[发明专利]基于稀疏子空间聚类的高光谱地物自动分类方法及系统

说明书

本发明公开了一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统，方法包括以下步骤：对高光谱图像进行空间划分，将相邻且相似的数据划分到同个超像素块；根据数据划分结果构建空间指示矩阵；在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类，获得图像数据间的稀疏表示矩阵和类别标签；根据数据类别标签分别计算各类别数据间光谱的相似度和空间位置距离，并组合成各类内数据相似度；对各类内数据相似度进行排序，并筛选各类别中存在的高相似性数据关系；通过筛选后保留的高相似性数据关系构建类别信息指导矩阵；构建数据相似度矩阵并应用谱聚类获得最后的分类结果。本发明提高了高光谱地物的分类精度以及地物种类探测的准确度和效率。

技术领域

本发明涉及一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统，属于人工智能和遥感影像处理技术领域。

背景技术

高光谱遥感影像是通过高光谱成像技术获取的高分辨率的连续、窄波段的图像数据，在获得地表图像信息的同时，也获得更为丰富的光谱信息。根据不同物质在不同波段光谱信号下的不同表现，可以将高光谱遥感影像中的每个像元赋以唯一的类别标识。一方面，由于高光谱遥感影像数据的高维特性、信息冗余、同物异谱和同谱异物的特点，导致高光谱数据结构呈高度非线性，另一方面，在基于有监督分类领域，受到带有高质量标签数据的限制，导致分类模型的参数估计不准确。

针对有监督分类方法受高质量标注样本数量和遥感影像的复杂性的约束，基于子空间聚类的高光谱地物分类方法因有效克服上述挑战受到广泛关注，其大体上可以分为两类：

(1)低秩子空间聚类(LRR)方法主要通过寻找数据在自身数据字典上的低秩表示来求得亲和矩阵，然后利用谱聚类获得最终分割结果。该方法可以处理噪声和异常值，并且不需要子空间的维数和数目作为先验条件。但其用核范数代替秩函数导致算法的不稳定性和对高斯噪声的敏感。

(2)稀疏子空间聚类(SSC)方法利用高维数据的稀疏表示系数构造相似度矩阵，然后利用谱聚类方法得到数据的子空间聚类结果。其核心是设计能够揭示高维数据真实子空间结构的表示模型，使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类。

当前基于稀疏子空间聚类的高光谱地物分类方法研究主要考虑进一步挖掘原始数据或谱聚类结果中有意义的信息，前向或后向反馈到稀疏表示过程中，却忽略了隐藏在亲和矩阵中的数据的标签信息，舍近求远，使得算法性能提升有限且大大增加了方法的时间复杂度。

发明内容

为了解决上述问题，本发明提出了一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统，能够本发明方法在无标注样本下获得高准确率的分类，可用于对高光谱遥感影像的地物种类探测。

本发明解决其技术问题采取的技术方案是：

第一方面，本发明实施例提供的一种基于稀疏子空间聚类的高光谱地物自动分类方法，包括以下步骤：

步骤1，对高光谱图像进行空间划分，将相邻且相似的数据划分到同个超像素块；

步骤2，根据数据划分结果构建空间指示矩阵；

步骤3，在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类，获得图像数据间的稀疏表示矩阵和类别标签；

步骤4，根据获得的数据类别标签，分别计算各类别数据间光谱的相似度和空间位置距离，并进行线性组合成各类内数据相似度；

步骤5，对各类内数据相似度进行排序，并筛选各类别中存在的高相似性数据关系；

步骤6，通过筛选后保留的高相似性数据关系构建类别信息指导矩阵；

步骤7，构建数据相似度矩阵并应用谱聚类获得最后的分类结果。

作为本实施例一种可能的实现方式，所述步骤1包括以下步骤：