[發(fā)明專利]融合多源數(shù)據(jù)的衛(wèi)星影像無監(jiān)督分類方法和裝置

有效

• 申請?zhí)枺?/td>: 202011492176.5
• 申請日: 2020-12-17
• 公開（公告）號: CN112507937B
• 公開（公告）日: 2023-02-10
• 發(fā)明（設計）人: 馬千里;鄭佳煒
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/80;G06V10/774;G06V10/82;G06N3/08
• 代理公司: 廣州市華學知識產(chǎn)權代理有限公司 44245
• 代理人: 詹麗紅

1.一種融合多源數(shù)據(jù)的衛(wèi)星影像無監(jiān)督分類方法，其特征在于，所述的無監(jiān)督分類方法包括：

步驟S1、獲取多個數(shù)據(jù)源的衛(wèi)星圖像數(shù)據(jù)集，對數(shù)據(jù)進行預處理分離出數(shù)據(jù)的樣本信息以及類別信息；

步驟S2、構建編解碼器模型，為每一種數(shù)據(jù)來源的數(shù)據(jù)設計適合其數(shù)據(jù)類型及數(shù)據(jù)維度的編解碼器；

所述的編解碼模型的編解碼過程如下：

其中，表示第v個數(shù)據(jù)源的第i個樣本，表示第v個編碼器、解碼器，表示第v個編碼器、解碼器的參數(shù)，表示隱藏層、，表示重構出來的第v個數(shù)據(jù)源的第i個樣本；

通過編解碼模型的編解碼操作，來重構出樣本數(shù)據(jù)，此過程中，第v個編解碼模型的重構損失為：

其中，表示第v個編解碼模型的重構損失，表示第v個數(shù)據(jù)源的第i個樣本，表示重構出來的第v個數(shù)據(jù)源的第i個樣本，n表示數(shù)據(jù)集的樣本數(shù)量，表示向量的二范數(shù)；

步驟S3、將多個數(shù)據(jù)源的衛(wèi)星圖像數(shù)據(jù)輸入至編解碼模型中，編解碼模型提取圖像的關鍵特征，將K均值聚類損失引入到每一個編解碼器中，將提取圖像的關鍵特征與聚類目標進行融合，再加入不同數(shù)據(jù)源之間的約束；其中，將K均值聚類損失引入到每一個編解碼器的過程如下：

定義K均值聚類損失為：

其中，表示第v個數(shù)據(jù)源的K均值聚類損失，Tr表示矩陣的跡，H_v表示第v個數(shù)據(jù)源的隱層表示，F(xiàn)_v為第v個數(shù)據(jù)源的偽標簽矩陣，并且F_v為一個標準正交矩陣，I表示單位矩陣；

建立不同數(shù)據(jù)源之間的約束為：

其中，表示第v個數(shù)據(jù)源的一致性損失，F(xiàn)_v表示第v個數(shù)據(jù)源的偽標簽矩陣，Y表示一致性類別矩陣，I表示單位矩陣，表示矩陣的Frobsenius范數(shù)；

步驟S4、把所述的數(shù)據(jù)的樣本信息輸入到深度聚類模型，通過反向傳播算法進行訓練，指導隱層特征的生成；

步驟S5、使用K均值算法對步驟S4中由訓練過程生成的每個數(shù)據(jù)源的隱層特征進行聚類，得到多個聚類結果，最后通過投票的方式，得到最后的類別分配結果。

2.根據(jù)權利要求1所述的融合多源數(shù)據(jù)的衛(wèi)星影像無監(jiān)督分類方法，其特征在于，所述的步驟S4過程如下

根據(jù)重構損失、K均值聚類損失和一致性損失構造總體損失函數(shù)，通過總體損失函數(shù)來確定深度聚類模型的整體訓練目標，其中，總體損失函數(shù)如下：

式中，為第v個編解碼模型的重構損失，表示第v個數(shù)據(jù)源的一致性損失，表示第v個數(shù)據(jù)源的K均值聚類損失，m表示數(shù)據(jù)源的個數(shù)，λ表示K均值聚類損失的權重；

利用BP算法對上述總體損失函數(shù)最小化，以達到最優(yōu)化網(wǎng)絡參數(shù)的目的。

3.根據(jù)權利要求1所述的融合多源數(shù)據(jù)的衛(wèi)星影像無監(jiān)督分類方法，其特征在于，所述的步驟S5過程如下：

定義根據(jù)原始K-means算法的損失函數(shù)，表述式如下：

其中，J^v表示第v個數(shù)據(jù)源的原始K-means損失，Cⁱ表示第i個樣本所屬的類簇，n,分別代表樣本總數(shù)和與最近的聚類中心,表示向量的二范數(shù)；

以最小化該K-means算法的損失函數(shù)為目標，得到聚類類別，最后通過不同數(shù)據(jù)源投票的方式，得到最終的類別結果。

4.一種基于權利要求1至3任一所述的融合多源數(shù)據(jù)的衛(wèi)星影像無監(jiān)督分類方法的衛(wèi)星影像無監(jiān)督分類裝置，其特征在于，所述的無監(jiān)督分類裝置包括：

獲取單元，用于獲取多個數(shù)據(jù)源的衛(wèi)星圖像數(shù)據(jù)集，對數(shù)據(jù)進行預處理分離出數(shù)據(jù)的樣本信息以及類別信息；

編碼單元，用于構建編解碼器模型，為每一種數(shù)據(jù)來源的數(shù)據(jù)設計適合其數(shù)據(jù)類型及數(shù)據(jù)維度的編解碼器；

輸入單元，用于將多個數(shù)據(jù)源的衛(wèi)星圖像數(shù)據(jù)輸入至編解碼模型中，編解碼模型提取圖像的關鍵特征，將K均值聚類損失引入到每一個編解碼器中，將提取圖像的關鍵特征與聚類目標進行融合，再加入不同數(shù)據(jù)源之間的約束；

確定單元，用于把所述的數(shù)據(jù)的樣本信息輸入到深度聚類模型，通過反向傳播算法進行訓練，指導隱層特征的生成；

輸出單元，用于使用K均值算法對確定單元中由訓練過程生成的每個數(shù)據(jù)源的隱層特征進行聚類，得到多個聚類結果，最后通過投票的方式，得到最后的類別分配結果。