[发明专利]遥感图像的主动谱聚类方法

说明书

技术领域

本发明属于遥感图像分析领域，特别涉及一种遥感图像的主动谱聚类方法。

背景技术

随着遥感技术发展，遥感图像在分辨率和数量都迅速增长，目前已积累了海量的高空间分辨率、高光谱分辨率的遥感图像数据。但是，一方面，对于这些海量遥感图像数据的图像解译工作量大；另一方面，由于图像分辨率提升，自动智能解译难度高。目前这些海量的遥感图像数据并没有得到有效的利用^[1]。如何从大量遥感图像数据中提取出有用的场景信息是遥感图像分析的重要任务和技术难题之一。

虽然监督分类方法能从遥感图像数据中有效获取遥感图像的场景信息，但这类方法需要大量的人工地物标记数据，而这些标记数据的获取一般都比较困难，需要耗费大量的人力物力。发展不需要标记数据的无监督分类方法（即聚类）是解决该问题的有效方法之一。而相对于监督分类结果，聚类结果往往不能满足图像分类要求，往往需要在聚类基础上加入少量的标记数据作为辅助信息，以半监督（Semi-Supervised）聚类方式来完成遥感图像分类。

为了选择能够更有效提高聚类效果的标记数据，可在半监督聚类基础上加入主动学习，形成主动聚类（Active Clustering）方式。目前的主动聚类算法大多聚类数目限制于两类^[3～4]、算法实现的复杂度太高^[5]、主动学习的对象只针对于边界点与稀疏点^[4]。

有关参考文献：

[1]D.Tuia and G.Camps-Valls,Recent advances in remote sensing image processing,in Image Processing(ICIP),200916th IEEE International Conference on,pp.3705-3708,2009.

[2]C.Xiong,D.Johnson,and J.J.Corso,Spectral active clustering via purification of the k-nearest neighbor graph,in Proc.of European Conference on Data Mining,2012.

[3]X.Wang and I.Davidson,Active spectral clustering,in Data Mining(ICDM),2010IEEE10th International Conference on,pp.561-568,2010.

[4]K.L.Wagstaff,M.desJardins,and Q.Xu,Active constrained clustering by examining spectral Eigenvectors,in8th International Conference on Discovery Science,Singapore,October8-11,2005.

[5]S.C.Hoi and R.Jin,Active kernel learning,in Proceedings of the25th international conference on Machine learning,pp.400-407,2008.

发明内容

本发明的目的是提供一种遥感图像的主动谱聚类方法，该方法能在没有任何可用标记数据的情况下，利用用户提供的“影像相似”和“影像不相似”的成对约束信息，提高遥感图像的聚类准确。

为解决上述技术问题，本发明采用如下的技术方案：

遥感图像的主动谱聚类方法，包括步骤：

步骤1，建立遥感图像数据集I的相似矩阵S，相似矩阵S中元素s_ij表示遥感图像数据集I中遥感图像i和遥感图像j的相似程度；

步骤2，以相似矩阵S为边的权重矩阵构建遥感图像数据集I的k-NN图，k-NN图中顶点表示遥感图像数据集I中的遥感图像，与顶点I_i相连的各顶点为顶点I_i邻域中邻居，即所有顶点中与顶点I_i相似程度最高的前k个顶点；

步骤3，根据k-NN图对遥感图像数据集I中遥感影像进行谱聚类；