[發明專利]局部相似性保持的高光譜圖像極限學習機聚類方法

有效

• 申請號: 201711488221.8
• 申請日: 2017-12-30
• 公開（公告）號: CN108197650B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 肖亮;徐金環
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 陳鵬

1.一種局部相似性保持的高光譜圖像極限學習機聚類方法，其特征在于，該方法包括如下步驟：

步驟1，組織高光譜像元矩陣；具體為：

輸入一幅高光譜圖像X₀∈R^D×W×H，其中，D表示高光譜圖像的波段數，W和H分別表示圖像空間維的寬度和高度；

將原始高光譜數據X₀按行逐像素排列形成矩陣X＝[x₁,x₂,…,x_N]∈R^D×N作為模型的輸入，其中，N＝W×H表示高光譜像元的個數，x_i∈R^D表示一個高光譜像元；

步驟2，計算隱層神經元的線性隨機響應；具體為：

步驟2-1，計算第j個隱層神經元對第i個高光譜像元的線性隨機響應：

其中，w_j＝[w_j1,w_j2,...,w_jD]∈R^D是隨機生成的權重向量，b_j＝[b_j1,b_j2,...,b_jD]∈R^D是隨機偏置，D表示高光譜像元的波段數，M表示隱層神經元的個數，1≤i≤N；

步驟2-2，構造線性隨機投影向量，即對于高光譜像元x_i，將M個隱層神經元拼裝，構成對應的線性隨機投影行向量o_i＝[o_i1,o_i2,...,o_iM]；

步驟3，計算隱層神經元的非線性激活值；具體為：

(1)對隱層線性隨機投影行向量進行非線性映射，可得

h_i＝[g(o_i1)…g(o_iM)]^T

其中，h_i∈R^M是對應于x_i的隱層輸出，g(·)是激活函數；

(2)構造整體輸入數據X對應的M×N大小的隱層輸出矩陣：

H＝[h₁,h₂,…,h_N]∈R^M×N

步驟4，隱層特征數據三維重組；具體為：

將二維的隱層輸出矩陣H∈R^M×N按列取矩陣的元素轉化成立方體數據T∈R^M×W×H，其中，W和H分別表示圖像空間維的寬度和高度，M表示隱層輸出特征維度；

記p＝(p₁,p₂)表示空間上的任意點，其中，1≤p₁≤W，1≤p₂≤H；T(p)∈R^M表示立方體數據在位置p的隱層輸出特征向量；

步驟5，空間引導濾波；具體為：

(1)構造與位置p的像元相鄰的像元集合其中鄰域像元

(2)對任意位置p處，計算引導濾波權重，其計算式為：

w_p,q＝w_p,q-1D(q,q-1)R(p,q)

其中，D(q,q-1)表示像元q和像元q-1之間的相似性權重，R(p,q)表示像元p和像元q之前的相似性權重，具體定義如下：

其中，σ_d是D(q,q-1)的高斯核方差，σ_r是R(p,q)的高斯核方差；

(3)對立方體數據進行空間引導濾波，其計算公式為：

其中，Z(p)是歸一化因子，T為原始的數據，為空間引導濾波后的數據；

步驟6，濾波后的隱層特征數據二維重組；具體為：

將空間引導濾波后所得的逐像元重排為二維的特征矩陣其中，將作為新的融合空間信息的隱層輸出矩陣；

步驟7，構造局部相似性保持正則項及優化模型；具體為：

(1)構造光譜相似性連接圖：

結合基于圖的局部相似性保持方法，原始光譜數據根據任意兩個光譜像元的相關性可以建模為包含N個頂點的圖，每條邊對應兩個頂點的相似性權重，其中，權重的定義如下：

其中，s_i,j表示像元x_i和x_j的相似度，σ是帶寬參數，σ≥0，N_n(x_i)表示x_i的n個最相似近鄰的集合，n＝5；

(2)建立光譜相似性保持正則項：

上式等價于：

其中，Tr(·)表示矩陣的跡，L＝D-S是圖拉普拉斯矩陣，D是對角矩陣，d_ii＝∑_js_i,j，A是要求解的局部相似性保持投影矩陣；

(3)建立局部光譜相似性保持的最小代價函數模型：

其中，λ是正則化參數，I_C是C×C的單位矩陣；

(4)模型求解：

利用拉格朗日乘子法，上述模型的解可表述為：

其中，v₁,v₂,...,v_C+1是求解的前C+1個最小特征值γ₁,γ₂,...,γ_C+1對應的特征向量，γ₁≤γ₂≤...≤γ_C+1，是標準化的特征向量，其中，C表示輸出特征的維度，I_M表示M×M的單位矩陣；

步驟8，計算局部相似性保持投影特征，并進行K-means聚類得到最終的聚類標簽。

2.根據權利要求1所述的局部相似性保持的高光譜圖像極限學習機聚類方法，其特征在于，步驟8具體為：計算局部相似性保持投影特征，并進行K-means聚類得到最終的聚類標簽；

最終的輸出特征為將的每一行看作一個像元的局部相似性保持投影特征向量，用K均值的方法將N個像元聚成k類，得到最終類別標簽向量y。