[發明專利]基于壓縮譜聚類集成的高光譜圖像分類方法

有效

• 申請號: 201410077182.2
• 申請日: 2014-03-04
• 公開（公告）號: CN103996047B
• 公開（公告）日: 2017-06-30
• 發明（設計）人: 張向榮;焦李成;于建深;侯彪;白靜;馬文萍;馬晶晶;劉若辰
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安智萃知識產權代理有限公司61221
• 代理人: 張超

1.一種基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，包括如下過程：

(1)獲取高光譜圖像的圖像特征集合：提取輸入的高光譜圖像的光譜特征，并將高光譜圖像中的每個像素點用一個特征向量表示，得到高光譜圖像的圖像特征集合；

(2)獲取降維后的圖像特征集合子空間：用壓縮感知的方法對圖像特征集合進行隨機投影，得到多個降維后的圖像特征集合子空間；

(3)獲取多個高光譜圖像分割結果：在多個圖像特征集合子空間上，分別使用譜聚類對高光譜圖像的各個像素點進行聚類，得到多個高光譜圖像分割結果；

(4)獲取最終的高光譜圖像分割結果：運用一種基于圖的聚類集成方法：COMUSA，將多個高光譜圖像分割結果融合，得到最終的高光譜圖像分割結果；

(5)獲取高光譜圖像分類結果：在原始的圖像特征集合上，用支持向量機SVM對高光譜圖像的各個像素點進行監督分類，得到高光譜圖像分類結果；

(6)獲取高光譜圖像的準確分類：根據多數投票策略，將步驟(4)得到的高光譜圖像分割結果與步驟(5)得到的高光譜圖像分類結果相結合，最后實現對高光譜圖像的準確分類；

步驟(2)按照如下過程進行：

令x₁,x₂,...,x_n分別表示高光譜圖像的各個像素點的特征向量，其中n為高光譜圖像的像素點總數，則高光譜圖像的圖像特征集合為X＝{x₁,x₂,...,x_n}∈R^d,d為特征向量的維數；

設Φ為一個服從高斯分布N(0,1)的隨機矩陣，大小為m×d(m＜＜d),我們用隨機矩陣Φ對圖像特征集合X進行隨機投影，則降維后的圖像特征集合子空間可表示為：

Y＝ΦX＝{y₁y₂,...,y_n}∈R^m(m＜＜d)；

其中，y₁,y₂,...,y_n分別表示降維后的圖像特征集合子空間的各個像素點的特征向量，m為降維后的特征向量的維數；

由于Φ為隨機矩陣，所以得到多個不同的圖像特征集合子空間；

步驟(3)按照如下過程進行：

(3a)設Y＝{y₁y₂,...,y_n}∈R^m為降維后的圖像特征集合子空間，構造相似度矩陣W∈R^n×n，其中,

$W_{ij}=\left\{\begin{array}{cc}\exp (-||y_i-y_j|{|}^2/2{\mathrm{\σ}}^2)& fori\≠j\\ 0& fori=j\end{array}\right.$

上式中，W_ij表示圖像特征集合子空間中的兩個像素點y_i與y_j之間的相似度，σ為尺度參數；

(3b)計算相似度矩陣W的拉普拉斯矩陣：L＝D^-1/2WD^-1/2，式中D為一對角矩陣，

(3c)計算L的前k個最大的特征值所對應的特征向量s₁,s₂,...,s_k，構造矩陣S＝[s₁,s₂,...,s_k]∈R^n×k，其中k為圖像的類別數，n×k為矩陣S的大小；

(3d)對S中的每一行進行歸一化，計算公式為構造矩陣Z∈R^n×k，n×k為矩陣Z的大小；

(3e)將Z中的每一行z_i∈R^k作為一個樣本點，使用k-means算法對所有n個樣本點進行聚類；由于Z中的每一行與高光譜圖像的各個像素點是一一對應的，這樣就實現了對高光譜圖像的分割；

步驟(4)按照如下過程進行：

(4a)構造互聯合矩陣SM，其中SM_ij＝votes_ij,這里votes_ij表示像素點x_i和x_j被聚為同一類的次數；

(4b)由互聯合矩陣SM，得到某一像素點x_i的自由度df(x_i)以及權重和sw(x_i)，計算公式分別為：

$df\left(x_i\right)=\underset{j=1,j\≠i}{\overset{n}{\Σ}}\mathrm{\δ}\left({\mathrm{SM}}_{ij}\right)$

$sw\left(x_i\right)=\underset{j=1,j\≠i}{\overset{n}{\Σ}}{\mathrm{SM}}_{ij}$

這里，如果SM_ij≠0，則δ(SM_ij)＝1；否則，δ(SM_ij)＝0,n表示像素點的總數；

(4c)由像素點x_i的自由度和權重和，得到

(4d)如果某一個像素點x_i具有最高的attachment值，那么選擇它作為初始的聚類中心，并開始一個新的聚類；

(4e)令j＝1,2,...,n(j≠i,n表示像素點總數)，對于像素點x_j，如果SM_ij+γSM_ij≥SM_jk,那么x_j將加入以x_i為中心的聚類中；其中，γ表示松弛度，它可以調節聚類的大小；

(4f)如果高光譜圖像中仍有未標記的像素點，則在剩下的未標記像素點中選擇具有最高attachment值的點作為新的聚類中心，重復步驟(4d)～(4e)，直到高光譜圖像中所有像素點被標記；

步驟(6)按照如下過程進行：

(6a)由步驟(4)得到的高光譜圖像分割結果，將高光譜圖像分割為許多連通的均勻的區域；

(6b)由步驟(5)得到的高光譜圖像分類結果，給每個像素點賦予一個類別標簽；

(6c)在高光譜圖像的每個連通的區域里，統計每一類所對應的像素點的個數，找到對應像素點最多的那個類標，則該連通區域的所有像素點都被賦予這個類標，從而實現對高光譜圖像的準確分類；

該方法在給出了Indiana高光譜圖像的分類結果上，總體正確率OA則分別提高9.60％,3.50％和1.12％，在給出了Pavia大學高光譜圖像的分類結果上，總體正確率OA則分別提高9.46％,2.61％和1.62％。