[发明专利]高光谱图像聚类方法、装置、电子设备及存储介质

权利要求书

1.一种高光谱图像聚类方法，其特征在于，

通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，其中，所述特征提取网络模型包括卷积自编码器CAE和非对称自编码器；

根据所述第一特征向量对所述高光谱图像进行聚类，得到对高光谱图像的聚类结果。

2.根据权利要求1所述的方法，其特征在于，在通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量之前，还包括：

按照如下方式构建所述特征提取网络模型：

基于第一网络参数构建所述CAE，并基于训练集和测试集分别训练和测试所述CAE；

基于第二网络参数构建所述非对称自编码器，并基于所述训练集和所述测试集分别训练和测试所述非对称自编码器；

将所述非对称自编码器堆叠在所述CAE上，构建所述特征提取网络模型。

3.根据权利要求2所述的方法，其特征在于，所述通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，包括：

通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取，得到第二特征向量；

将所述第二特征向量输入所述非对称自编码器，得到所述第一特征向量。

4.根据权利要求3所述的方法，其特征在于，所述CAE包括第一编码器和第一解码器；

所述通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取，得到第二特征向量，包括：

分别将所述高光谱图像中的每个像元作为中心像元，并确定所述中心像元对应的像元集合；

将所述像元集合输入至所述第一编码器，输出得到对应的第一编码信息；

将所述第一编码信息输入至所述第一解码器，输出得到对应的第一解码信息；

将满足第一映射关系的第一编码信息确定为所述中心像元对应的第二特征向量；

其中，所述第一映射关系为所述第一解码信息与所述像元集合之间的映射关系。

5.根据权利要求4所述的方法，其特征在于，所述非对称自编码器包括第二编码器和第二解码器；

所述将所述第二特征向量输入所述非对称自编码器，得到所述第一特征向量，包括：

将所述第二特征向量输入至所述第二编码器，输出得到对应的第二编码信息；

将所述第二编码信息输入至所述第二解码器，输出得到对应的第二解码信息；

将满足第二映射关系的第二编码信息确定为第一特征向量；

其中，所述第二映射关系为所述第二解码信息与所述中心像元之间的映射关系。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征向量对所述高光谱图像进行聚类，得到对高光谱图像的聚类结果，包括：

通过基于密度的聚类算法，根据所述第一特征向量对所述高光谱图像进行聚类，得到初步聚类结果；

根据所述初步聚类结果，采用相应的K均值聚类算法，根据所述第一特征向量，对所述高光谱图像进行二次聚类，得到对高光谱图像的聚类结果。

7.根据权利要求6所述的方法，其特征在于，所述根据所述初步聚类结果，采用相应的K均值聚类算法，根据所述第一特征向量，对所述高光谱图像进行二次聚类，包括：

根据所述初步聚类结果判断所述高光谱图像是否含有噪声类；

若是，则采用改进的K均值聚类算法根据所述第一特征向量对所述高光谱图像进行二次聚类；

若否，则采用标准K均值聚类算法根据所述第一特征向量对所述高光谱图像进行二次聚类；

其中，所述改进的K均值聚类算法的聚类类别数量大于所述标准K均值聚类算法的聚类类别数量。

8.一种高光谱图像聚类装置，其特征在于，包括：

提取模块，用于通过经过训练的特征提取网络模型，根据高光谱图像中的像元对应的像元集合提取第一特征向量，其中，所述特征提取网络模型包括卷积自编码器CAE和非对称自编码器；

聚类模块，用于根据所述第一特征向量对所述高光谱图像进行聚类，得到对高光谱图像的聚类结果。