一种快速高光谱图像聚类方法、装置、设备及介质制造方法及图纸

本申请公开了一种快速高光谱图像聚类方法、装置、设备及介质，方法包括：获取原始的高光谱图像；从高光谱图像的数据点中选出多个锚点构成第一锚点图，依次构造多个锚点图；将构造的锚点图构建分层锚点图；由高斯核函数计算分层锚点图中的层间邻接矩阵；将高光谱图像的数据点与分层锚点图的最后一层构造成二部图，并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；由拉普拉斯矩阵构建高光谱聚类的目标函数；对目标函数进行求解，采用k‑means聚类方法计算求解结果，完成对高光谱图像的聚类。本申请解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。

【技术实现步骤摘要】
一种快速高光谱图像聚类方法、装置、设备及介质
本申请涉及图像聚类
，尤其涉及一种快速高光谱图像聚类方法、装置、设备及介质。
技术介绍
高光谱图像可以看成是具有两个空间维度和一个光谱维度的三维数据立方体，通常高光谱图像具有波段多，波段宽度窄，光谱分辨率高的特点，但也存在着特征维度高的难点。近年来，由于高光谱数据的特性以及所包含的丰富信息，对于高光谱图像的分析与处理已经成为遥感影像研究领域的热点之一，而高光谱图像分类对地质勘探、农作物检测、国防军事等领域起着实质性的重要作用，值得更加深入的研究。谱聚类算法是一种基于图的聚类算法,能够对任意形状的数据进行最优划分。它是目前最流行的聚类方法之一，对处理高维、稀疏的高光谱图像数据具有很明显的优势，故而得到了广泛的关注。现有的谱聚类通常采用四步法：首先通过高斯核函数计算数据邻接矩阵；然后通过邻接矩阵获得相似度矩阵和拉普拉斯矩阵；接着对拉普拉斯矩阵进行特征值分解获得数据的指示矩阵；最后，通过k-means获得数据的类别信息。一开始，大多的研究是简单地基于原始图像数据进行谱聚类，但其计算复杂度相当大。后来，也有一些研究提出了基于单层锚点图的谱聚类算法应用于高光谱图像，即从原始图像数据选取具有代表性的数据点来进行计算，从而降低计算复杂度。然而，现有的高光谱聚类方法消耗的时间长，无法满足大规模高光谱图像应用的要求。基于单层锚点的谱聚类方法在一定程度上能够减少计算的成本，但在处理大规模的高光谱图像数据时，为了便于建立有效的邻接关系，锚点需要足够密集，否则无法获得合理的精度，从而使分类性能下降。然而增加锚点的数量，又会导致计算成本急增，甚至使问题变得非常棘手。
技术实现思路
本申请提供了一种快速高光谱图像聚类方法、装置、设备及介质，解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。有鉴于此，本申请第一方面提供了一种快速高光谱图像聚类方法，所述方法包括：获取原始的高光谱图像；从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图；将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序；由高斯核函数计算所述分层锚点图中的层间邻接矩阵；将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图，并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；由所述拉普拉斯矩阵构建高光谱聚类的目标函数；对所述目标函数进行求解，采用k-means聚类方法计算求解结果，完成对高光谱图像的聚类。可选的，所述从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图，具体为：采用随机生成算法从所述高光谱图像的数据点中选出多个锚点，构成所述第一锚点图；采用随机生成算法从所述第一锚点图中选出锚点，构成所述第二锚点图，采用随机生成算法依次从上一锚点图中选出锚点，直到构造出多个锚点图。可选的，所述由高斯核函数计算所述分层锚点图中的层间邻接矩阵，具体为：所述分层锚点图中的层间邻接矩阵为：其中，a∈(0,h)，Za-1,a表示Ha-1层与Ha层之间的邻接矩阵；zij表示矩阵Za-1,a的第i行、j列元素，表示第a-1锚点图Ha-1中的第i个锚点与第a锚点图Ha中的第j个锚点的相邻关系，即zij可定义为：其中，代表数据点xi距离最近的k个锚点的索引，K()表示一种高斯核函数，高斯核函数如下表示；式中，xi与uj之间的欧氏距离的平方定义为U＝[u1,u2,...um]T∈Rm×d表示由所有锚点图中锚点构成的锚点集，其中，m表示锚点集中锚点的个数，d为每个锚点的特征维度，σ表示热核参数。可选的，所述将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序，具体为：将分层锚点图中的第一层H0与最后一层Hh构造为二部图，则二部图的相似度矩阵可以表示为：对角矩阵表示为：其中Dr∈Rn×n中的对角元素为层间邻接矩阵Z中对应的每一行的和构成的对角矩阵，即中的对角元素为层间邻接矩阵Z中每一列的和构成的对角矩阵，即拉普拉斯矩阵可写为：可选的，所述由所述拉普拉斯矩阵构建高光谱聚类的目标函数，具体为：所述高光谱聚类的目标函数为：式中，第一层H0到最后一层Hh的类指示矩阵，其密度-稀疏关系为：FX＝Z0,1...Zh-1,hFU＝ZHFU其中，FX为原始数据的类指示矩阵，FU为Hh层锚数据集的类指示矩阵，则这两个类指示矩阵可联合写为c为聚类数；可选的，所述对所述目标函数进行求解，具体为：将矩阵Zh-1,h进行归一化处理，则则拉普拉斯矩阵L可以转换成：则将目标函数转换为：其中，则目标函数的最优解转化为是对矩阵B的奇异值分解，那么矩阵B的奇异值分解表示为：B＝U∑VT其中，右奇异值矩阵奇异值矩阵左奇异矩阵对矩阵B进行奇异值分解，得到矩阵F的松弛连续解。本申请第二方面提供一种快速高光谱图像聚类装置，所述装置包括：图像获取单元，用于获取原始的高光谱图像；锚点图构造单元，用于从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图；分层锚点图构造单元，用于将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序；邻接矩阵构造单元，用于由高斯核函数计算所述分层锚点图中的层间邻接矩阵；拉普拉斯矩阵获取单元，用于将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图，并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；目标函数构造单元，用于由所述拉普拉斯矩阵构建高光谱聚类的目标函数；求解单元，用于对所述目标函数进行求解，采用k-means聚类方法计算求解结果，完成对高光谱图像的聚类。可选的，锚点图构造单元具体用于采用随机生成算法从所述高光谱图像的数据点中选出多个锚点，构成所述第一锚点图；采用随机生成算法从所述第一锚点图中选出锚点，构成所述第二锚点图，采用随机生成算法依次从上一锚点图中选出锚点，直到构造出多个锚点图。本申请第三方面提供一种快速高光谱图像聚类设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的快速高光谱图像聚类方法的步骤。本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的方法。...

【技术保护点】
1.一种快速高光谱图像聚类方法，其特征在于，包括：/n获取原始的高光谱图像；/n从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图；/n将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序；/n由高斯核函数计算所述分层锚点图中的层间邻接矩阵；/n将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图，并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；/n由所述拉普拉斯矩阵构建高光谱聚类的目标函数；/n对所述目标函数进行求解，采用k-means聚类方法计算求解结果，完成对高光谱图像的聚类。/n

【技术特征摘要】
1.一种快速高光谱图像聚类方法，其特征在于，包括：
获取原始的高光谱图像；
从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图；
将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序；
由高斯核函数计算所述分层锚点图中的层间邻接矩阵；
将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图，并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；
由所述拉普拉斯矩阵构建高光谱聚类的目标函数；
对所述目标函数进行求解，采用k-means聚类方法计算求解结果，完成对高光谱图像的聚类。


2.根据权利要求1所述的快速高光谱图像聚类方法，其特征在于，所述从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图，具体为：
采用随机生成算法从所述高光谱图像的数据点中选出多个锚点，构成所述第一锚点图；采用随机生成算法从所述第一锚点图中选出锚点，构成所述第二锚点图，采用随机生成算法依次从上一锚点图中选出锚点，直到构造出多个锚点图。


3.根据权利要求1所述的快速高光谱图像聚类方法，其特征在于，所述由高斯核函数计算所述分层锚点图中的层间邻接矩阵，具体为：
所述分层锚点图中的层间邻接矩阵为：



其中，a∈(0,h)，Za-1,a表示Ha-1层与Ha层之间的邻接矩阵；
zij表示矩阵Za-1,a的第i行、j列元素，表示第a-1锚点图Ha-1中的第i个锚点与第a锚点图Ha中的第j个锚点的相邻关系，即zij可定义为：



其中，代表数据点xi距离最近的k个锚点的索引，K()表示一种高斯核函数，高斯核函数如下表示；



式中，xi与uj之间的欧氏距离的平方定义为U＝[u1,u2,...um]T∈Rm×d表示由所有锚点图中锚点构成的锚点集，其中，m表示锚点集中锚点的个数，d为每个锚点的特征维度，σ表示热核参数。


4.根据权利要求3所述的快速高光谱图像聚类方法，其特征在于，所述将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序，具体为：
将所述高光谱图像的数据点H0与最后一层Hh构造为二部图，则二部图的相似度矩阵可以表示为：



对角矩阵表示为：



其中Dr∈Rn×n中的对角元素为层间邻接矩阵Z中对应的每一行的和构成的对角矩阵，即中的对角元素为层间邻接矩阵Z中每一列的和构成的对角矩阵，即
拉普拉斯矩阵可写为：





5.根据权利要求4所述的快...

【专利技术属性】
技术研发人员：杨晓君，黄晓蓓，郭春炳，许裕雄，钟浩宇，杜晓颜，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44