[发明专利]基于波段迁移的高光谱图像聚类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及对高光谱遥感图像的处理,可用于矿产探测、资源调查及环境监测。

背景技术

伴随着遥感技术的发展和成像设备的进步，光学遥感技术进入了高光谱遥感时代，高光谱遥感技术的出现和发展将使得遥感成像设备以更快的速度、更高的分辨率、更大的信息量为人类提供海量的观测数据，将人们通过遥感技术观测和认识地物的能力带入了一个崭新的阶段。针对由成像光谱仪采集得到的高光谱遥感数据，如何对其中蕴含的海量信息进行充分而且有效的利用，给广大的科研工作者和技术人员提出的挑战并带来了机遇。通过对高光谱遥感数据进行有效的分类，能够更加深入的挖掘高光谱遥感图像在矿产探测、资源调查以及环境监测等方面的应用。由于实际应用中，有标签的数据难以获得并且代价巨大，于是无监督的分类在高光谱遥感图像中的应用显得尤为重要。

聚类，是将物理或抽象对象的集合组成为由类似的对象组成的多个类的过程。聚类是数据挖掘技术中的重要组成部分，根据样本间的相似度的度量标准将数据分成若干个簇，所组成的簇是一组数据对象的集合，且使同一簇中的样本相似度尽量高，不属于同一簇中的样本之间的相似度尽量低。在聚类的过程中，一些簇中的数据对象可以被看作为一个整体。一个聚类分析系统的输入是一组样本和一个度量样本间相似度或距离的标准，而输出则是簇集，即数据集的几个类，这些类构成一个分区或者分区结构。聚类是研究数据间逻辑上或物理上相互关系的技术，其分析结果不仅可以揭示数据间的内在联系与区别，还可以为进一步的数据分析与知识发现提供重要依据。作为统计学的重要研究内容之一，聚类分析具有坚实的理论基础，并形成了系统的方法学体系。

众所周知，高光谱图像数据波段服从高斯分布，用高斯混合模型对高光谱图像进行建模会得到良好的效果。高斯混合模型GMM是一个常用的描述混合密度分布的模型，即多个高斯分布的混合分布。高斯混合模型是一种半参数的密度估计方法，它融合了参数估计法和非参数估计法的优点，既不局限于特定的概率密度函数的形式，而且模型的复杂度仅与所求解的问题有关而与样本集合的大小无关。高斯混合模型的一个重要特性是，如果模型中的成员足够多，它能够以任意精度逼近任意的连续分布。所以高斯混合模型在许多领域得到了广泛的应用。高斯混合模型是一种统计模型，它能够很好地刻画参数空间中数据的空间分布及其特性。高斯混合模型中常用EM算法估计它的参数。然而，单纯的用基于高斯混合模型的EM算法对高光谱进行分类会有对初始值敏感，容易陷入局部最优的问题，并且由于高光谱中波段数目多，使得聚类速度缓慢。

发明内容

本发明的目的在于针对上述高光谱遥感图像中聚类的缺陷，提出一种基于高光谱图像波段迁移的聚类方法，以加快聚类速度，提高聚类精度。

为实现上述目的，本发明包括如下步骤：

（1）输入高光谱图像I_R×N，R是不同谱对应的m×n大小的图像，N为高光谱图像的波段数目；

（2）随机选出高光谱的10个波段数据作为目标域样本D_T，根据这10个波段数据，利用欧氏距离作为度量准则，从剩下的波段中再另选取出10个波段数据作为源域样本D_S；

（3）对目标域样本D_T用EM、K-means和FCM聚类算法分别聚3次，得到的9个聚类标签，计算这9个聚类标签的聚类一致性值CI；

（4）设定一个阈值Q＝0.6，将聚类一致性值CI与阈值Q进行比较，若CI大于等于Q，则将样本标记为确定性样本D_A，否则标记为非确定性样本D_B，同时记录确定性样本D_A的聚类标签l_a；

（5）对源域样本D_S的高斯混合模型用EM算法进行参数估计，得到源域中混合高斯模型的类混合权值参数α_j、均值μ_j、协方差σ_j，并将得到的这些参数迁移至目标域样本D_T，得到目标域样本D_T新的类混合权值参数α_j′、均值μ_j′、协方差σ_j′；

（6）根据新的类混合权值参数α_j′、均值μ_j′、协方差σ_j′，计算出非确定样本D_B的聚类标签l_b；