CN117746079B - 一种高光谱图像的聚类预测方法、系统、存储介质及设备 - Google Patents
一种高光谱图像的聚类预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN117746079B CN117746079B CN202311535635.7A CN202311535635A CN117746079B CN 117746079 B CN117746079 B CN 117746079B CN 202311535635 A CN202311535635 A CN 202311535635A CN 117746079 B CN117746079 B CN 117746079B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- superpixel
- pseudo tag
- depth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种高光谱图像的聚类预测方法、系统、存储介质及设备，涉及图像处理技术领域，该方法包括：获取目标区域的高光谱图像；分割所述高光谱图像，生成超像素块；分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。通过本发明的高光谱图像的聚类预测方法，不需要人工标注，可对像素级图像或超像素级图像进行聚类预测，得到噪声少、聚类效果好、高精度的聚类预测结果。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种高光谱图像的聚类预测方法、系统、存储介质及设备。
背景技术
高光谱图像是一种遥感图像，具有多个波段，能够提供大量的地表覆盖信息，目前可通过人工标注或智能算法对高光谱图像进行聚类预测，得到聚类预测结果，即地表覆盖信息，但由于人工标注价格昂贵，标注质量参差不齐，因此智能算法已是对高光谱图像进行聚类预测的主流技术。
在现有技术中，大多采用对比学习等智能算法进行聚类预测，然而，现有的对比学习框架专注于全局特征，不能够高效聚类预测高光谱聚类任务中编码更高细粒度的特征，例如，像素级图像或超像素级图像，导致高光谱图像的聚类预测结果精度低。
发明内容
本发明解决的问题是如何改善高光谱聚类任务编码更高细粒度的聚类预测精度。
为解决上述问题，第一方面，本发明提供一种高光谱图像的聚类预测方法，包括：
获取目标区域的高光谱图像；
分割所述高光谱图像，生成超像素块；
分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；
采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；
采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；
采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。
可选地，所述采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果，包括：
采用所述K均值算法分别处理所述深度像素特征和所述深度超像素特征，生成像素级伪标签和第一超像素伪标签；
根据所述像素级伪标签在所述第一超像素伪标签的占比，生成第二超像素伪标签；
根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果。
可选地，所述根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果，包括：
将所述第一超像素伪标签和所述第二超像素伪标签输入到纠正公式中，生成纠正结果，所述纠正公式包括：
其中，为所述纠正结果，N为所述第一超像素伪标签或所述第二超像素伪标签的数量，E为交叉熵损失函数，/>为所述第二超像素伪标签，fθ(H)为所述第一超像素伪标签；
根据所述纠正结果重复获取新的第一超像素伪标签和新的第二超像素伪标签，直至所述新的第一超像素伪标签和所述新的第二超像素伪标签相同；
根据所述新的第一超像素伪标签和所述新的第二超像素伪标签，生成所述伪标签结果。
可选地，所述采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征，包括：
根据所述对比学习算法，构建第一初始对比学习模型和第二初始对比学习模型；
根据所述像素特征和所述超像素特征，生成第一样本；
将所述第一样本输入到所述第一初始对比学习模型中进行训练，生成像素对比学习模型；
根据所述像素对比学习模型提取所述像素特征的所述深度像素特征；
采用最近邻算法处理所述超像素特征，生成第二样本；
将所述第二样本输入到所述第二初始对比学习模型中进行训练，生成超像素对比学习模型；
根据所述超像素对比学习模型提取所述超像素特征的所述深度超像素特征。
可选地，所述将所述第一样本输入到所述第一初始对比学习模型中进行训练，包括：
将所述第一样本输入到所述第一初始对比学习模型中，根据像素损失公式训练所述第一初始对比学习模型，所述像素损失公式包括：
其中，l(sn)为像素损失值，sn为所述超像素特征，为所述超像素特征sn内一系列像素的集合，Ω为所有的所述超像素特征和所述像素特征，sim为相似度函数，τ为温度系数，Hn为所述超像素特征，ht为在Hn中的像素特征，hi为不在Hn中的像素特征。
可选地，所述将所述第二样本输入到所述第二初始对比学习模型中进行训练，包括：
将所述第二样本输入到所述第二初始对比学习模型中，根据超像素损失公式训练所述第二初始对比学习模型，所述超像素损失公式包括：
其中，为超像素损失值，N为所述第二样本中特征的数量，sim为相似度函数，τ为温度系数，Hi为所述超像素特征，Hj为Hi中的K近邻样本，Ht为Hi中除Hj以外的所述超像素特征，/>为各个所述超像素特征的最近K个邻居样本。
可选地，所述分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征，包括：
采用卷积神经网络提取所述高光谱图像中的所述像素特征；
提取所述像素特征的平均值，根据所述平均值构成所述超像素特征。
第二方面，本发明提供一种高光谱图像的聚类预测系统，包括：
获取模块，用于获取目标区域的高光谱图像；
分割模块，用于分割所述高光谱图像，生成超像素块；
提取模块，用于分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；
对比学习模块，用于采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；
伪标签模块，用于采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；
地物标签模块，用于采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。
第三方面，本发明提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的高光谱图像的聚类预测方法。
第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的高光谱图像的聚类预测方法。
本发明的高光谱图像的高光谱图像的聚类预测方法、系统、存储介质及设备的有益效果为：
通过获取并分割高光谱图像，可以得到该图像的超像素块，再分别提取高光谱图像的像素特征和超像素块的超像素特征，可为后续聚类预测提供更高细粒度的特征，从而得到更精准的聚类预测结果；对比学习算法通过其特有的对抗性训练提取的深度像素特征和深度超像素特征，具有很强的表示能力、泛化能力和鲁棒性，同时，对比学习算法采用无监督学习方式，不需要人工标注的标签即可学习到图像的特征表示，这使得对比学习模型可以利用大规模的未标记数据进行对抗训练，从而更好地捕捉数据的分布和深度特征；然后采用K均值算法同时聚类深度像素特征和深度超像素特征，可以使像素级伪标签结果对超像素级的聚类结果进行监督，使两者聚类结果对齐，以起到纠正作用，得到伪标签结果后采用所述K均值算法聚类，对K均值算法得到的伪标签结果再次进行聚类，可减少噪声干扰，提高聚类效果，得到超像素级的高精度的聚类预测结果，即目标区域的地物标签。
附图说明
图1为本发明实施例的高光谱图像的聚类预测方法的流程示意图；
图2为本发明实施例的高光谱图像的聚类预测系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
为解决上述问题，如图1所示，本发明实施例提供一种高光谱图像的聚类预测方法，包括：
S1，获取目标区域的高光谱图像。
具体地，首先获取目标区域的原始高光谱图像，即遥感图像，再采用主成分分析法(principal component analysis，PCA)处理原始高光谱图像，对原始高光谱图像进行波段降维，生成高光谱图像。
S2，分割所述高光谱图像，生成超像素块。
具体地，采用多尺度超像素分割算法分割高光谱图像，即采用主成分分析法波段降维后的原始高光谱图像，生成超像素块，其中，超像素块可为多个，多尺度超像素分割获取自适应的地物区域，地物区域对应超像素块，在区域内进行均值滤波，使用平均光谱矢量代替该区域的光谱空间结构，可增强地物类内相似度和类间差异。
S3，分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征。
具体地，可采用神经网络分别提取高光谱图像的像素特征和超像素块的超像素特征，用于后续步骤。
S4，采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征。
具体地，采用对比学习算法，根据对比学习算法的无监督的对抗性训练，提取像素特征的深度像素特征和超像素特征的深度超像素特征，深度像素特征和深度超像素特征具有很强的表示能力、泛化能力和鲁棒性，通过对比学习算法还可减少人工标注所带来的质量参差不齐、价格贵、费时费力等问题。
S5，采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果。
具体地，利用K均值算法分别对深度像素特征和深度超像素特征进行聚类，获得深度像素特征和超像素级特征对应的伪标签，同时利用像素级伪标签对深度超像素特征的聚类结果，即超像素级的伪标签进行监督，使两者聚类结果对齐，以起到纠正作用，在像素级伪标签和超像素伪标签结果相同时，将其输出为伪标签结果。
S6，采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。
具体地，得到伪标签结果后，再次使用K均值算法，提取伪标签结果的特征并聚类，得到最终的聚类结果，即目标区域的地物标签。通过再次聚类，可以实现精细化聚类、提高聚类效果、减少噪声干扰、深入地探索内部的规律和特征，提高聚类结果的可解释性。
首先通过主成分分析法对原始高光谱图像进行波段降维，生成高光谱图像，可以减少冗余信息、减少特征之间的相关性，还可以提高分类和识别的准确性，再采用多尺度超像素分割算法分割高光谱图像，获得超像素块，并进行均值滤波，使用平均光谱矢量代替光谱空间结构，可增强地物类内相似度和类间差异，更好地进行后续提取和聚类操作；其次，采用神经网络可提取出多层次的像素特征和超像素特征，再通过对比学习算法通过其特有的对抗性训练提取的深度像素特征和深度超像素特征，具有很强的表示能力、泛化能力和鲁棒性，同时，对比学习算法采用无监督学习方式，不需要人工标注的标签即可学习到图像的特征表示，这使得对比学习模型可以利用大规模的未标记数据进行对抗训练，从而更好地捕捉数据的分布和深度特征；最后，采用K均值算法同时聚类深度像素特征和深度超像素特征，可以使像素级伪标签结果对超像素级的聚类结果进行监督，使两者聚类结果对齐，以起到纠正作用，得到伪标签结果后采用所述K均值算法聚类，对K均值算法得到的伪标签结果再次进行聚类，实现精细化聚类、提高聚类效果、减少噪声干扰、深入地探索内部的规律和特征，提高聚类结果的可解释性，得到超像素级的高精度的聚类预测结果，即目标区域的地物标签。
可选地，所述采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果，包括：
采用所述K均值算法分别处理所述深度像素特征和所述深度超像素特征，生成像素级伪标签和第一超像素伪标签；
根据所述像素级伪标签在所述第一超像素伪标签的占比，生成第二超像素伪标签；
根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果。
可选地，所述根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果，包括：
将所述第一超像素伪标签和所述第二超像素伪标签输入到纠正公式中，生成纠正结果，所述纠正公式包括：
其中，为所述纠正结果，N为所述第一超像素伪标签或所述第二超像素伪标签的数量，E为交叉熵损失函数，/>为所述第二超像素伪标签，fθ(H)为所述第一超像素伪标签；
根据所述纠正结果重复获取新的第一超像素伪标签和新的第二超像素伪标签，直至所述新的第一超像素伪标签和所述新的第二超像素伪标签相同；
根据所述新的第一超像素伪标签和所述新的第二超像素伪标签，生成所述伪标签结果。
具体地，采用K均值算法分别处理深度像素特征和深度超像素特征，得到对应的像素级伪标签和第一超像素伪标签，再通过像素级伪标签在第一超像素伪标签的占比，生成第二超像素伪标签，将第一超像素伪标签和由像素级伪标签生成的第二超像素伪标签输入到纠正公式中，不断纠正第一超像素伪标签和第二超像素伪标签，直至第一超像素伪标签和第二超像素伪标签相同，此时可说明第一超像素伪标签和第二超像素伪标签的精度已达最高，将第一超像素伪标签和第二超像素伪标签作为伪标签结果输出。
可选地，所述采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征，包括：
根据所述对比学习算法，构建第一初始对比学习模型和第二初始对比学习模型；
根据所述像素特征和所述超像素特征，生成第一样本；
将所述第一样本输入到所述第一初始对比学习模型中进行训练，生成像素对比学习模型；
根据所述像素对比学习模型提取所述像素特征的所述深度像素特征；
采用最近邻算法处理所述超像素特征，生成第二样本；
将所述第二样本输入到所述第二初始对比学习模型中进行训练，生成超像素对比学习模型；
根据所述超像素对比学习模型提取所述超像素特征的所述深度超像素特征。
具体地，第一样本包括第一正样本和第一负样本，将超像素块内的超像素特征视作第一正样本，将不同超像素特征的像素特征视作第一负样本，以增强簇内紧凑性，将第一样本输入到第一初始对比学习模型中进行训练，生成像素对比学习模型，并根据所述像素对比学习模型提取像素特征的深度像素特征，第二样本包括第二正样本和第二负样本，利用最近邻算法为每个超像素特征挑选K个最近特征作为第二正样本，其余超像素特征当做第二负样本，将第二样本输入到第二初始对比学习模型中进行训练，生成超像素对比学习模型，并根据超像素对比学习模型提取超像素特征的深度超像素特征。通过最近邻算法将相邻的k个样本均考虑进来，这将明确吸引相似样本并排斥不相似样本，生成鲁棒的深度超像素特征。
可选地，所述将所述第一样本输入到所述第一初始对比学习模型中进行训练，包括：
将所述第一样本输入到所述第一初始对比学习模型中，根据像素损失公式训练所述第一初始对比学习模型，所述像素损失公式包括：
其中，l(sn)为像素损失值，sn为所述超像素特征，为所述超像素特征sn内一系列像素的集合，Ω为所有的所述超像素特征和所述像素特征，sim为相似度函数，τ为温度系数，Hn为所述超像素特征，ht为在Hn中的像素特征，hi为不在Hn中的像素特征。
具体地，根据像素损失公式不断训练第一初始对比学习模型，使其达到预设精度要求，得到训练好的像素对比学习模型，其中，相似度函数可为余弦相似度。
可选地，所述将所述第二样本输入到所述第二初始对比学习模型中进行训练，包括：
将所述第二样本输入到所述第二初始对比学习模型中，根据超像素损失公式训练所述第二初始对比学习模型，所述超像素损失公式包括：
其中，为超像素损失值，N为所述第二样本中特征的数量，sim为相似度函数，τ为温度系数，Hi为所述超像素特征，Hj为Hi中的K近邻样本，Ht为Hi中除Hj以外的所述超像素特征，/>为各个所述超像素特征的最近K个邻居样本。
具体地，根据超像素损失公式不断训练第二初始对比学习模型，使其达到预设精度要求，得到训练好的超像素对比学习模型，其中，相似度函数可为余弦相似度。
可选地，所述分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征，包括：
采用卷积神经网络提取所述高光谱图像中的所述像素特征；
提取所述像素特征的平均值，根据所述平均值构成所述超像素特征。
具体地，可选用两层卷积神经网络提取所述高光谱图像中的所述像素特征，两层卷积神经网络可以更好地捕捉数据的局部特征，更适合做聚类预测任务的特征提取；根据超像素特征提取公式，提取像素特征的平均值，并根据所述平均值构成超像素特征，超像素特征提取公式包括：
其中，Hn为所述超像素特征，si为所述超像素块中的超像素，hk为所述像素特征，为表示所述超像素si内一系列像素的集合。
如图2所示，本发明实施例提供一种高光谱图像的聚类预测系统，包括：
获取模块，用于获取目标区域的高光谱图像；
分割模块，用于分割所述高光谱图像，生成超像素块；
提取模块，用于分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；
对比学习模块，用于采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；
伪标签模块，用于采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；
地物标签模块，用于采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。
本发明另一实施例提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的高光谱图像的聚类预测方法。
本发明另一实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的高光谱图像的聚类预测方法。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (4)
1.一种高光谱图像的聚类预测方法，其特征在于，包括：
获取目标区域的高光谱图像；
分割所述高光谱图像，生成超像素块；
分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；
采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；
采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；
采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签；
所述采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果，包括：
采用所述K均值算法分别处理所述深度像素特征和所述深度超像素特征，生成像素级伪标签和第一超像素伪标签；
根据所述像素级伪标签在所述第一超像素伪标签的占比，生成第二超像素伪标签；
根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果；
所述根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果，包括：
将所述第一超像素伪标签和所述第二超像素伪标签输入到纠正公式中，生成纠正结果，所述纠正公式包括：
其中，为所述纠正结果，N为所述第一超像素伪标签或所述第二超像素伪标签的数量，E为交叉熵损失函数，/>为所述第二超像素伪标签，fθ(H)为所述第一超像素伪标签；
根据所述纠正结果重复获取新的第一超像素伪标签和新的第二超像素伪标签，直至所述新的第一超像素伪标签和所述新的第二超像素伪标签相同；
根据所述新的第一超像素伪标签和所述新的第二超像素伪标签，生成所述伪标签结果；
所述采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征，包括：
根据所述对比学习算法，构建第一初始对比学习模型和第二初始对比学习模型；
根据所述像素特征和所述超像素特征，生成第一样本；
将所述第一样本输入到所述第一初始对比学习模型中进行训练，生成像素对比学习模型；
根据所述像素对比学习模型提取所述像素特征的所述深度像素特征；
采用最近邻算法处理所述超像素特征，生成第二样本；
将所述第二样本输入到所述第二初始对比学习模型中进行训练，生成超像素对比学习模型；
根据所述超像素对比学习模型提取所述超像素特征的所述深度超像素特征；
所述将所述第一样本输入到所述第一初始对比学习模型中进行训练，包括：
将所述第一样本输入到所述第一初始对比学习模型中，根据像素损失公式训练所述第一初始对比学习模型，所述像素损失公式包括：
其中，l(sn)为像素损失值，sn为所述超像素特征，为所述超像素特征sn内一系列像素的集合，Ω为所有的所述超像素特征和所述像素特征，sim为相似度函数，τ为温度系数，Hn为所述超像素特征，ht为在Hn中的像素特征，hi为不在Hn中的像素特征；
所述将所述第二样本输入到所述第二初始对比学习模型中进行训练，包括：
将所述第二样本输入到所述第二初始对比学习模型中，根据超像素损失公式训练所述第二初始对比学习模型，所述超像素损失公式包括：
其中，为超像素损失值，N为所述第二样本中特征的数量，sim为相似度函数，τ为温度系数，Hi为所述超像素特征，Hj为Hi中的K近邻样本，Ht为Hi中除Hj以外的所述超像素特征，为各个所述超像素特征的最近K个邻居样本；
所述分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征，包括：
采用卷积神经网络提取所述高光谱图像中的所述像素特征；
提取所述像素特征的平均值，根据所述平均值构成所述超像素特征。
2.一种高光谱图像的聚类预测系统，其特征在于，包括：
获取模块，用于获取目标区域的高光谱图像；
分割模块，用于分割所述高光谱图像，生成超像素块；
提取模块，用于分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；
对比学习模块，用于采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；
伪标签模块，用于采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；
地物标签模块，用于采用所述K均值算法聚类所述伪标签结果，生成所述目标区域的地物标签；
所述采用K均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果，包括：
采用所述K均值算法分别处理所述深度像素特征和所述深度超像素特征，生成像素级伪标签和第一超像素伪标签；
根据所述像素级伪标签在所述第一超像素伪标签的占比，生成第二超像素伪标签；
根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果；
所述根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果，包括：
将所述第一超像素伪标签和所述第二超像素伪标签输入到纠正公式中，生成纠正结果，所述纠正公式包括：
其中，为所述纠正结果，N为所述第一超像素伪标签或所述第二超像素伪标签的数量，E为交叉熵损失函数，/>为所述第二超像素伪标签，fθ(H)为所述第一超像素伪标签；
根据所述纠正结果重复获取新的第一超像素伪标签和新的第二超像素伪标签，直至所述新的第一超像素伪标签和所述新的第二超像素伪标签相同；
根据所述新的第一超像素伪标签和所述新的第二超像素伪标签，生成所述伪标签结果；
所述采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征，包括：
根据所述对比学习算法，构建第一初始对比学习模型和第二初始对比学习模型；
根据所述像素特征和所述超像素特征，生成第一样本；
将所述第一样本输入到所述第一初始对比学习模型中进行训练，生成像素对比学习模型；
根据所述像素对比学习模型提取所述像素特征的所述深度像素特征；
采用最近邻算法处理所述超像素特征，生成第二样本；
将所述第二样本输入到所述第二初始对比学习模型中进行训练，生成超像素对比学习模型；
根据所述超像素对比学习模型提取所述超像素特征的所述深度超像素特征；
所述将所述第一样本输入到所述第一初始对比学习模型中进行训练，包括：
将所述第一样本输入到所述第一初始对比学习模型中，根据像素损失公式训练所述第一初始对比学习模型，所述像素损失公式包括：
其中，l(sn)为像素损失值，sn为所述超像素特征，为所述超像素特征sn内一系列像素的集合，Ω为所有的所述超像素特征和所述像素特征，sim为相似度函数，τ为温度系数，Hn为所述超像素特征，ht为在Hn中的像素特征，hi为不在Hn中的像素特征；
所述将所述第二样本输入到所述第二初始对比学习模型中进行训练，包括：
将所述第二样本输入到所述第二初始对比学习模型中，根据超像素损失公式训练所述第二初始对比学习模型，所述超像素损失公式包括：
其中，为超像素损失值，N为所述第二样本中特征的数量，sim为相似度函数，τ为温度系数，Hi为所述超像素特征，Hj为Hi中的K近邻样本，Ht为Hi中除Hj以外的所述超像素特征，为各个所述超像素特征的最近K个邻居样本；
所述分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征，包括：
采用卷积神经网络提取所述高光谱图像中的所述像素特征；
提取所述像素特征的平均值，根据所述平均值构成所述超像素特征。
3.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1所述的高光谱图像的聚类预测方法。
4.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如权利要求1所述的高光谱图像的聚类预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535635.7A CN117746079B (zh) | 2023-11-15 | 2023-11-15 | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535635.7A CN117746079B (zh) | 2023-11-15 | 2023-11-15 | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117746079A CN117746079A (zh) | 2024-03-22 |
| CN117746079B true CN117746079B (zh) | 2024-05-14 |
Family
ID=90282187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311535635.7A Active CN117746079B (zh) | 2023-11-15 | 2023-11-15 | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746079B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309868A (zh) * | 2019-06-24 | 2019-10-08 | 西北工业大学 | 结合无监督学习的高光谱图像分类方法 |
| CN110837850A (zh) * | 2019-10-23 | 2020-02-25 | 浙江大学 | 一种基于对抗学习损失函数的无监督域适应方法 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN113902013A (zh) * | 2021-10-09 | 2022-01-07 | 黑龙江雨谷科技有限公司 | 一种基于三维卷积神经网络与超像素分割的高光谱分类方法 |
| CN114821293A (zh) * | 2022-03-08 | 2022-07-29 | 北京邮电大学 | 一种基于超像素的原型光谱集生成方法 |
| CN114821237A (zh) * | 2022-05-06 | 2022-07-29 | 山东大学 | 一种基于多级对比学习的无监督船舶再识别方法及系统 |
| CN115082676A (zh) * | 2022-06-15 | 2022-09-20 | 上海商汤智能科技有限公司 | 一种伪标签模型的训练方法、装置、设备及存储介质 |
| CN115410059A (zh) * | 2022-11-01 | 2022-11-29 | 山东锋士信息技术有限公司 | 基于对比损失的遥感图像部分监督变化检测方法及设备 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230050573A1 (en) * | 2021-08-13 | 2023-02-16 | Samsung Electronics Co., Ltd. | System and method for unsupervised learning of segmentation tasks |
-
2023
- 2023-11-15 CN CN202311535635.7A patent/CN117746079B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309868A (zh) * | 2019-06-24 | 2019-10-08 | 西北工业大学 | 结合无监督学习的高光谱图像分类方法 |
| CN110837850A (zh) * | 2019-10-23 | 2020-02-25 | 浙江大学 | 一种基于对抗学习损失函数的无监督域适应方法 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN113902013A (zh) * | 2021-10-09 | 2022-01-07 | 黑龙江雨谷科技有限公司 | 一种基于三维卷积神经网络与超像素分割的高光谱分类方法 |
| CN114821293A (zh) * | 2022-03-08 | 2022-07-29 | 北京邮电大学 | 一种基于超像素的原型光谱集生成方法 |
| CN114821237A (zh) * | 2022-05-06 | 2022-07-29 | 山东大学 | 一种基于多级对比学习的无监督船舶再识别方法及系统 |
| CN115082676A (zh) * | 2022-06-15 | 2022-09-20 | 上海商汤智能科技有限公司 | 一种伪标签模型的训练方法、装置、设备及存储介质 |
| CN115410059A (zh) * | 2022-11-01 | 2022-11-29 | 山东锋士信息技术有限公司 | 基于对比损失的遥感图像部分监督变化检测方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 贾森 ; 吴奎霖 ; 朱家松 ; 李清泉 ; .面向高光谱图像分类的超像素级Gabor特征融合方法研究.南京信息工程大学学报(自然科学版).2018,(01),全文. * |
| 面向高光谱图像分类的超像素级Gabor特征融合方法研究;贾森;吴奎霖;朱家松;李清泉;;南京信息工程大学学报(自然科学版);20180128(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117746079A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Theis et al. | Faster gaze prediction with dense networks and fisher pruning | |
| CN109840521B (zh) | 一种基于深度学习的一体化车牌识别方法 | |
| CN112966691B (zh) | 基于语义分割的多尺度文本检测方法、装置及电子设备 | |
| CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
| CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
| CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN111768432A (zh) | 基于孪生深度神经网络的动目标分割方法及系统 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
| CN107688829A (zh) | 一种基于支持向量机的识别系统及识别方法 | |
| Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
| CN108932518B (zh) | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 | |
| CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
| CN115410088B (zh) | 一种基于虚拟分类器的高光谱图像领域自适应方法 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| CN108596240B (zh) | 一种基于判别特征网络的图像语义分割方法 | |
| CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
| CN112862849A (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
| Ma et al. | Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images | |
| CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
| Hu et al. | Vehicle color recognition based on smooth modulation neural network with multi-scale feature fusion | |
| CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
| Singh et al. | Performance analysis of ELA-CNN model for image forgery detection |
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 |