[发明专利]用于大数据量光谱遥感图像分类的非监督聚类方法

摘要

本发明公开了一种用于大数据量光谱遥感图像分类的非监督聚类方法。将原始数据划分为若干数据块，通过峰值密度搜索方法得到各数据子块的聚类中心；将聚类中心重新分成若干数据块，通过峰值密度搜索方法再次聚类，减少聚类中心数；重复分块‑聚类过程至可以用一个二维矩阵表征任意两个聚类中心的相似度，进而得到最终的分类结果。本发明方法的优势在于：适用性好，不仅可以用于谱段数较多的高光谱遥感图像分类，也适用于谱段数较少的多光谱遥感图像或谱段选择后的高光谱遥感图像分类；运算效率较高，分块处理减少了相似度矩阵的计算冗余，且由于各数据块的聚类处理相互独立，可采用并行处理加快分类速率。

主权项

1.一种用于大数据量光谱遥感图像分类的非监督聚类方法，其特征在于：包括如下步骤：/n步骤1：谱段选择；/n步骤2：按像元数n划分数据块；/n步骤3：搜寻各数据块的聚类中心；/n步骤4：判断像元数n是否大于聚类中心数；是，则转步骤5，否，则转步骤6；/n步骤5：剔除像元密度低的聚类中心，选取局域密度较高的聚类中心；转步骤7；/n步骤6：增加像元数n；转步骤2；/n步骤7：光谱遥感数据按聚类中心分类；得到分类图像；/n步骤2至步骤6描述的基于密度峰值搜索方法的数据分块-聚类方法，其核心过程如下：/n对于第一次分块-聚类过程而言，定义数据块中某一像元的局域密度为：/n /n式中，ρ_i为像元i的局域密度；d_ij为像元i与像元j之间的相似度；d_c为相似度门限，其大小将影响分类结果；χ为判决函数，有定义式：/n /n采用欧式距离定义任意式(11)中两像元i与j之间的相似度为：/n /n式中，x_ik与x_jk分别为像元i与像元j的光谱数据；k为谱段编号；/n在各数据块中，利用式(11)计算所有像元的局域密度，并从大到小排序，定义某像元的欧式距离最小值为：/nδ_i＝min(d_ij),j∈ρ_j＞ρ_i (14)/n式中，δ_i为像元i至高于其局域密度像元的距离最小值；min为求最小值符号，由式(14)可知，像元的距离最小值代表了相似度最小值；/n在搜寻各数据块的聚类中心时，仅采用相似度门限d_c作为聚类中心的判断标准，局域密度标准仅用于选取最终的聚类中心；/n对于第二次及后续分块-聚类过程而言，将前一次聚类所得聚类中心划分为若干数据库并聚类，定义新的局域密度为：/n /n式中，ρ′_i为再次聚类的局域密度；χ′为判决函数，有定义式：/n /n式中，ρ_j为前一次聚类所得的局域密度；/n对于最后一次聚类过程：通过计算聚类中心之间的相似度，合并距离小于相似度门限d_c的聚类中心；剔除局域密度较小的聚类中心，从而得到最终的聚类结果。/n