[发明专利]一种基于图的高光谱遥感图像快速聚类算法

说明书

本发明涉及高光谱遥感和机器学习技术领域，具体涉及一种适用于高光谱遥感图像的基于图的快速聚类算法。利用空间平滑技术挖掘出高光谱图像中的空间信息，构建锚点图加速聚类过程，增加非负松弛约束直接得到最终的聚类索引矩阵，而不用借助于其他的聚类算法，有效解决了传统基于图方法无法处理大规模高光谱遥感图像聚类问题。

技术领域

本发明涉及高光谱遥感和机器学习技术领域，具体涉及一种适用于大规模高光谱遥感图像的基于图的快速聚类算法。

背景技术

高光谱遥感图像是利用成像和光谱技术获取的，它最主要的特点是图谱合一，在获取地面图像空间信息的同时，得到每个地物的连续光谱信息，为监测地球表面提供了丰富的光谱和空间信息。因此，高光谱遥感图像在精细农业、矿产资源探测、环境监测和海洋调查等领域得到了广泛的应用。由于人工标注价格昂贵，标注质量参差不齐，因此在无标签的情况下对高光谱遥感图像聚类成为非常有价值和潜力的方向，近年来引起了广泛的关注。

高光谱遥感图像聚类的目的是将给定的图像分割成组，使同一组中的像元尽可能相似，而分配给不同组的像元则不同。随着成像光谱技术的迅猛发展，目前需要处理的高光谱遥感图像呈现维度高和规模大的特性，维度高指光谱特征波段多，可以为每个像元提供几十个，数百个甚至上千个波段，规模大指空间像元多，每个波段的像元个数达到几万，几十万甚至几百万，因此实现高光谱遥感图像聚类是一个非常具有挑战性的任务。另外，像元在空间位置上是具有一定联系的，空间上距离很近的像元在很大概率上属于同一类。因此，对高光谱遥感图像聚类需要考虑到像元周围的局部空间结构。

基于图的聚类算法是近年来机器学习领域的热点之一，由于其可以很好的学习高维数据之间的相似关系，同时可以很好地处理“非簇状”数据，受到了广泛关注，具有很好的应用前景。但是基于图的聚类算法计算复杂度高，难以在大规模高光谱遥感数据上应用。此类算法的高计算复杂度主要来自两个方面：相似性矩阵的构造和拉普拉斯矩阵的特征值分解。因此，在考虑像元局部空间结构基础上，研究适用于大规模高光谱遥感数据的快速聚类算法十分有必要。

发明内容

要解决的技术问题

本发明考虑到传统的基于图的聚类方法由于计算平台的限制，无法处理大规模高光谱图像数据，并且高光谱图像中存在的奇异点及噪声也会对高光谱图像处理带来一系列的问题。本发明提出一种基于图的高光谱遥感图像快速聚类算法。

技术方案

一种基于图的高光谱遥感图像快速聚类算法，其特征在于步骤如下：

步骤1：利用空间平滑方法挖掘高光谱遥感图像的空间信息

采用空间平滑方法对高光谱遥感图像的像元x_ij进行处理，其中x_ij的值取窗口内的平均值或者中间值来重构高光谱图像，得到平滑后的图像；

步骤2：利用相似度自学习技术构建锚点图

采用k均值算法对数据点X聚类，所述的数据点表示空间平滑之后的高光谱遥感数据矩阵，n表示空间像元的个数，d表示每个像元的波段数；m个聚类中心即为产生的锚点；

通过相似度自学习方法得到数据点X和锚点A之间的相似性矩阵，其模型如下：

其中，z_ij为Z中的第i行第j列元素，是Z的第i行，γ是规则化参数；令是一个向量，它的第j个元素为d_ij，因此，(2)式可以写成如下向量形式：

z_i具有稀疏特性，并且有k个非零元素，式的解为：

计算相似矩阵W：