[發明專利]一種面向高光譜圖像的深度空譜子空間聚類方法

有效

• 申請號: 202011026917.0
• 申請日: 2020-09-25
• 公開（公告）號: CN112215267B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 彭勃;姚宇軒;雷建軍;李鑫宇;秦天一;石雅南
• 申請（專利權）人: 天津大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/772;G06V10/774
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

本發明公開了一種面向高光譜圖像的深度空譜子空間聚類方法，包括：構建多尺度編碼器網絡以提取不同尺度像素塊的多尺度空譜特征，編碼器網絡利用M層2D卷積操作提取不同尺度像素塊的空譜特征表示；基于多尺度空譜特征表示構建協同約束的多尺度自表達層，各自表達層以各像素塊的空譜特征表示為字典，通過像素塊空譜特征表示間的相互表達重建各像素塊特征；引入多尺度解碼器網絡，所述多尺度解碼器網絡利用M層2D反卷積操作重建出輸入的像素塊；構建由單一尺度自表達損失函數、不同尺度間自表達相似性損失函數、重建損失函數組成的總體損失函數；基于總體損失函數訓練模型，以獲得各自表達層參數矩陣，進而獲取到最終的自表達重建系數矩陣以此計算相似度矩陣，獲取最終聚類結果。

技術領域

本發明涉及高光譜圖像領域，尤其涉及一種面向高光譜圖像的深度空譜子空間聚類方法。

背景技術

高光譜圖像通常由覆蓋一定波譜范圍的成像光譜儀采集獲得，其在表征地表物體空間位置的同時提供了豐富的光譜信息，目前已廣泛應用于農業、地質、生態、海洋、大氣、資源等諸多領域。作為高光譜圖像應用中的一項基礎任務，高光譜圖像像素的識別分類受到了研究人員的廣泛關注。取得了較好的分類性能，但該類依賴于有監督學習的分類方法通常需要大量有標記的數據以監督網絡模型的學習。實際應用中，獲得帶標記的高光譜圖像數據仍需要大量人工參與，且需要耗費大量時間。因此，以無監督的方式對高光譜圖像進行聚類以實現類別劃分具有重要研究意義。無監督高光譜圖像聚類旨在沒有任何標記樣本的情況下，根據像素之間的內在相似性對各像素進行歸類劃分。然而，由于高光譜圖像具有復雜的空譜結構、較高的數據維度、以及較大的光譜形狀畸變等特性，無監督高光譜圖像聚類仍是一項具有挑戰性的任務。

傳統的高光譜圖像聚類方法包括基于光譜信息和基于空間-光譜信息的兩類方法。基于光譜信息的方法通常僅利用高光譜圖像像素的光譜信息以獲得聚類結果，該類方法沒有充分利用像素的空間信息。基于空間-光譜信息的聚類方法綜合利用高光譜圖像像素的空間信息和光譜信息，從而得到更具區分性的特征表示。此外，稀疏子空間聚類算法作為一種有效的高維數據處理方法，已被廣泛應用于高光譜圖像聚類任務。例如，Zhang等人提出了一種空間-光譜稀疏子空間聚類算法，該算法通過計算局部鄰域的光譜相似性來挖掘空間信息。然而，該類子空間聚類方法使用淺層和線性嵌入函數以構建高光譜圖像像素點間的稀疏子空間結構，因此難以捕獲復雜高維數據的非線性特性。

近年來，基于深度學習的聚類方法在處理非線性特征表示方面獲得了較好性能，目前已廣泛應用于自然圖像聚類任務。受到深度聚類方法啟發，Zeng等人提出了一種拉普拉斯正則化的深度子空間聚類方法，該方法利用深度網絡提取空譜特征，在網絡訓練結束后利用譜聚類算法得到聚類結果。然而，該方法忽略了高光譜圖像像素豐富的多尺度空間信息。有效地挖掘不同像素的多尺度空間特征將有助于表征地表物體的空間結構信息，從而提高聚類性能。

發明內容

綜合考慮高光譜圖像的復雜空譜結構、以及光譜形狀畸變的非線性特性，本發明提出了一種面向高光譜圖像的深度空譜子空間聚類方法，其利用深度卷積網絡提取多尺度像素塊的非線性特征表示，并設計協同約束的多尺度自表達層以挖掘多尺度特征的自表達子空間結構特性，從而獲得較好的聚類性能，詳見下文描述：

一種面向高光譜圖像的深度空譜子空間聚類方法，所述方法包括：

構建多尺度編碼器網絡以提取不同尺度像素塊的多尺度空譜特征，編碼器網絡利用M層2D卷積操作提取不同尺度像素塊的空譜特征表示；

基于多尺度空譜特征表示構建協同約束的多尺度自表達層，各自表達層以各像素塊的空譜特征表示為字典，通過像素塊空譜特征表示間的相互表達重建各像素塊特征；

引入多尺度解碼器網絡，所述多尺度解碼器網絡利用M層2D反卷積操作重建出輸入的像素塊；

構建由單一尺度自表達損失函數、不同尺度間自表達相似性損失函數、重建損失函數組成的總體損失函數；