[发明专利]高光谱图像聚类方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种高光谱图像聚类方法、装置、电子设备及存储介质。所述方法包括：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。该方法通过基于CAE和非对称自编码器所构建的特征提取网络模型提取第一特征向量，能够减弱第一特征向量中的空间噪声，有效提高了特征向量提取的准确性；在此基础上，还利用优化后得到的第一特征向量对高光谱图像进行聚类，能够进一步去除掉第一特征向量中的部分空间噪声，从而提高聚类结果的准确性。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种高光谱图像聚类方法、装置、电子设备及存储介质。

背景技术

高光谱图像，也可称为高光谱遥感图像，其图像中含有丰富的地物信息，为地物信息精细化分析提供了可能，现已在诸多行业领域有着广泛应用。

在高光谱图像的图像处理过程中，图像的特征提取和聚类分析是较为重要的步骤。目前，现有方法通常是通过提取高光谱图像的空谱特征来进行聚类，然而空谱特征会对应需要引入空间信息。引入空间信息之后，由于边缘效应，在地物边缘也相应引入了空间噪声，这种空谱特征中所包含的空间噪声会对后续的聚类效果产生较大的影响。

故，如何有效解决空间噪声对聚类的干扰是当前亟待解决的技术问题。

发明内容

本发明实施例提供了一种高光谱图像聚类方法、装置、电子设备及存储介质，以有效抑制特征向量中的空间噪声，提高聚类的准确性。

第一方面，本发明实施例提供了一种高光谱图像聚类方法，包括：

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(Convolutional Auto-Encode，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。

第二方面，本发明实施例还提供了一种高光谱图像聚类装置，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。

第三方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的高光谱图像聚类方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的高光谱图像聚类方法。

本发明实施例提供了一种高光谱图像聚类方法、装置、电子设备及存储介质，首先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，特征提取网络模型包括CAE和非对称自编码器；根据第一特征向量对高光谱图像进行聚类，得到对高光谱图像的聚类结果。该方法通过基于CAE和非对称自编码器所构建的特征提取网络模型提取第一特征向量，能够减弱第一特征向量中的空间噪声，有效提高了特征向量提取的准确性；在此基础上，还利用优化后得到的第一特征向量对高光谱图像进行聚类，能够进一步去除掉第一特征向量中的部分空间噪声，从而提高聚类结果的准确性。

附图说明