[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

本發明公開了一種局部相似性保持的高光譜圖像極限學習機聚類方法，其步驟為：組織高光譜像元矩陣；計算隱層神經元的線性隨機響應；計算隱層神經元的非線性激活值；隱層特征數據三維重組；空間引導濾波；濾波后的隱層特征數據二維重組；構造局部相似性保持正則項及優化模型；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。本發明在傳統極限學習機的基礎上，通過引導濾波綜合局部鄰域的高光譜圖像空間信息，并充分利用高光譜的光譜局部相似性，通過模型優化計算具有局部保持性的投影，提取空譜聯合信息，提高了聚類精度，降低了計算復雜度，可廣泛應用于國土資源、礦產調查和精準農業領域的高光譜無監督分類。

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種局部相似性保持的高光譜圖像極限學習機聚類方法。

背景技術

高光譜圖像由于其光譜相關性及豐富的空間信息而被廣泛應用于軍事監測、精細農業和礦物監測等領域，其中，高光譜圖像聚類是最重要的研究內容之一。高光譜圖像聚類的基本原理是在圖像聚類的基礎上，結合高光譜圖像的光譜特性對目標圖像進行無監督分類。其理論依據是相同的像元間具有相同或相似的光譜特征，反之，不同的像元對應的光譜特征不同。

目前，已經有許多針對高光譜圖像的聚類算法被提出，其中最為有效的包括K均值聚類、譜聚類、拉普拉斯特征映射、稀疏子空間聚類和低秩子空間聚類，但由于高光譜圖像波段數多及光譜分辨率高等特性給上述聚類算法帶來計算復雜度的難題。極限學習機憑借隨機分配輸入權重和求解最小二乘，即可有效獲得網絡輸出權重的解析解的快速學習過程被廣泛應用到了遙感圖像識別中。2014年，Huang等人在流形正則化的基礎上提出半監督和無監督的極限學習機方法[Huang G,Song S,Gupta J N,et al.Semi-supervised andunsupervised extreme learning machines[J].IEEE Transactions on Cybernetics,2014,44(12):2405]，取得了良好的聚類效果。然而，上述方法僅僅利用了高光譜的逐像素的光譜信息，沒有有效聯合空間-光譜信息，聚類精度較低，而且當數據存在噪聲時算法性能下降。

發明內容

本發明的目的在于針對地物覆蓋分析、精準農業和礦物調查等領域的高光譜無監督分類問題，提出一種無需人工標記分類樣本、對噪聲魯棒的局部相似性保持的高光譜圖像極限學習機聚類方法。

實現本發明目的的技術解決方案為：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；

步驟2，計算隱層神經元的線性隨機響應；

步驟3，計算隱層神經元的非線性激活值；

步驟4，隱層特征數據三維重組；

步驟5，空間引導濾波；

步驟6，濾波后的隱層特征數據二維重組；

步驟7，構造局部相似性保持正則項及優化模型；

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。

進一步的，步驟1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。