基于稀疏子空间聚类的高光谱地物自动分类方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112364730A(43)申请公布日2021.02.12(21)申请号202011185874.0(22)申请日2020.10.29(71)申请人济南大学地址250022山东省济南市市中区南辛庄西路336号(72)发明人牛四杰王丽梅董吉文刘鲲崔娜(74)专利代理机构济南诚智商标专利事务所有限公司37105代理人李修杰(51)Int.Cl.G06K9/00(2006.01)G06K9/34(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书4页说明书11页附图6页(54)发明名称基于稀疏子空间聚类的高光谱地物自动分类方法及系统(57)摘要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。CN112364730ACN112364730A权利要求书1/4页1.一种基于稀疏子空间聚类的高光谱地物自动分类方法，其特征是，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。2.根据权利要求1所述的基于稀疏子空间聚类的高光谱地物自动分类方法，其特征是，所述步骤1包括以下步骤：步骤11，采用主成分分析方法将高光谱图像中的高维光谱信息降维至三维，并构建三通道RGB图像；步骤12，将构建的三通道RGB图像转换到Lab彩色空间，对应每个像素的(L，a，b)颜色值和(x，y)位置坐标组成一个5维向量V＝[L,a,b,x,y]；步骤13，根据高光谱图像的具体尺寸以地物类别的复杂程度确定要划分的超像素块个数k，将整个Lab彩色图像初始化为k个大小大致相等的超像素方块，每个方块的边长S为：T其中，N为Lab图像总的像素个数，k个超像素块的中心数据ci＝[Liaibixiyi]通过求取每个超像素块数据的均值获得；步骤14，重新判断每个超像素块中心点的位置，将中心移动到其3×3邻域中的最低梯度位置，梯度计算公式为:其中V(x,y)为坐标(x,y)处的(L,a,b)值；步骤15，通过下式计算每个超像素块中心数据与其周围2S×2S范围内每个像素的距离：其中dc为数据颜色信息的距离，ds为空间信息的距离，D是利用m和S分别对dc和ds归一化后再进行结合；m表示空间和像素颜色的相对重要性的度量；并根据得到的距离度量，重新更新每个像素的最近的超像素块中心，得到新的超像素2CN112364730A权利要求书2/4页块分割结果；步骤16，通过求取每个超像素块数据的均值，更新超像素块中心数据ci＝[LiaibixiTyi]；步骤17，验证是否达到设定的迭代次数，如果达到，则进入步骤18，否则重复执行步骤15和16；步骤18，对迭代过程中可能存在的孤立的像素进行校正，为其分配最近的超像素块标签。3.根据权利要求2所述的基于稀疏子空间聚类的高光谱地物自动分类方法，其特征是，在步骤2中，空间指示矩阵为：空间指示值为：其中xi和xj分别表示第i和j个像素的高光谱数据。4.根据权利要求3所述的基于稀疏子空间聚类的高光谱地物自动分类方法，其特征是，所述步骤3包括以下步骤：步骤31，对高光谱图像进行一次原始的稀疏子空间聚类，得到一个初始的分类结果，并通过求取各类别数据的均值得到各类别数据的中心值，将其作为端元矩阵M的初始化，丰度矩阵A的初始化公式为：其中n为类别个数，m为加权指数；将稀疏系数矩阵C初始化为全0矩阵；步骤32，根据空间指示矩阵计算拉格朗日矩阵L：L＝Q-P,其中Qii表示矩阵的对角线元素，Pi·表示任意一列第i行的元素；步骤33，在高光谱