高光谱图像聚类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种高光谱图像聚类方法、装置、电子设备及存储介质。所述方法包括：通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，其中，所述特征提取网络模型包括卷积自编码器CAE和非对称自编码器；根据所述第一特征向量对所述高光谱图像进行聚类，得到对高光谱图像的聚类结果。该方法通过基于CAE和非对称自编码器所构建的特征提取网络模型提取第一特征向量，能够减弱第一特征向量中的空间噪声，有效提高了特征向量提取的准确性；在此基础上，还利用优化后得到的第一特征向量对高光谱图像进行聚类，能够进一步去除掉第一特征向量中的部分空间噪声，从而提高聚类结果的准确性。确性。确性。

【技术实现步骤摘要】
高光谱图像聚类方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种高光谱图像聚类方法、装置、电子设备及存储介质。

技术介绍

[0002]高光谱图像，也可称为高光谱遥感图像，其图像中含有丰富的地物信息，为地物信息精细化分析提供了可能，现已在诸多行业领域有着广泛应用。
[0003]在高光谱图像的图像处理过程中，图像的特征提取和聚类分析是较为重要的步骤。目前，现有方法通常是通过提取高光谱图像的空谱特征来进行聚类，然而空谱特征会对应需要引入空间信息。引入空间信息之后，由于边缘效应，在地物边缘也相应引入了空间噪声，这种空谱特征中所包含的空间噪声会对后续的聚类效果产生较大的影响。
[0004]故，如何有效解决空间噪声对聚类的干扰是当前亟待解决的技术问题。

技术实现思路

[0005]本专利技术实施例提供了一种高光谱图像聚类方法、装置、电子设备及存储介质，以有效抑制特征向量中的空间噪声，提高聚类的准确性。
[0006]第一方面，本专利技术实施例提供了一种高光谱图像聚类方法，包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像聚类方法，其特征在于，通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，其中，所述特征提取网络模型包括卷积自编码器CAE和非对称自编码器；根据所述第一特征向量对所述高光谱图像进行聚类，得到对高光谱图像的聚类结果。2.根据权利要求1所述的方法，其特征在于，在通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量之前，还包括：按照如下方式构建所述特征提取网络模型：基于第一网络参数构建所述CAE，并基于训练集和测试集分别训练和测试所述CAE；基于第二网络参数构建所述非对称自编码器，并基于所述训练集和所述测试集分别训练和测试所述非对称自编码器；将所述非对称自编码器堆叠在所述CAE上，构建所述特征提取网络模型。3.根据权利要求2所述的方法，其特征在于，所述通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，包括：通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取，得到第二特征向量；将所述第二特征向量输入所述非对称自编码器，得到所述第一特征向量。4.根据权利要求3所述的方法，其特征在于，所述CAE包括第一编码器和第一解码器；所述通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取，得到第二特征向量，包括：分别将所述高光谱图像中的每个像元作为中心像元，并确定所述中心像元对应的像元集合；将所述像元集合输入至所述第一编码器，输出得到对应的第一编码信息；将所述第一编码信息输入至所述第一解码器，输出得到对应的第一解码信息；将满足第一映射关系的第一编码信息确定为所述中心像元对应的第二特征向量；其中，所述第一映射关系为所述第一解码信息与所述像元集合之间的映射关系。5.根据权利要求4所述的方法，其特征在于，所述非对称自编码器包括第二编码器和第二解码器；所述将所述第二特征向量输入所述非对称自编码器，得到所述第一特征向量，包括：将所述第二特征向量输入至所述第二编码器，输出得到对应的第二编...

【专利技术属性】
技术研发人员：刘柏森，孔伟力，王岩，
申请(专利权)人：黑龙江工程学院，
类型：发明
国别省市：