一种高光谱地物自动分类的流程图;
图4是根据一示例性实施例示出的一种高光谱图像进行超像素分割的流程图;
图5是根据一示例性实施例示出的一种高光谱降至三维生成的彩色图;
图6是根据一示例性实施例示出的一种超像素分割结果示意图;
图7是根据一示例性实施例示出的一种高光谱图像分割结果示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的基于稀疏子空间聚类的高光谱地物自动分类方法的流程图。如图1所示,本发明实施例提供的一种基于稀疏子空间聚类的高光谱地物自动分类方法,包括以下步骤:
步骤1,对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
步骤2,根据数据划分结果构建空间指示矩阵;
步骤3,在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
步骤4,根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
步骤5,对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
步骤6,通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
步骤7,构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
图2是根据一示例性实施例示出的一种基于稀疏子空间聚类的高光谱地物自动分类系统的结构图。如图2所示,本发明实施例提供的一种基于稀疏子空间聚类的高光谱地物自动分类系统,包括:
数据划分模块,用于对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
空间指示矩阵模块,用于根据数据划分结果构建空间指示矩阵;
稀疏子空间聚类地物分类模块,用于在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
数据相似度计算模块,用于根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
相似度排序模块,用于对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
类别信息指导矩阵模块,用于通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
数据相似度矩阵模块,用于构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
如图3所示,利用本发明进行高光谱地物自动分类的的具体过程包括以下步骤:
步骤1、整理高光谱图像,并将图像数据加载到系统;
步骤2、用简单的线性迭代聚类(SLIC)算法对高光谱进行空间划分,将相邻且相似的数据划分到同个超像素块,具体为:
步骤2-1、采用主成分分析技术(PCA),将高光谱图像中的高维光谱信息降维至三维,由此构建三通道RGB图像;
步骤2-2、将构建的三通道RGB图像转换到Lab彩色空间,对应每个像素的(L,a,b)颜色值和(x,y)位置坐标组成一个5维向量V=[L,a,b,x,y];
步骤2-3、根据高光谱图像的具体尺寸以地物类别的复杂程度确定要划分的超像素块个数k=100。k确定之后,则整个Lab彩色图像可以初始化为k个大小大致相等的超像素方块,每个方块的边长为
其中N为Lab图像总的像素个数。而k个超像素块的中心数据ci=[Li ai bi xi yi]T可以通过求取每个超像素块数据的均值获得;
步骤2-4、重新判断每个超像素块中心点的位置,将中心移动到其3×3邻域中的最低梯度位置,避免将超像素定位在图像边缘上,梯度计算公式为
其中V(x,y)为坐标(x,y)处的(L,a,b)值;
步骤2-5、计算每个超像素块中心数据与其周围2S×2S范围内每个像素的距离,计算公式为
其中dc计算的是数据颜色信息的距离,ds计算的是空间信息的距离,而D是利用m和S分别对dc和ds归一化后再进行结合。m表示空间和像素颜色的相对重要性的度量,当m大时,空间邻近性更重要,并且所得到的超像素更紧凑,当m小时,所得到的超像素更紧密地粘附到图像边界,但是具有较小的规则尺寸和形状。在前期已经算出,而m一般取值为2~5。根据得到的距离度量,重新更新每个像素的最近的超像素块中心,得到新的超像素块分割结果;
步骤2-6、通过求取每个超像素块数据的均值,更新超像素块中心数据 ci=[Li aibi xi yi]T;
步骤2-7、验证是否达到设定的迭代次数,一般设置为10,若达到,则进行步骤2-8,若未达到,则重复进行步骤2-5和2-6;
步骤2-8、对迭代过程中可能存在的孤立的像素进行校正,为其分配最近的超像素块标签。
其中xi和xj分别表示第i和j个像素的高光谱数据,当两个像素数据被划分到相同的超像素块时,它们的空间指示值为1,否则为0;
步骤4、初始化算法中的参数矩阵,具体为:
对高光谱图像进行一次原始的稀疏子空间聚类算法,得到一个初始的分类结果,并通过求取各类别数据的均值得到各类别数据的中心值,将其作为端元矩阵M的初始化,而丰度矩阵A的初始化公式为
其中n=4为类别个数,m为加权指数,一般设置为2;
而稀疏系数矩阵C的初始化为全0矩阵。
步骤5、在高光谱图像上应用本发明公开的类别信息引导稀疏子空间聚类方法,同时获得图像数据间的稀疏表示矩阵和类别标签,具体为:
步骤5-1、根据步骤3中的空间指示矩阵计算拉格朗日矩阵L,公式为:
其中Qii表示矩阵的对角线元素,Pi·表示任意一列第i行的元素;
步骤5-2、在高光谱图像数据X上应用本发明公开的算法,目标函数如下:
其中C为稀疏表示矩阵,G是类别信息引导矩阵,M为包含类别信息的端元矩阵,A是包含组合系数的丰度矩阵,λ1、λ2和λ3为目标函数的平衡参数,ai·表示任意一列的第i行的元素;分别取值为8.58×10-7,8.58×10-10和8×103,约束条件diag(C)=0的作用是限制C的对角线为0元素,以此消除数据自表示的平凡解,而CT1=1主要是约束数据变化位于仿射子空间内。
由于稀疏表示矩阵C的约束条件为等式,本发明用交替方向乘子法(ADMM)进行求解,而端元矩阵M和丰度矩阵A的约束条件为不等式且满足KKT条件,因此本发明采用迭代方法求解;
步骤5-3、利用ADMM算法求解稀疏表示矩阵C,需要引入辅助矩阵Z,其更新公式分别为
Z(k+1)=(λ1XTX+λ1XTX+ρI+ρ11T+L)-1(λ1XTX+λ1XTMA+ρC+ρ11T-μ-1ν)
其中ρ=1400为权重参数,μ和ν为拉格朗日乘子;1代表[1,...,1]T,1T表示[1,...,1],11T表示两向量相乘,I表示元素全为1的矩阵;
步骤5-4、用迭代方式求解端元矩阵M和丰度矩阵A,其最终的更新公式为
步骤5-5、更新拉格朗日乘子μ和ν,更新公式为
μ(k+1)=uk+ρk(Z(k+1)-C(k+1))
ν(k+1)=νk+ρk(ZT(k+1)1-1)
其中ZT(k+1)表示第(k+1)轮矩阵Z的转置。
步骤6、根据获得的数据类别标签A,分别计算各类别数据间光谱的相似度和空间位置距离,线性组合成各类内数据相似度,具体步骤为:
根据获得的数据类别标签,为每个数据计算其与同类别中其他数据的相似度,计算公式为:
其中μ1和μ2为两个平衡参数且满足μ1+μ2=1,σ1和σ2是两个调节参数,分别赋值为55和24000;
步骤7、依据重新计算的各类内数据的相似度进行排序,并筛选各类别中存在的高相似性数据关系;,具体步骤为:
根据重新计算的各类内数据的相似度,为每个数据与其同类别数据的相似程度进行排序,并按一定比例保留相似度高的数据关系,保留数据的个数计算公式如下:
ni=θ*Nl
其中ni为第i个类别筛选的高相似性数据个数,θ为设定的数据保留比例,Nl为l类别标签数据的个数;
对于每个数据保留的高相似性数据关系,指导系数赋1,否则赋0;
步骤9、验证是否满足迭代停止条件,具体步骤为:
计算停止条件公式:
err1=Z-C
err3=CT1-1
如果err1和err3小于设定的阈值ε=2×10-3,则进行步骤10,否则,重复进行步骤5~9;
步骤10、构建数据相似度矩阵并应用谱聚类获得最后的分类结果,具体步骤为:
根据获得的稀疏稀疏矩阵C构建对称的数据亲和矩阵W,构建公式如下:
然后利用W构建无向图,并在此基础上应用谱聚类,得到最终分类结果。
下面结合实施例对本发明做进一步详细的说明:
本发明以三维高光谱图像作为输入,采用本发明公开的类别信息引导稀疏子空间聚类的高光谱地物自动分类方法及系统进行图像分割。
本实施例的流程如图3所示,三维高光谱图像的大小为85×70×200,其中85×70是获取的地表图像的尺寸,200是包含的光谱波段数。首先对高光谱数据应用主成分分析(PCA),降维至三维,由此构建三通道RGB图像,图5给出了降维后的高光谱图像。然后将三通道 RGB图像转换到Lab彩色空间,开始进行超像素分割,如图4所示。根据数据的尺寸和地物类别的复杂程度确定了初始超像素块个数为100,并通过不断迭代计算超像素块中心数据与其2S×2S范围内数据的相似程度更新数据的超像素标签,最终超像素分割结果如图6所示。但超像素标签不能直接应用到算法模型中,需要进一步构建空间指示矩阵P,对类别标签相同的数据指示系数赋1,否则,赋0。
对高光谱数据进行一次传统的稀疏子空间聚类,根据获得的结果计算各类别中心数据以及每个数据对各个类别中心数据的相似程度,分别作为端元矩阵M和丰度矩阵A的初始化。然后在高光谱图像上应用本发明公开的类别信息引导稀疏子空间聚类方法,根据推导出的求解公式,迭代求解稀疏表示系数矩阵C、端元矩阵M和丰度矩阵A。此外,在每次迭代求解过程中,还需要计算各类别内数据的空间位置距离和光谱相似度,以此为依据筛选各类别中高度相似的数据关系,构建类别信息引导矩阵W,对于保留的数据关系,对应位置引导系数赋0,否则,赋1。不断进行迭代优化求解过程,直至误差值err1和err3都小于设定的阈值ε=2×10-3。
结束优化求解的过程后,利用获得的稀疏表示系数矩阵构建亲和矩阵,并在此基础上应用谱聚类,获得最后的高光谱图像分割结果,如图7所示。从图7中可知:本发明在无标注样本条件下能够得到高的高光谱图像分类准确度,能够满足实际应用中对于高光谱图像地物分类的要求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,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,又例如,多个模块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通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于稀疏子空间聚类的高光谱地物自动分类方法,其特征是,包括以下步骤:
步骤1,对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
步骤2,根据数据划分结果构建空间指示矩阵;
步骤3,在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
步骤4,根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
步骤5,对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
步骤6,通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
步骤7,构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
2.根据权利要求1所述的基于稀疏子空间聚类的高光谱地物自动分类方法,其特征是,所述步骤1包括以下步骤:
步骤11,采用主成分分析方法将高光谱图像中的高维光谱信息降维至三维,并构建三通道RGB图像;
步骤12,将构建的三通道RGB图像转换到Lab彩色空间,对应每个像素的(L,a,b)颜色值和(x,y)位置坐标组成一个5维向量V=[L,a,b,x,y];
步骤13,根据高光谱图像的具体尺寸以地物类别的复杂程度确定要划分的超像素块个数k,将整个Lab彩色图像初始化为k个大小大致相等的超像素方块,每个方块的边长S为:
其中,N为Lab图像总的像素个数,k个超像素块的中心数据ci=[Li ai bi xi yi]T通过求取每个超像素块数据的均值获得;
步骤14,重新判断每个超像素块中心点的位置,将中心移动到其3×3邻域中的最低梯度位置,梯度计算公式为:
其中V(x,y)为坐标(x,y)处的(L,a,b)值;
步骤15,通过下式计算每个超像素块中心数据与其周围2S×2S范围内每个像素的距离:
其中dc为数据颜色信息的距离,ds为空间信息的距离,D是利用m和S分别对dc和ds归一化后再进行结合;m表示空间和像素颜色的相对重要性的度量;
并根据得到的距离度量,重新更新每个像素的最近的超像素块中心,得到新的超像素块分割结果;
步骤16,通过求取每个超像素块数据的均值,更新超像素块中心数据ci=[Li ai bi xiyi]T;
步骤17,验证是否达到设定的迭代次数,如果达到,则进入步骤18,否则重复执行步骤15和16;
步骤18,对迭代过程中可能存在的孤立的像素进行校正,为其分配最近的超像素块标签。
4.根据权利要求3所述的基于稀疏子空间聚类的高光谱地物自动分类方法,其特征是,所述步骤3包括以下步骤:
步骤31,对高光谱图像进行一次原始的稀疏子空间聚类,得到一个初始的分类结果,并通过求取各类别数据的均值得到各类别数据的中心值,将其作为端元矩阵M的初始化,丰度矩阵A的初始化公式为:
其中n为类别个数,m为加权指数;
将稀疏系数矩阵C初始化为全0矩阵;
步骤32,根据空间指示矩阵计算拉格朗日矩阵L:
其中Qii表示矩阵的对角线元素,Pi·表示任意一列第i行的元素;
步骤33,在高光谱图像数据X上应用本发明公开的算法,目标函数如下:
其中C为稀疏表示矩阵,G是类别信息引导矩阵,M为包含类别信息的端元矩阵,A是包含组合系数的丰度矩阵,λ1、λ2和λ3为目标函数的平衡参数;ai·表示任意一列的第i行的元素;
步骤34,求解稀疏表示矩阵C,引入辅助矩阵Z,进行公式更新:
Z(k+1)=(λ1XTX+λ1XTX+ρI+ρ11T+L)-1(λ1XTX+λ1XTMA+ρC+ρ11T-μ-1ν)
其中,ρ为权重参数,μ和ν为拉格朗日乘子;1代表[1,...,1]T,1T表示[1,...,1],11T表示两向量相乘,I表示元素全为1的矩阵。
步骤35,求解端元矩阵M和丰度矩阵A:
步骤36,更新拉格朗日乘子μ和ν:
μ(k+1)=uk+ρk(Z(k+1)-C(k+1))
ν(k+1)=νk+ρk(ZT(k+1)1-1)
其中,ZT(k+1)表示第(k+1)轮矩阵Z的转置。
6.根据权利要求5所述的基于稀疏子空间聚类的高光谱地物自动分类方法,其特征是,所述步骤5具体为:
根据重新计算的各类内数据的相似度,为每个数据与其同类别数据的相似程度进行排序,并按一定比例保留相似度高的数据关系,保留数据的个数计算公式为:
ni=θ*Nl
其中ni为第i个类别筛选的高相似性数据个数,θ为设定的数据保留比例,Nl为l类别标签数据的个数。
9.一种基于稀疏子空间聚类的高光谱地物自动分类系统,其特征是,包括:
数据划分模块,用于对高光谱图像进行空间划分,将相邻且相似的数据划分到同个超像素块;
空间指示矩阵模块,用于根据数据划分结果构建空间指示矩阵;
稀疏子空间聚类地物分类模块,用于在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类,获得图像数据间的稀疏表示矩阵和类别标签;
数据相似度计算模块,用于根据获得的数据类别标签,分别计算各类别数据间光谱的相似度和空间位置距离,并进行线性组合成各类内数据相似度;
相似度排序模块,用于对各类内数据相似度进行排序,并筛选各类别中存在的高相似性数据关系;
类别信息指导矩阵模块,用于通过筛选后保留的高相似性数据关系构建类别信息指导矩阵;
数据相似度矩阵模块,用于构建数据相似度矩阵并应用谱聚类获得最后的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185874.0A CN112364730B (zh) | 2020-10-29 | 2020-10-29 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185874.0A CN112364730B (zh) | 2020-10-29 | 2020-10-29 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364730A true CN112364730A (zh) | 2021-02-12 |
CN112364730B CN112364730B (zh) | 2023-01-17 |
Family
ID=74514167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011185874.0A Active CN112364730B (zh) | 2020-10-29 | 2020-10-29 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364730B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967350A (zh) * | 2021-03-08 | 2021-06-15 | 哈尔滨工业大学 | 基于稀疏图编码的高光谱遥感图像本征分解方法及系统 |
CN113705642A (zh) * | 2021-08-16 | 2021-11-26 | 中山大学 | 一种基于属性的文物层次分类方法、系统及装置 |
CN115795225A (zh) * | 2022-12-09 | 2023-03-14 | 四川威斯派克科技有限公司 | 一种近红外光谱校正集的筛选方法及装置 |
CN116128982A (zh) * | 2022-12-26 | 2023-05-16 | 陕西科技大学 | 基于高光谱图像的颜色分级/测色方法、系统、设备及介质 |
CN116503632A (zh) * | 2023-06-25 | 2023-07-28 | 广东工业大学 | 一种基于子空间的多个子类均值高光谱图像聚类方法 |
CN116580237A (zh) * | 2023-05-16 | 2023-08-11 | 中国自然资源航空物探遥感中心 | 一种基于光谱增强的矿物信息识别系统与方法 |
CN116612385A (zh) * | 2023-05-22 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于深度高分辨率关系图卷积的遥感影像多类信息提取方法与系统 |
CN116720984A (zh) * | 2023-08-11 | 2023-09-08 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
CN117037149A (zh) * | 2023-08-15 | 2023-11-10 | 华东师范大学 | 基于半监督群优化的多重免疫组化高光谱影像解混方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871087A (zh) * | 2014-03-20 | 2014-06-18 | 西北工业大学 | 基于三维全变差稀疏先验的高光谱解混压缩感知方法 |
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN105224961A (zh) * | 2015-11-04 | 2016-01-06 | 中国电子科技集团公司第四十一研究所 | 一种高识别度的红外光谱特征提取与匹配方法 |
CN108399430A (zh) * | 2018-02-28 | 2018-08-14 | 电子科技大学 | 一种基于超像素和随机森林的sar图像舰船目标检测方法 |
CN108520495A (zh) * | 2018-03-15 | 2018-09-11 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
CN109191466A (zh) * | 2018-07-19 | 2019-01-11 | 中国矿业大学 | 一种基于谱聚类的图像分割方法与系统 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
CN110610505A (zh) * | 2019-09-25 | 2019-12-24 | 中科新松有限公司 | 一种融合深度和色彩信息的图像分割方法 |
CN110992273A (zh) * | 2019-11-04 | 2020-04-10 | 中国科学院西安光学精密机械研究所 | 一种自相似性约束的高光谱影像解混方法 |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
CN111783865A (zh) * | 2020-06-23 | 2020-10-16 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
-
2020
- 2020-10-29 CN CN202011185874.0A patent/CN112364730B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
CN103871087A (zh) * | 2014-03-20 | 2014-06-18 | 西北工业大学 | 基于三维全变差稀疏先验的高光谱解混压缩感知方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN105224961A (zh) * | 2015-11-04 | 2016-01-06 | 中国电子科技集团公司第四十一研究所 | 一种高识别度的红外光谱特征提取与匹配方法 |
CN108399430A (zh) * | 2018-02-28 | 2018-08-14 | 电子科技大学 | 一种基于超像素和随机森林的sar图像舰船目标检测方法 |
CN108520495A (zh) * | 2018-03-15 | 2018-09-11 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
CN109191466A (zh) * | 2018-07-19 | 2019-01-11 | 中国矿业大学 | 一种基于谱聚类的图像分割方法与系统 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
CN110610505A (zh) * | 2019-09-25 | 2019-12-24 | 中科新松有限公司 | 一种融合深度和色彩信息的图像分割方法 |
CN110992273A (zh) * | 2019-11-04 | 2020-04-10 | 中国科学院西安光学精密机械研究所 | 一种自相似性约束的高光谱影像解混方法 |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
CN111783865A (zh) * | 2020-06-23 | 2020-10-16 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
Non-Patent Citations (2)
Title |
---|
LIMEI WANG 等: "Fast High-Order Sparse Subspace Clustering With Cumulative MRF for Hyperspectral Images", 《IEEE》 * |
蓝金辉 等: "高光谱遥感影像混合像元分解研究进展", 《遥感学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967350A (zh) * | 2021-03-08 | 2021-06-15 | 哈尔滨工业大学 | 基于稀疏图编码的高光谱遥感图像本征分解方法及系统 |
CN113705642A (zh) * | 2021-08-16 | 2021-11-26 | 中山大学 | 一种基于属性的文物层次分类方法、系统及装置 |
CN113705642B (zh) * | 2021-08-16 | 2023-10-24 | 中山大学 | 一种基于属性的文物层次分类方法、系统及装置 |
CN115795225A (zh) * | 2022-12-09 | 2023-03-14 | 四川威斯派克科技有限公司 | 一种近红外光谱校正集的筛选方法及装置 |
CN115795225B (zh) * | 2022-12-09 | 2024-01-23 | 四川威斯派克科技有限公司 | 一种近红外光谱校正集的筛选方法及装置 |
CN116128982B (zh) * | 2022-12-26 | 2023-09-26 | 陕西科技大学 | 基于高光谱图像的颜色分级/测色方法、系统、设备及介质 |
CN116128982A (zh) * | 2022-12-26 | 2023-05-16 | 陕西科技大学 | 基于高光谱图像的颜色分级/测色方法、系统、设备及介质 |
CN116580237A (zh) * | 2023-05-16 | 2023-08-11 | 中国自然资源航空物探遥感中心 | 一种基于光谱增强的矿物信息识别系统与方法 |
CN116580237B (zh) * | 2023-05-16 | 2024-02-20 | 中国自然资源航空物探遥感中心 | 一种基于光谱增强的矿物信息识别系统与方法 |
CN116612385A (zh) * | 2023-05-22 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于深度高分辨率关系图卷积的遥感影像多类信息提取方法与系统 |
CN116612385B (zh) * | 2023-05-22 | 2024-01-26 | 中国科学院空天信息创新研究院 | 基于深度高分辨率关系图卷积的遥感影像多类信息提取方法与系统 |
CN116503632A (zh) * | 2023-06-25 | 2023-07-28 | 广东工业大学 | 一种基于子空间的多个子类均值高光谱图像聚类方法 |
CN116720984A (zh) * | 2023-08-11 | 2023-09-08 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
CN116720984B (zh) * | 2023-08-11 | 2023-12-01 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
CN117037149A (zh) * | 2023-08-15 | 2023-11-10 | 华东师范大学 | 基于半监督群优化的多重免疫组化高光谱影像解混方法 |
CN117037149B (zh) * | 2023-08-15 | 2024-03-22 | 华东师范大学 | 基于半监督群优化的多重免疫组化高光谱影像解混方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112364730B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364730B (zh) | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 | |
CN111191736B (zh) | 基于深度特征交叉融合的高光谱图像分类方法 | |
CN111191514B (zh) | 一种基于深度学习的高光谱图像波段选择方法 | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
CN105740894B (zh) | 一种高光谱遥感图像的语义标注方法 | |
CN105046276B (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN112862792B (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
CN106447630B (zh) | 基于概率矩阵分解的高光谱图像锐化方法 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
CN108427934A (zh) | 一种高光谱影像混合像元分解方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
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 | |
CN113744136A (zh) | 基于通道约束多特征融合的图像超分辨率重建方法和系统 | |
CN111027636B (zh) | 基于多标签学习的无监督特征选择方法及系统 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
CN113536925B (zh) | 一种基于引导注意力机制的人群计数方法 | |
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 | |
CN115376195B (zh) | 训练多尺度网络模型的方法及人脸关键点检测方法 | |
CN113139513B (zh) | 基于超像素轮廓和改进pso-elm的空谱主动学习高光谱分类方法 | |
CN115496933A (zh) | 基于空间-光谱原型特征学习的高光谱分类方法及系统 | |
CN114842260A (zh) | 一种基于蓝图分离卷积的点云分类方法 | |
CN111079850B (zh) | 波段显著度的深度空谱联合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 |