[发明专利]一种高光谱图像的聚类方法、系统及设备

说明书

本申请公开了一种高光谱图像的聚类方法、系统及设备，包括：获取大量高光谱图像；采用基于二叉树锚点图的快速聚类方法获取所述高光谱图像中的具有代表性的锚点；构建基于所述锚点的相似图，得到相似度矩阵；对所述相似度矩阵进行谱聚类分析得到聚类结果。本申请提出基于二叉树锚点图的快速高光谱图像聚类方法，更好地生成了具有代表性的锚点，使得基于锚点的构图更加准确。

技术领域

本申请涉及图像聚类技术领域，尤其涉及一种高光谱图像的聚类方法、系统及设备。

背景技术

高光谱图像(Hyperspectral Image，HSI)聚类可以提取有价值的聚类信息，用于对地面真实情况进行分类和环境监测等。谱聚类是目前最流行的聚类方法之一。该算法在HSI聚类中得到了很好的应用，得到了广泛的关注。现有的谱聚类采用四步法：首先通过高斯核函数计算数据邻接图矩阵；然后通过相似图矩阵获得度矩阵和拉普拉斯矩阵；接着对拉普拉斯矩阵进行特征值分解获得数据的指示矩阵；最后，通过K-means获得数据的类别信息。其中，利用高斯核函数构造相似图和对得到的拉普拉斯矩阵进行特征值分解的这两个过程是比较耗时的，谱聚类的计算复杂度至少需要O(n²d)，n为样本数，d为数据维度。基于锚点的谱聚类算法逐渐被推广应用于解决谱聚类高计算成本的问题上，目前，基于锚点的谱聚类方法最重要的是生成锚点，锚点的生成有两个最常用的策略，分别为随机选择和K-means生成。随机选择的策略能够快速的生成锚点，同时构造出整个数据的相似图，但无法保证锚点的性能，在实际中往往表现较差。相比之下，K-means策略可以生成具有代表性的锚点，同时也能够获得优异的性能，但K-means策略具有较高的计算复杂度，其计算复杂度为O(ndmt)，m为锚点数，t为迭代次数。

现有的高光谱聚类方法消耗的时间长，无法满足大规模HSI应用的要求。基于锚点的谱聚类方法在一定程度上能够减少计算的成本，但在生成锚点的关键问题上通常不能同时生成代表性的锚点和获得其优异的性能。

发明内容

本申请实施例提供了一种高光谱图像的聚类方法、系统及设备，使得基于锚点的构图更加准确。

有鉴于此，本申请第一方面提供了一种高光谱图像的聚类方法，所述方法包括：

获取大量高光谱图像；

采用基于二叉树锚点图的快速聚类方法获取所述高光谱图像中的具有代表性的锚点；

构建基于所述锚点的相似图，得到相似度矩阵；

对所述相似度矩阵进行谱聚类分析得到聚类结果。

可选的，所述采用基于二叉树锚点图的快速聚类方法获取所述高光谱图像中的具有代表性的锚点具体为：

S1:输入高光谱图像的数据矩阵X∈R^n×d，产生的锚点数为m，类别c，类簇数k；

S2：初始化聚类中心矩阵C，C∈R^d×2，d是数据点特征的维数；

S3：若没有收敛时，则通过计算得到指示向量g，并根据指示向量g得到指示矩阵G，其中G∈[g，1-g]，则得到指示矩阵G对应的两个子簇，计算两个子簇的聚类中心距离；

式中，矩阵G∈R^d×2为指示矩阵，矩阵E∈R^d×2，g为指示矩阵G的第一列，n为偶数时，k为当n为单数时，那么k为e₁和e₂分别是矩阵E的第一列和第二列；

S4：重复步骤S3对子簇进行分层，直到子簇数等于输入的锚点数；