一种智能结构化高光谱图像聚类方法及装置制造方法及图纸

本发明专利技术公开了一种智能结构化高光谱图像聚类方法及装置，方法包括：构建双重局部图结构和双重图编码器挖掘像素间的高阶结构关联，提取鲁棒的局部光谱

【技术实现步骤摘要】
一种智能结构化高光谱图像聚类方法及装置


[0001]本专利技术涉及深度学习、高光谱图像处理领域，尤其涉及一种智能结构化高光谱图像聚 类方法及装置。

技术介绍

[0002]高光谱图像通常由搭载在成像平台上的传感器在一定频谱范围内对地表物体进行连 续的光谱成像所获得，能提供地表物体丰富的光谱和空间信息。随着传感器技术的快速发 展，高光谱图像已成为环境监测、地质勘探、军事侦察、农业生产等各种应用领域的重要 数据来源。作为高光谱图像分析中的一项基础任务，高光谱图像像素的分类受到了广泛的 关注。依据不同地表物体具有不同的光谱反射、吸收特性的原理，高光谱图像分类可以实 现对不同地表物体的有效识别。然而，高光谱图像分类方法通常是有监督的，需要依赖大 量已标注的数据以监督网络学习一个好的分类器。在现实的应用场景中，获得带逐像素标 注的高光谱图像数据是费时费力的。因此，以无监督的方式对高光谱图像进行聚类以实现 像素的类别划分具有重要的实际应用价值。具体来说，高光谱图像聚类旨在摆脱类别标签 依赖的前提下将高光谱图像中属于同一类别的地表物体像素划分为同一组。尽管高光谱图 像聚类近年来得到了广泛的研究，但由于高光谱图像具有较高的数据维度、较大的光谱变 异性和复杂的空间分布，使得高光谱图像聚类任务仍然是一项具有挑战性的任务。
[0003]早期的高光谱图像聚类工作通常关注于利用光谱信息来学习像素的组划分。由于高光 谱图像的复杂光谱变异性，不同的土地覆盖类别可能具有相似的光谱。因此，仅利用光谱 信息难以为聚类提供判别性的表示。在高光谱图像中，属于同一类别的像素在空间中通常 呈区域性分布，这意味着中心像素与其相邻像素大概率属于同一类别。在此基础上，研究 人员提出了许多光谱
‑
空间方法以联合利用高光谱图像中的光谱信息和空间上下文信息。例 如，Zhai等人通过约束中心像素与垂直和水平邻居像素共享相似的表示来探索空间邻域相 关性。然而，现有的光谱
‑
空间方法通常侧重于利用空间相邻像素间的相关性，而很少考虑 非相邻像素间的光谱
‑
空间相关性。在高光谱图像中，同类别的像素通常分布在多个分散的 空间区域中。因此，如何从不同区域中分布的高相关像素中捕获光谱
‑
空间信息，是提升高 光谱图像聚类性能的关键。
[0004]近年来，图学习在各种数据分析应用中引起了广泛的关注。由于具有出色的结构信息 建模能力，图能够有效表征数据样本间的相关性，已成为一种有效的数据表示学习手段， 并在高光谱图像聚类任务中展开了初步探索。举例来说，Zeng等人引入了一图正则化项以 使图中相连像素共享相似的表示。Cai等人通过聚合图中与中心像素相连像素的信息，以 增强中心像素的特征表示。然而，这些方法仅关注图中相连像素间的一阶结构关联，而忽 略了未相连像素间的高阶结构关联。此外，它们通常通过引入局部图结构信息学习中心像 素的特征，而忽略了局部特征提取和全局聚类结构学习间的相互促进。因此，充分挖掘高 光谱图像的结构信息以实现结构化高光谱图像聚类具有重要意义。
然。表示X
(m)
中第i个像素的数据，表示X
(m)
中第j个像素的数据，表示的k近邻，表示的k近邻。
[0038]二、构建双重图编码器
[0039]基于像素数据矩阵和图结构矩阵在本专利技术实施例中双重图编码器 利用3层图卷积网络逐层逐步挖掘像素间的高阶结构关联，从而提取鲁棒的局部光谱
‑
空间 特征。
[0040]其中，图卷积网络的操作定义为：
[0041][0042]其中，表示图卷积网络第l层学到的特征，表示可学习的权重矩 阵。表示带有自环的图结构矩阵，表示对角的度矩阵，其对角元素表示中位于第i行和第j列的元素,σ表示激活函数。在本专利技术实 施例中，采用ReLU函数作为激活函数。
[0043]三、构建共享的自表达层
[0044]为了将局部特征学习和全局聚类结构挖掘整合到统一的学习框架中，在双重图编码器 后嵌入了一个共享的自表达层，以捕获高光谱图像像素的一致的全局聚类结构。
[0045]具体来说，将图编码器提取的潜在特征表示送入自表达层，并由以下自表达损失 进行约束：
[0046][0047]其中，C表示自表达系数矩阵，||.||
F
表示Frobenius范数。直观地，由自表达系数矩阵 计算而来的相似度矩阵可以有效表征全局聚类结构，后续会被用于指导光谱
‑
空间特征的优 化。
[0048]四、构建双重图解码器
[0049]为了保证学到的光谱
‑
空间特征保持原始像素间固有的图结构信息，本专利技术实施例采用 双重图解码器重建输入的图结构矩阵。解码器通过特征的内积实现，公式表示为：
[0050][0051]其中，表示重建的图结构矩阵，表示自表达层的输出。在重建得到图 结构矩阵后，采用重建损失以约束输入和重建的图结构矩阵的一致性：
[0052][0053]其中，BCE表示二进制交叉熵损失。
[0054]五、设计全局结构引导的特征优化机制
[0055]为了学习更具可分性的特征，设计了全局结构引导的特征优化机制，以利用自表
地表物体进行准确的归类识别。
[0072]图2列出了高光谱图像聚类的总体精度对比结果，对比算法包括：EKGCSC方法和 GR
‑
RSCNet方法，其中EKGCSC是传统高光谱图像聚类方法，GR
‑
RSCNet方法是深度高 光谱图像聚类方法。总体精度越高，高光谱图像聚类性能越好。如图所示，EKGCSC方法 和GR
‑
RSCNet的聚类总体精度均低于本专利技术的方法，原因在于未能充分挖掘高光谱图像 像素的结构信息。从图2中可以看出，通过充分探索高光谱图像像素间的高阶结构关联以 及局部特征提取和全局聚类结构学习间的相互促进关系，本专利技术的方法可以获得更好的高 光谱图像聚类结果，能够更好地实现对地表物体的划分与识别。
[0073]一种智能结构化高光谱图像聚类装置，该装置包括：处理器和存储器，存储器中存储 有程序指令，处理器调用存储器中存储的程序指令以使装置执行任一项的方法步骤：
[0074]构建双重局部图结构用于探索像素间的高阶结构关联；
[0075]双重图编码器利用3层图卷积网络逐层逐步挖掘像素间的高阶结构关联，提取鲁棒的 局部光谱
‑
空间特征；
[0076]将局部特征学习和全局聚类结构挖掘整合到统一的学习框架中，在双重图编码器后嵌 入一共享的自表达层，用于捕获高光谱图像像素的一致的全局聚类结构；
[0077]采用双重图解码器重建输入的图结构矩阵，构建全局结构引导的特征优化机制，以利 用自表达层捕获的全局聚类结构来优化局部光谱
‑
空间特征的分布；
[0078]以端到端的方式联合优化光谱
‑
空间特征和全局聚类结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能结构化高光谱图像聚类方法，其特征在于，所述方法包括：构建双重局部图结构用于探索像素间的高阶结构关联；双重图编码器利用3层图卷积网络逐层逐步挖掘像素间的高阶结构关联，提取鲁棒的局部光谱
‑
空间特征；将局部特征学习和全局聚类结构挖掘整合到统一的学习框架中，在双重图编码器后嵌入一共享的自表达层，用于捕获高光谱图像像素的一致的全局聚类结构；采用双重图解码器重建输入的图结构矩阵，构建全局结构引导的特征优化机制，以利用自表达层捕获的全局聚类结构来优化局部光谱
‑
空间特征的分布；以端到端的方式联合优化光谱
‑
空间特征和全局聚类结构的学习，通过结合重建损失、自表达损失和分布损失以获得总体目标函数，利用总体损失函数训练网络模型，进而获得高光谱图像聚类结果，基于聚类结果对不同地表物体进行归类识别。2.根据权利要求1所述的一种智能结构化高光谱图像聚类方法，其特征在于，所述图卷积网络为：其中，表示图卷积网络第l层学到的特征，表示可学习的权重矩阵，表示带有自环的图结构矩阵，表示对角的度矩阵,σ表示激活函数。3.根据权利要求2所述的一种智能结构化高光谱图像聚类方法，其特征在于，所述自表达层的损失约束为：其中，C表示自表达系数矩阵，||
·
||
F
表示Frobenius范数。4.根据权利要求1所述的一种智能结构化高光谱图像聚类方法，其特征在于，采用学生t分布获取其对应的局部特征分布Q
(m)
，局部特征分布Q
(m)
中的元素表示像素i被分配到第u个类簇的概率，是由像素特征表示与聚类中心表示...

【专利技术属性】
技术研发人员：彭勃，姚宇轩，雷建军，
申请(专利权)人：天津大学，
类型：发明
国别省市：