【技术实现步骤摘要】
一种基于深度神经网络的极光图像聚类方法
本专利技术属于图像处理
，涉及深度学习算法和图像的聚类方法，具体涉及一种基于深度神经网络的极光图像聚类方法，可用于大规模极光图像的聚类。
技术介绍
极光是出现在地球南北极高纬地区的唯一肉眼可见的高空大气现象。它能直接反映出地球磁场变化和太阳活动之间的联系。因此，对极光图像进行有效分类，研究不同类型极光的发生规律，有助于深入挖掘地球磁层结构和了解太阳对地球的影响方式与程度。早期的极光图像分类工作由科学家们肉眼观察，根据一定的分类机制标准进行手工标记。然而每年仅北极黄河站的极光图像数量就高达数百万级，传统的人工分类方法已无法满足对大量极光数据分析的需求。随着计算机技术的发展，图像处理和机器学习技术开始应用于极光图像分类的研究。2004年等人在文献“MT,DonovanEF.Diurnalauroraloccurrencestatisticsobtainedviamachinevision.Ann.Geophys.,2004,22(4):1103-1113.”中将图像处理技术应...
【技术保护点】
1.一种基于深度神经网络的极光图像聚类方法，其特征在于，包括以下步骤：/n步骤1：使用全部待聚类的极光图像预训练基于VGGNet16的深度卷积自编码器DCAE_VGG；/n步骤2：使用训练好的DCAE_VGG提取每幅极光图像的特征向量；/n步骤3：使用由Siamese、SpectralNet和k均值聚类组成的聚类网络对特征向量进行聚类。/n
【技术特征摘要】
1.一种基于深度神经网络的极光图像聚类方法，其特征在于，包括以下步骤：
步骤1：使用全部待聚类的极光图像预训练基于VGGNet16的深度卷积自编码器DCAE_VGG；
步骤2：使用训练好的DCAE_VGG提取每幅极光图像的特征向量；
步骤3：使用由Siamese、SpectralNet和k均值聚类组成的聚类网络对特征向量进行聚类。
2.根据权利要求1所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤1具体包括：
步骤1.1：将VGGNet16与自编码器相结合搭建深度卷积自编码器DCAE_VGG模型结构；
步骤1.2：将待聚类的极光图像的尺寸调整为64*64并输入DCAE_VGG中，训练DCAE_VGG直至损失函数收敛，其中DCAE_VGG使用随机梯度下降法优化参数值，选用均方误差作为损失函数；
步骤1.3：保存DCAE_VGG的模型结构与模型参数。
3.根据权利要求2所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤1.1中DCAE_VGG模型结构由编码部分、隐藏层和解码部分构成，编码部分中保留VGGNet16的前五组神经网络及对应的池化层，用一个长度为512的全连接层替换原有的三个全连接层和softmax层；隐藏层为一个长度为10的全连接层，用于表征极光图像的低维特征向量；解码部分由一个长度为512的全连接层和四个反卷积层组成。
4.根据权利要求3所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤2具体为：调用保存好的DCAE_VGG的模型结构与模型参数，仅使用DCAE_VGG的编码部分与隐藏层部分的模型结构与参数，将待聚类的n幅极光图像输入DCAE_VGG的编码部分，通过DCAE_VGG的隐藏层获得这些图像的特征向量{x1，x2，...，xn}。
5.根据权利要求4所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤3具体包括：
步骤3.1：通过构建正/负相似对训练集来训练Siamese网络，训练好的Siamese网络在步骤3.2中用于计算SpectralNet中的相似度矩阵W；
步骤3.2：训练SpectralNet，获得输入{x1，x2，...，xn}对应的映射输出{y1，y2，...，yn}，即y＝Fθ(x)，θ为SpectralNet的参数；
步骤3.3：对{y1，y2，...，yn}使用k均值聚类法进行聚类，得到聚类结果...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。