一种高光谱图像聚类方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种高光谱图像聚类方法、装置、设备及存储介质，方法包括：获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；由锚点集以及高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由邻接矩阵通过预置第二函数求解相似度矩阵；由相似度矩阵构造拉普拉斯矩阵，由拉普拉斯矩阵构造高光谱聚类的目标函数；求解目标函数，得到聚类结果。本申请解决了现有的技术问题计算复杂度太高，聚类结果并不理想的技术问题。

【技术实现步骤摘要】
一种高光谱图像聚类方法、装置、设备及存储介质
本申请涉及图像聚类
，尤其涉及一种高光谱图像聚类方法、装置、设备及存储介质。
技术介绍
高光谱图像(HyperspectralImage，HSI)拥有大量的空间几何与光谱信息，成为遥感数据分析领域重要的资源，被广泛应用于精确农业、环境监测以及军事等领域。谱聚类是一种非常流行的聚类算法，且极少应用于HIS聚类中，因此在HIS聚类具有很大的潜力。它不需要对簇的类型有很强的假设，可以聚类任何形状的数据。传统的谱聚类(SpectralClustering，SC)方法采用有核的谱聚类方法，有核谱聚类的四个步骤：首先通过高斯核函数计算数据矩阵；然后通过数据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。其中，利用高斯核函数构造相似度矩阵这个过程耗时比较久，而且高斯核函数总是会带来额外的参数，例如热核参数，需要进行许多实验来选择合适的热核参数，导致高成本，增加计算复杂度，影响聚类的结果。现有的有核谱聚类方法计算本文档来自技高网...

【技术保护点】
1.一种高光谱图像聚类方法，其特征在于，包括：/n获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；/n由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；/n所述预置第一公式为：/n

【技术特征摘要】
1.一种高光谱图像聚类方法，其特征在于，包括：
获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集；
由所述锚点集以及所述高光谱图像数据矩阵通过预置第一公式构造邻接矩阵，由所述邻接矩阵通过预置第二函数求解相似度矩阵；
所述预置第一公式为：



式中的参数γ设为eij是xi和uj之间的欧氏距离表示zij表示所述邻接矩阵第i行第j列的元素；xi表示所述高光谱图像数据矩阵中的第i个元素，n表示高光谱图像总的样本数；uj表示所述锚点集中的第j个锚点，m表示总的锚点数；
所述预置第二公式为：



vi表示为相似度矩阵A中第i个元素ai和邻接矩阵Z中的第i个元素zi之间的相邻关系；λ表示足够大的数。
由所述相似度矩阵构造拉普拉斯矩阵，由所述拉普拉斯矩阵构造高光谱聚类的目标函数；
求解所述目标函数，得到聚类结果。


2.根据权利要求1所述的高光谱图像聚类方法，其特征在于，所述获取高光谱图像数据矩阵，采用二叉树锚点算法生成锚点集，具体为：



其中，X为高光谱图像数据矩阵；C为聚类中心矩阵，C∈Rn×2；G为高光谱图像的指示矩阵，G∈Rn×2；k和l分别是两个簇中的图像样本数，则总的高光谱图像样本数为n。


3.根据权利要求2所述的高光谱图像聚类方法，其特征在于，所述由所述相似度矩阵构造拉普拉斯矩阵，具体为：
L＝D-A
其中，D表示对角矩阵，D中的第i个元素为


4.根据权利要求3所述的高光谱图像聚类方法，其特征在于，所述由所述拉普拉斯矩阵构造高光谱聚类的目标函数，具体为：



其中，F∈Rn×c为所有高光谱图像数据的类指引矩阵；c为聚类数，上式中F的最优解为拉普拉斯矩阵L的c个最小特征值的特征向量。


5.根据权利要求4所述的高光谱图像聚类方法，其特征在于，所述求解所述目标函数，得到聚类结果，具体为：
当相似度矩阵A为自动归一化矩阵时，对角矩阵D＝I，则拉普拉斯矩阵L＝I-A，矩阵B为那么矩阵B的奇异值分解为：
B＝U∑VT
其中，Δ表示对角矩阵，其第i项可以表示为右奇异值矩阵V∈Rm×m，奇异值矩阵∑∈Rn×m，左奇异矩阵U∈Rn×n；对矩阵B进行奇异值分解，得到矩阵F的松弛连续解，采用k-means聚类方法计算类指引矩阵F的离散解，得到聚类结果。


6.一种高...

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