[发明专利]基于双边加权调制与滤波的高光谱图像低秩表示聚类方法

说明书

本发明公开了一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法，包括以下步骤：计算高光谱图像的低秩表示系数；联合光谱与低秩表示系数的相似度，计算双边加权矩阵；采用双边加权矩阵调制低秩表示系数；对调制的低秩表示系数进行双边滤波；利用滤波后的低秩表示系数构建相似性图；将相似性图用于谱聚类得到最终的聚类结果。本发明充分利用了高光谱的光谱相似性和空间结构信息，与传统的子空间聚类方法相比，聚类精度高、对噪声的鲁棒性高；可广泛应用于国土资源、矿产调查和精准农业领域的无监督分类。

技术领域

本发明涉及遥感图像处理技术，具体涉及一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法。

背景技术

高光谱图像由于其光谱相关性及丰富的空间信息而被广泛应用于军事监测、精细农业和矿物监测等领域，其中，高光谱图像聚类是最重要的研究内容之一。高光谱图像聚类的基本原理是在图像聚类的基础上，结合高光谱图像的光谱特性对目标图像进行区分和识别。其理论依据是相同的像元间具有相同或相似的光谱空间特征，反之，不同的像元对应的光谱和空间特征不同。

目前，已经有许多针对高光谱图像的子空间聚类算法被提出，其中最为有效的包括稀疏子空间聚类[Elhamifar E,Vidal R.Sparse Subspace Clustering:Algorithm,Theory,and Applications[J].IEEE Transactions on Pattern AnalysisMachineIntelligence,2013,35(11):2765-2781.]和低秩子空间聚类[Vidal R,Favaro P.Lowrank subspace clustering(LRSC)[J].Pattern Recognition Letters,2014,43:47-61.]。稀疏子空间聚类通过找到每个数据点的最稀疏表示而将数据点分组到不同的子空间中，同时仅从自己的子空间中选择数据点来表示自身，因此，稀疏子空间聚类不能捕获来自相同子空间的数据的相关结构；低秩子空间聚类旨在考虑数据的相关结构，得到包含主要类别信息的低秩数据矩阵，进而在高光谱图像聚类中的到很好的应用。

然而，无论是稀疏子空间聚类还是低秩子空间聚类都仅仅利用了高光谱的光谱信息的相关性，没有有效联合空间-光谱信息，聚类精度较低，而且当数据存在噪声时算法性能下降。

发明内容

本发明的目的在于提供一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法。

实现本发明目的的技术解决方案为：一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法，包括如下步骤：

步骤1，计算高光谱图像的低秩表示系数；

步骤2，联合光谱与低秩表示系数的相似度，计算双边加权矩阵；

步骤3，采用双边加权矩阵调制低秩表示系数；

步骤4，对调制的低秩表示系数进行双边滤波；

步骤5，利用滤波后的低秩表示系数构建相似性图；

步骤6，将相似性图用于谱聚类得到最终的聚类结果。

本发明与现有技术相比，其显著优点为：(1)本发明联合光谱信息和低秩表示系数的相似度，计算双边加权矩阵，调制低秩表示系数，有效利用高光谱数据的结构信息和光谱特征信息，提高了高光谱图像的聚类效果；(2)根据高光谱图像的空间结构信息，引入空间双边滤波，聚类算法对噪声的鲁棒性高。

附图说明

图1是本发明的基于双边加权调制与滤波的高光谱图像低秩表示聚类方法流程图。

图2是低秩表示系数视觉效果图。

图3是双边加权系数矩阵的视觉效果图。

图4是双边加权调制后的低秩表示系数视觉效果图。