高光譜圖像聚類方法、裝置、電子設備及存儲介質制造方法及圖紙

本發明專利技術實施例公開了一種高光譜圖像聚類方法、裝置、電子設備及存儲介質。所述方法包括：通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，其中，所述特征提取網絡模型包括卷積自編碼器CAE和非對稱自編碼器；根據所述第一特征向量對所述高光譜圖像進行聚類，得到對高光譜圖像的聚類結果。該方法通過基于CAE和非對稱自編碼器所構建的特征提取網絡模型提取第一特征向量，能夠減弱第一特征向量中的空間噪聲，有效提高了特征向量提取的準確性；在此基礎上，還利用優化后得到的第一特征向量對高光譜圖像進行聚類，能夠進一步去除掉第一特征向量中的部分空間噪聲，從而提高聚類結果的準確性。確性。確性。

【技術實現步驟摘要】
高光譜圖像聚類方法、裝置、電子設備及存儲介質


[0001]本專利技術實施例涉及圖像處理
，尤其涉及一種高光譜圖像聚類方法、裝置、電子設備及存儲介質。

技術介紹

[0002]高光譜圖像，也可稱為高光譜遙感圖像，其圖像中含有豐富的地物信息，為地物信息精細化分析提供了可能，現已在諸多行業領域有著廣泛應用。
[0003]在高光譜圖像的圖像處理過程中，圖像的特征提取和聚類分析是較為重要的步驟。目前，現有方法通常是通過提取高光譜圖像的空譜特征來進行聚類，然而空譜特征會對應需要引入空間信息。引入空間信息之后，由于邊緣效應，在地物邊緣也相應引入了空間噪聲，這種空譜特征中所包含的空間噪聲會對后續的聚類效果產生較大的影響。
[0004]故，如何有效解決空間噪聲對聚類的干擾是當前亟待解決的技術問題。

技術實現思路

[0005]本專利技術實施例提供了一種高光譜圖像聚類方法、裝置、電子設備及存儲介質，以有效抑制特征向量中的空間噪聲，提高聚類的準確性。
[0006]第一方面，本專利技術實施例提供了一種高光譜圖像聚類方法，包括：
[0007]通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，其中，所述特征提取網絡模型包括卷積自編碼器(Convolutional Auto
?
Encode，CAE)和非對稱自編碼器；
[0008]根據所述第一特征向量對所述高光譜圖像進行聚類，得到對高光譜圖像的聚類結果。
[0009]第二方面，本專利技術實施例還提供了一種高光譜圖像聚類裝置，包括：
[0010]提取模塊，用于通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，其中，所述特征提取網絡模型包括CAE和非對稱自編碼器；
[0011]聚類模塊，用于根據所述第一特征向量對所述高光譜圖像進行聚類，得到對高光譜圖像的聚類結果。
[0012]第三方面，本專利技術實施例還提供了一種電子設備，包括：
[0013]一個或多個處理器；
[0014]存儲裝置，用于存儲一個或多個程序；
[0015]所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現本專利技術實施例提供的高光譜圖像聚類方法。
[0016]第四方面，本專利技術實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現本專利技術實施例提供的高光譜圖像聚類方法。
[0017]本專利技術實施例提供了一種高光譜圖像聚類方法、裝置、電子設備及存儲介質，首先
通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，其中，特征提取網絡模型包括CAE和非對稱自編碼器；根據第一特征向量對高光譜圖像進行聚類，得到對高光譜圖像的聚類結果。該方法通過基于CAE和非對稱自編碼器所構建的特征提取網絡模型提取第一特征向量，能夠減弱第一特征向量中的空間噪聲，有效提高了特征向量提取的準確性；在此基礎上，還利用優化后得到的第一特征向量對高光譜圖像進行聚類，能夠進一步去除掉第一特征向量中的部分空間噪聲，從而提高聚類結果的準確性。
附圖說明
[0018]圖1為本專利技術實施例一提供的一種高光譜圖像聚類方法的流程示意圖；
[0019]圖2為本專利技術實施例二提供的一種高光譜圖像聚類方法的流程示意圖；
[0020]圖3為本專利技術實施例二提供的一種特征提取網絡模型的示意圖；
[0021]圖4為本專利技術實施例二提供的一種對高光譜圖像進行聚類的實現示意圖；
[0022]圖5為本專利技術實施例二提供的一種各類高光譜圖像的示意圖；
[0023]圖6為本專利技術實施例二提供的一種基于CAE的輸入圖像與重構圖像的示意圖；
[0024]圖7為本專利技術實施例二提供的一種基于CAE的輸入圖像與重構圖像的PSNR和SSIM計算結果的示意圖；
[0025]圖8為本專利技術實施例二提供的一種基于非對稱自編碼器的輸入圖像與重構圖像的示意圖；
[0026]圖9為本專利技術實施例二提供的一種基于非對稱自編碼器的輸入圖像與重構圖像的PSNR和SSIM計算結果的示意圖；
[0027]圖10為本專利技術實施例二提供的一種基于CAE和特征提取網絡模型的DBSCAN聚類的噪聲點標簽圖的示意圖；
[0028]圖11為本專利技術實施例二提供的一種特征提取網絡模型與其他模型的聚類的標簽圖像的示意圖；
[0029]圖12為本專利技術實施例三提供的一種高光譜圖像聚類裝置的結構示意圖；
[0030]圖13為本專利技術實施例四提供的一種電子設備的結構示意圖。
具體實施方式
[0031]下面結合附圖和實施例對本專利技術作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本專利技術，而非對本專利技術的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本專利技術相關的部分而非全部結構。
[0032]在更加詳細地討論示例性實施例之前應當提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各項操作(或步驟)描述成順序的處理，但是其中的許多操作可以被并行地、并發地或者同時實施。此外，各項操作的順序可以被重新安排。當其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應于方法、函數、規程、子例程、子程序等等。此外，在不沖突的情況下，本專利技術中的實施例及實施例中的特征可以相互組合。
[0033]本專利技術使用的術語“包括”及其變形是開放性包括，即“包括但不限于”。術語“基
于”是“至少部分地基于”。術語“一個實施例”表示“至少一個實施例”。
[0034]需要注意，本專利技術中提及的“第一”、“第二”等概念僅用于對相應內容進行區分，并非用于限定順序或者相互依存關系。
[0035]需要注意，本專利技術中提及的“一個”、“多個”的修飾是示意性而非限制性的，本領域技術人員應當理解，除非在上下文另有明確指出，否則應該理解為“一個或多個”。
[0036]高光譜圖像，又稱為高光譜遙感圖像，是通過高光譜遙感技術所獲取的圖像，也可以理解為通過成像光譜儀獲取包含數十至數百個連續光譜波段信息的圖像立方體。高光譜遙感圖像含有豐富的地物信息，為地物信息精細化分析提供了可能，現已在諸多行業領域有著廣泛應用。然而，在實際遙感應用中，訓練樣本獲取成本高、難度大，極大制約了高光譜遙感的行業應用能力。作為一種典型的非監督信息分析技術，高光譜聚類能夠不依賴于任何訓練樣本，僅通過挖掘數據的本質特征，實現像素的自然劃分，有效解決了無先驗信息條件下高光譜地物信息精細化分析的難題，大幅提升了高光譜遙感的應用潛力。
[0037]在圖像處理領域，特征提取是一個非常重要的步驟。所提取特征的好壞對后續應用有直接的影響作用，因此是否能夠高效地提取數據特征十分重要。
[0038]在針對高光譜圖像數據的聚類分析中，傳統的聚類直接在原始光譜數據上進行?，F在比較先進本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種高光譜圖像聚類方法，其特征在于，通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，其中，所述特征提取網絡模型包括卷積自編碼器CAE和非對稱自編碼器；根據所述第一特征向量對所述高光譜圖像進行聚類，得到對高光譜圖像的聚類結果。2.根據權利要求1所述的方法，其特征在于，在通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量之前，還包括：按照如下方式構建所述特征提取網絡模型：基于第一網絡參數構建所述CAE，并基于訓練集和測試集分別訓練和測試所述CAE；基于第二網絡參數構建所述非對稱自編碼器，并基于所述訓練集和所述測試集分別訓練和測試所述非對稱自編碼器；將所述非對稱自編碼器堆疊在所述CAE上，構建所述特征提取網絡模型。3.根據權利要求2所述的方法，其特征在于，所述通過經過訓練的特征提取網絡模型，根據高光譜圖像中的像元對應的像元集合提取第一特征向量，包括：通過所述CAE對所述高光譜圖像中的像元對應的像元集合進行特征提取，得到第二特征向量；將所述第二特征向量輸入所述非對稱自編碼器，得到所述第一特征向量。4.根據權利要求3所述的方法，其特征在于，所述CAE包括第一編碼器和第一解碼器；所述通過所述CAE對所述高光譜圖像中的像元對應的像元集合進行特征提取，得到第二特征向量，包括：分別將所述高光譜圖像中的每個像元作為中心像元，并確定所述中心像元對應的像元集合；將所述像元集合輸入至所述第一編碼器，輸出得到對應的第一編碼信息；將所述第一編碼信息輸入至所述第一解碼器，輸出得到對應的第一解碼信息；將滿足第一映射關系的第一編碼信息確定為所述中心像元對應的第二特征向量；其中，所述第一映射關系為所述第一解碼信息與所述像元集合之間的映射關系。5.根據權利要求4所述的方法，其特征在于，所述非對稱自編碼器包括第二編碼器和第二解碼器；所述將所述第二特征向量輸入所述非對稱自編碼器，得到所述第一特征向量，包括：將所述第二特征向量輸入至所述第二編碼器，輸出得到對應的第二編...

【專利技術屬性】
技術研發人員：劉柏森，孔偉力，王巖，
申請(專利權)人：黑龍江工程學院，
類型：發明
國別省市：