[发明专利]一种快速高光谱图像聚类方法、装置、设备及介质

说明书

本申请公开了一种快速高光谱图像聚类方法、装置、设备及介质，方法包括：获取原始的高光谱图像；从高光谱图像的数据点中选出多个锚点构成第一锚点图，依次构造多个锚点图；将构造的锚点图构建分层锚点图；由高斯核函数计算分层锚点图中的层间邻接矩阵；将高光谱图像的数据点与分层锚点图的最后一层构造成二部图，并由层间邻接矩阵构造二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；由拉普拉斯矩阵构建高光谱聚类的目标函数；对目标函数进行求解，采用k‑means聚类方法计算求解结果，完成对高光谱图像的聚类。本申请解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。

技术领域

本申请涉及图像聚类技术领域，尤其涉及一种快速高光谱图像聚类方法、装置、设备及介质。

背景技术

高光谱图像可以看成是具有两个空间维度和一个光谱维度的三维数据立方体，通常高光谱图像具有波段多，波段宽度窄，光谱分辨率高的特点，但也存在着特征维度高的难点。近年来，由于高光谱数据的特性以及所包含的丰富信息，对于高光谱图像的分析与处理已经成为遥感影像研究领域的热点之一，而高光谱图像分类对地质勘探、农作物检测、国防军事等领域起着实质性的重要作用，值得更加深入的研究。

谱聚类算法是一种基于图的聚类算法,能够对任意形状的数据进行最优划分。它是目前最流行的聚类方法之一，对处理高维、稀疏的高光谱图像数据具有很明显的优势，故而得到了广泛的关注。

现有的谱聚类通常采用四步法：首先通过高斯核函数计算数据邻接矩阵；然后通过邻接矩阵获得相似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。一开始，大多的研究是简单地基于原始图像数据进行谱聚类，但其计算复杂度相当大。后来，也有一些研究提出了基于单层锚点图的谱聚类算法应用于高光谱图像，即从原始图像数据选取具有代表性的数据点来进行计算，从而降低计算复杂度。

然而，现有的高光谱聚类方法消耗的时间长，无法满足大规模高光谱图像应用的要求。基于单层锚点的谱聚类方法在一定程度上能够减少计算的成本，但在处理大规模的高光谱图像数据时，为了便于建立有效的邻接关系，锚点需要足够密集，否则无法获得合理的精度，从而使分类性能下降。然而增加锚点的数量，又会导致计算成本急增，甚至使问题变得非常棘手。

发明内容

本申请提供了一种快速高光谱图像聚类方法、装置、设备及介质，解决了现有技术很难在保证数据点之间特性的同时降低计算复杂度的技术问题。

有鉴于此，本申请第一方面提供了一种快速高光谱图像聚类方法，所述方法包括：

获取原始的高光谱图像；

从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图；

将构造的所述锚点图构建分层锚点图，所述锚点图按照锚点数逐层减少进行排序；

由高斯核函数计算所述分层锚点图中的层间邻接矩阵；

将所述高光谱图像的数据点与所述分层锚点图的最后一层构造成二部图，并由所述层间邻接矩阵构造所述二部图的相似度矩阵以及对角矩阵，则拉普拉斯矩阵为对角矩阵减去相似度矩阵；

由所述拉普拉斯矩阵构建高光谱聚类的目标函数；

对所述目标函数进行求解，采用k-means聚类方法计算求解结果，完成对高光谱图像的聚类。

可选的，所述从所述高光谱图像的数据点中选出多个锚点构成第一锚点图，从所述第一锚点图中选出多个锚点构成第二锚点图，依次构造多个锚点图，具体为：