[发明专利]一种基于无监督宽度学习的高光谱图像聚类方法

说明书

本发明的一种基于无监督宽度学习的高光谱图像聚类方法，首先，为保留原始高光谱图像的本征流形结，利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重；接着，无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成，并通过求解广义特征值分解问题，得到无监督宽度学习的模型权重以及无监督宽度学习的输出；最后，利用谱聚类得到聚类结果。

技术领域

本发明属于高光谱遥感图像处理技术领域，具体涉及一种基于无监督宽度学习的高光谱图像聚类方法。

背景技术

由高光谱传感器获取的高光谱图像(HSI)能够提供丰富的光谱和空间信息，因此已成为检测地球表面不可或缺的工具。高光谱技术具有非常广泛的应用，如军事、地质矿产勘探、农业检测、环境分析与预测和城市建设与管理等。高光谱图像分类和聚类是这些应用中常见的任务。常用的HSI分类方法包括支持向量机、极限学习机和深度学习，这些方法一般为监督型方法。然而，在真实的应用场景下，标记高光谱图像，需要耗费相关领域专家耗费大量的时间和精力，因此标记的HSI是非常有限的。在标记样本不足的情况下，监督的分类方法的效果往往受限。HSI聚类为无监督方法，无需任何的标记信息，即可确定高光谱图像中每个像素的类别。然而，由于HSI具有高光谱分辨率和复杂空间信息的特点，HSI聚类仍是一项具有挑战性的任务。

常用的聚类算法可分为四类：1)基于中心点的方法，如k-means、模糊C-means和FCM_S1等；2)基于密度的方法，如通过寻找密度峰值来聚类和clustering-in-quest方法等；3)生物聚类方法，如遥感无监督人工免疫网络等；4)基于图的聚类方法，如谱聚类和谱曲线聚类等。对于HSI，标记样本的获取非常困难，而无标记样本的获取却相对容易。

发明内容

发明目的：针对上述现有技术，提出一种基于无监督宽度学习的高光谱图像聚类方法。

技术方案：一种基于无监督宽度学习的高光谱图像聚类方法，包括如下步骤：

步骤1：利用层次导向滤波对原始的高光谱图像进行滤波处理，得到高光谱图像的光谱-空间表示；

步骤2：高光谱图像的光谱-空间表示作为输入，利用图正则稀疏自动编码器优化后的权重W_i^M和W^E，先将输入通过W_i^M映射到映射特征，然后映射特征通过W^E映射到增量节点中；

步骤3：建立由图正则项和连接权重的二范数正则项构成的无监督宽度学习的模型目标函数，求解模型目标函数，得到模型的输出层权重W^m；

步骤4：根据输出层权重W^m，计算得到无监督宽度学习的输出向量

步骤5：通过对输出向量进行谱聚类，得到高光谱图像的聚类结果。

有益效果：本发明的一种基于无监督宽度学习的HSI聚类方法，具有如下优点：(1)提出无监督版本的宽度学习，用于HSI聚类；(2)原始的宽度学习中，从MF到EN的权重为随机生成的，最终的结果受随机状态的影响，稳定性不足，针对这一问题，利用图自动编码器对这一权重进行微调；(3)基于将输入数据的流形结构传递到输出这一目标，图正则相分别添加到：从输入到MF和从MF到EN权重的微调过程中，以及无监督宽度学习最终的目标函数中。

附图说明

图1为基于无监督宽度学习的高光谱图像聚类方法的流程图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种基于无监督宽度学习的高光谱图像聚类方法，包括如下步骤：