[发明专利]空谱联合超图嵌入的高光谱图像极限学习机聚类方法

摘要

本发明属于图像处理技术领域，公开一种空谱联合超图嵌入的高光谱图像极限学习机聚类方法，包括：步骤1：高光谱数据预处理；步骤2：计算预处理后的高光谱数据的空谱联合信息XS；步骤3：通过XS构造空谱联合超图；步骤4：通过所述空谱联合超图计算超图拉普拉斯矩阵Lh；步骤5：设定隐含层网络权重参数；步骤6：计算隐含层特征；步骤7：构造空谱联合超图拉普拉斯正则项及优化模型；步骤8：对所述优化模型进行求解，得出空谱联合超图结构的相似性保持投影特征，并进行谱聚类得到最终的聚类标签。本发明聚类精度高、对噪声的鲁棒性高。

主权项

1.一种空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，包括：步骤1：高光谱数据预处理：输入高光谱图像X₀∈R^D×W×H，D、W、H分别表示该高光谱图像的特征维数及空间维的宽度、高度，将所述高光谱数据X₀按行逐像素排列形成预处理后的高光谱数据作为极限学习机模型的输入，其中，N＝W×H表示高光谱像元的个数，x_i∈R^D表示一个高光谱像元；步骤2：计算预处理后的高光谱数据的空谱联合信息：对任意高光谱像元x_i通过双边滤波计算其空谱联合信息得到新的包含空谱联合信息的高光谱数据步骤3：通过X^S构造空谱联合超图：以X^S表示超图的顶点的集合，E表示超图的超边的集合，W表示超图的超边的权重的集合构造空谱联合超图G^S＝(X^S,E,W)；步骤4：通过所述空谱联合超图计算超图拉普拉斯矩阵L_h；步骤5：设定隐含层网络权重参数：设定初始隐含层的节点数M，随机选择隐含层节点输入连接权重w_j∈R^D和隐含层节点偏移值b_j∈R^D，j∈[1,M]，选择激活函数为sigmoid函数；步骤6：计算隐含层特征：按照公式h_i＝[g(w₁x_i+b₁)…g(w_Mx_i+b_M)]^T计算像元x_i的隐层输出，其中，g(·)表示激活函数，i∈[1,N]；则X对应的隐含层特征为H＝[h₁,h₂,…,h_N]∈R^M×N；步骤7：构造空谱联合超图拉普拉斯正则项及优化模型：基于空谱联合超图结构的相似性保持方法建立空谱联合超图拉普拉斯正则项Tr(A^THL_hH^TA)及优化模型，其中，Tr(.)表示矩阵的迹，A为空谱联合超图结构的相似性保持投影特征矩阵；步骤8：对所述优化模型进行求解，得出空谱联合超图结构的相似性保持投影特征，并进行谱聚类得到最终的聚类标签。