[发明专利]一种基于集成聚类波段选择的高光谱图像分类方法及系统

说明书

本发明属于图像处理技术领域，提供了一种基于高光谱波段选择的高光谱图像分类方法及系统。该方法包括，获取高光谱图像数据集；基于高光谱图像数据集，采用基聚类生成策略，结合谱聚类得到相应的聚类划分，通过设置不同的参数，得到基聚类集合；基于基聚类集合，采用LWEC方法计算每个簇的熵和ECI值，生成LWCA矩阵；基于LWCA矩阵，采用共识函数，寻找分割点，根据分割点得到聚类结果；基于聚类结果，采用流形排序方法，得到代表性波段；基于代表性波段，结合高光谱图像数据集，对高光谱图像的像元进行分类。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于集成聚类波段选择的高光谱图像分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

高光谱图像具有丰富的光谱信息和空间信息，使其在地物识别与分类等领域具有广泛的应用。然而，随着波段数量的增加，不同波段特别是相邻波段之间的相关性很强，导致存在大量冗余信息，形成所谓“休斯”现象，这不仅降低了分类性能，还会增加计算机处理时间和存储空间。因此，有必要在地物识别和分类之前对高光谱数据进行降维。波段选择是高光谱数据降维处理的重要技术之一，它是从全部波段中选取代表性波段作为最优波段子集来代替所有波段进行研究，在不改变原始数据物理意义的前提下实现数据降维。

在波段选择方法中，基于聚类的波段选择方法因其有效地选择丰富信息和具有代表性的波段而备受关注。例如离差平方和层次聚类(Ward’s Linkage strategy UsingDivergence,WaluDi)、增强的基于密度峰值的快速聚类(Enhanced Fast density-peak-based clustering,E-FDPC)以及基于归一化划分的信息熵排序最优聚类(Normalized Cutbased Optimal Clustering with ranking criteria using Information Entropy,NC-OC-IE)等，这些方法首先将所有波段划分成多个簇，然后从每个簇中选择代表性的波段。这些基于聚类的方法减少了波段之间的冗余度，提高了分类精度。

但这些方法在聚类过程中也存在一些不足。例如，1)这些方法大多使用单一聚类算法，对于高光谱图像这样的高维数据，很难保证聚类结果的有效性和稳健性。2)高光谱数据中包含大量冗余且不相关的信息，波段之间的差异性可能是由部分特征导致，直接对高维的原始数据聚类，会降低算法的有效性。3)大多数基于聚类的方法在聚类过程中忽略了对波段选择问题相关信息的利用，从而限制了算法的性能。

针对高维数据聚类问题，国内外研究人员主要从特征选择、子空间聚类、集成聚类、深度学习等方面开展研究。其中，集成聚类从多个基聚类的结果中，通过一定策略可以生成更加有效的聚类结果，提高了高维数据聚类的稳定性。此外，集成聚类在生成健壮的划分、处理噪声特征和挖掘新的结构方面显示出特有的优势。一般来说，集成聚类可以分为两类，即基于目标函数的方法和基于启发式的方法。基于目标函数的方法将多次划分之间的相似性度量作为用于设计有效共识函数的明确全局目标。代表性的方法包括组合正则化和类K均值算法。相比之下，基于启发式的方法，如基于投票的方法和基于一致性矩阵的方法，使用一些启发式而不是目标函数来搜索近似解。例如，黄等人最近提出了一种局部加权集成聚类(Locally Weighted Ensemble Clustering,LWEC)，该方法利用熵理论对所有基聚类中每个簇的不确定性进行估计，从而利用共识函数中的局部加权策略进一步改进共识聚类结果。现有的集成聚类方法虽然在聚类性能上有了很大的提高，但还没有应用于波段选择任务。此外，局部加权集成聚类的方法是在没有考虑高光谱图像特性的情况下提出的。因此，如何在聚类策略中引入与高光谱波段选择问题相关的信息，并设计有效的共识函数来生成更优的聚类结果仍然是一个具有挑战性的问题。

近年来，表示学习在特征表示上具有独特优势，这也为高维数据聚类提供了一个新的解决思路。

发明内容