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：
[0007]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(Convolutional Auto
‑
Encode，CAE)和非对称自编码器；
[0008]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。
[0009]第二方面，本专利技术实施例还提供了一种高光谱图像聚类装置，包括：
[0010]提取模块，用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CAE和非对称自编码器；
[0011]聚类模块，用于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。
[0012]第三方面，本专利技术实施例还提供了一种电子设备，包括：
[0013]一个或多个处理器；
[0014]存储装置，用于存储一个或多个程序；
[0015]所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例提供的高光谱图像聚类方法。
[0016]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术实施例提供的高光谱图像聚类方法。
[0017]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，首先
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，特征提取网络模型包括CAE和非对称自编码器；根据第一特征向量对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。
附图说明
[0018]图1为本专利技术实施例一提供的一种高光谱图像聚类方法的流程示意图；
[0019]图2为本专利技术实施例二提供的一种高光谱图像聚类方法的流程示意图；
[0020]图3为本专利技术实施例二提供的一种特征提取网络模型的示意图；
[0021]图4为本专利技术实施例二提供的一种对高光谱图像进行聚类的实现示意图；
[0022]图5为本专利技术实施例二提供的一种各类高光谱图像的示意图；
[0023]图6为本专利技术实施例二提供的一种基于CAE的输入图像与重构图像的示意图；
[0024]图7为本专利技术实施例二提供的一种基于CAE的输入图像与重构图像的PSNR和SSIM计算结果的示意图；
[0025]图8为本专利技术实施例二提供的一种基于非对称自编码器的输入图像与重构图像的示意图；
[0026]图9为本专利技术实施例二提供的一种基于非对称自编码器的输入图像与重构图像的PSNR和SSIM计算结果的示意图；
[0027]图10为本专利技术实施例二提供的一种基于CAE和特征提取网络模型的DBSCAN聚类的噪声点标签图的示意图；
[0028]图11为本专利技术实施例二提供的一种特征提取网络模型与其他模型的聚类的标签图像的示意图；
[0029]图12为本专利技术实施例三提供的一种高光谱图像聚类装置的结构示意图；
[0030]图13为本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0031]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0032]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0033]本专利技术使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基
于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”。
[0034]需要注意，本专利技术中提及的“第一”、“第二”等概念仅用于对相应内容进行区分，并非用于限定顺序或者相互依存关系。
[0035]需要注意，本专利技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0036]高光谱图像，又称为高光谱遥感图像，是通过高光谱遥感技术所获取的图像，也可以理解为通过成像光谱仪获取包含数十至数百个连续光谱波段信息的图像立方体。高光谱遥感图像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。然而，在实际遥感应用中，训练样本获取成本高、难度大，极大制约了高光谱遥感的行业应用能力。作为一种典型的非监督信息分析技术，高光谱聚类能够不依赖于任何训练样本，仅通过挖掘数据的本质特征，实现像素的自然划分，有效解决了无先验信息条件下高光谱地物信息精细化分析的难题，大幅提升了高光谱遥感的应用潜力。
[0037]在图像处理领域，特征提取是一个非常重要的步骤。所提取特征的好坏对后续应用有直接的影响作用，因此是否能够高效地提取数据特征十分重要。
[0038]在针对高光谱图像数据的聚类分析中，传统的聚类直接在原始光谱数据上进行。现在比较先进本文档来自技高网...

【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：