[发明专利]用于大数据量光谱遥感图像分类的非监督聚类方法

说明书

本发明公开了一种用于大数据量光谱遥感图像分类的非监督聚类方法。将原始数据划分为若干数据块，通过峰值密度搜索方法得到各数据子块的聚类中心；将聚类中心重新分成若干数据块，通过峰值密度搜索方法再次聚类，减少聚类中心数；重复分块‑聚类过程至可以用一个二维矩阵表征任意两个聚类中心的相似度，进而得到最终的分类结果。本发明方法的优势在于：适用性好，不仅可以用于谱段数较多的高光谱遥感图像分类，也适用于谱段数较少的多光谱遥感图像或谱段选择后的高光谱遥感图像分类；运算效率较高，分块处理减少了相似度矩阵的计算冗余，且由于各数据块的聚类处理相互独立，可采用并行处理加快分类速率。

技术领域

本发明涉及光谱遥感图像地物分类的技术领域，具体涉及一种用于大数据量光谱遥感图像分类的非监督聚类方法。

背景技术

高光谱与多光谱遥感图像记录了同一区域在不同观测谱段内的辐射特性。由于植被、土壤、建筑物、水体等各类地表物体的光谱辐射特性存在显著差异，通过分析光谱遥感数据，能够获取不同类型地物的空间分布信息及光谱辐射特征信息。这些分类结果在地表植被分布研究、土壤与地质勘探、城市覆盖物调查及水体质量监测等领域有重要应用。

非监督分类是一种在不预先知晓地物种类数、地物光谱特性等先验信息的情况下，对图像进行分类的方法。方法中主要包含选择分类特征，确定分类依据，制定分类准则并实现算法三个部分。选取两个谱段数据实现光谱遥感图像分类的过程如图1所示。

为了便于分析，将二维图像数据转换为由像元组成的一维列向量，则原始的三维光谱遥感图像转换为二维光谱遥感数据。假设原始的光谱遥感图像N个像元，L个谱段，则原始图像数据Y可以表示为：

Y_N×L＝{y₁,y₂,...,y_L}_N×L＝{x₁,x₂,...,x_N}^T (1)

式中，y_i(i＝1,2,…,L)为第i谱段的图像数据，为N×1的列向量；x_j(j＝1,2,…,N)为第j像元的光谱数据，为L×1的列向量。

选择分类特征是从原始图像数据Y中选取所需谱段的数据y_i建立分类特征空间的过程，又可称为谱段选择(参见文献[1]C.Chang,Q.Du,T.Sun,and M.L.G.Althouse.AJoint Band Prioritization and Band-Decorrelation Approach to Band Selectionfor Hyperspectral Image Classification[J].IEEE Transactions on Geoscience andRemote Sensing,1999,37(6):2631-2641.,文献[2]C.Chang and S.Wang.ConstrainedBand Selection for Hyperspectral Imagery[J].IEEE Transactions on Geoscienceand Remote Sensing,2006,44(6):1575-1585.及文献[3]Q.Du and H.Yang.Similarity-Based Unsupervised Band Selection for Hyperspectral Image Analysis[J].IEEEGeoscience and Remote Sensing Letters,2008,5(4):564-568.)。由于仅选取了两个谱段，故图1中构建的特征空间为二维平面，各个像元在特征空间的坐标取决于像元在两个谱段的辐射强度。若分类中使用的谱段数多于三个，则需构造高维特征空间(参见文献[4]王永革，藤岩梅，贾超华，冯伟杰.应用泛函分析[M].北京：北京航空航天大学出版社.2012.)。

分类依据用于判断仍以两个像元之间的相似度，定义为：