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技术

本发明专利技术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。本发明专利技术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。

Hyperspectral image low rank representation clustering method based on bilateral weighted modulation and filtering

The invention discloses a clustering method of low rank representation of hyperspectral image based on weighted modulation and bilateral filtering, which comprises the following steps: Calculation of low rank hyperspectral image representation coefficient; joint spectrum and low rank representation coefficient of similarity calculation, bilateral weighted low rank matrix; the bilateral weighted matrix modulation coefficient of low rank representation; modulation of the said coefficient of bilateral filtering; using the low rank representation after filtering coefficient to construct a similarity graph; the similarity graph is used for spectral clustering to get the final clustering result. The invention makes full use of the spectral hyperspectral similarity and spatial structure information, compared with the traditional method of subspace clustering, clustering accuracy and robustness to noise; unsupervised classification can be widely used in land resources, mineral resources survey and precision agriculture field.

【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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[ElhamifarE,VidalR.SparseSubspaceClustering:Algorithm,Theory,andApplications[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2013,35(11):2765-2781.]和低秩子空间聚类[VidalR,FavaroP.Lowranksubspaceclustering(LRSC)[J].PatternRecognitionLetters,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。
技术实现思路
本专利技术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。实现本专利技术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。本专利技术与现有技术相比，其显著优点为：(1)本专利技术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是本专利技术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。图5是双边滤波后的低秩表示系数视觉效果图。图6(a)为Salinas-A数据集的真实地物分布图。图6(b)为Salinas-A数据集采用K-means方法的聚类效果图。图6(c)为Salinas-A数据集采用谱聚类方法的聚类效果图。图6(d)为Salinas-A数据集采用稀疏子空间聚类方法的聚类效果图。图6(e)为Salinas-A数据集采用低秩子空间聚类方法的聚类效果图。图6(f)为Salinas-A数据集采用光谱与低秩表示系数加权的低秩子空间聚类方法的聚类效果图。图6(g)为Salinas-A数据集采用结合空间信息的低秩子空间聚类方法的聚类效果图。图6(h)为Salinas-A数据集采用本专利技术所提的双边加权调制与滤波的低秩子空间聚类方法的聚类效果图。图7(a)为PaviaUniversity数据集的真实地物分布图。图7(b)为PaviaUniversity数据集采用K-means方法的聚类效果图。图7(c)为PaviaUniversity数据集采用谱聚类方法的聚类效果图。图7(d)为PaviaUniversity数据集采用稀疏子空间聚类方法的聚类效果图。图7(e)为PaviaUniversity数据集采用低秩子空间聚类方法的聚类效果图。图7(f)为PaviaUniversity数据集采用光谱与低秩表示系数加权的低秩子空间聚类方法的聚类效果图。图7(g)为PaviaUniversity数据集采用结合空间信息的低秩子空间聚类方法的聚类效果图。图7(h)为PaviaUniversity数据集采用本专利技术所提的双边加权调制与滤波低秩子空间聚类方法的聚类效果图。具体实施方式结合图1，一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。进一步的，步骤1具体为：输入一幅高光谱图像X0∈RW×H×L，光谱分辨率在10-1μm范围内，W和H分别表示图像的宽度和高度，L表示高光谱图像的波段数；将原始数据X0逐像素排列形成矩阵X∈RN×L作为低秩表示模型的输入，N＝W×H表示高光谱像元的个数，矩阵X作为自表示字典，建立低秩表示最小化模型，其模型为：求解得到对应的低秩表示系数矩阵C＝[c1,c2,…,cN]∈RN×N；上式中，E∈RN×L为噪声矩阵，λ＞0为正则参数，||C||*为低秩表示系数矩阵C的核范数，定义如下：其中，trace(·)表示矩阵的迹运算，σi表示矩阵C的奇异值；||E||2,1是噪声矩阵E的混合l2,1范数，定义如下：其中，ea,b表示矩阵E的第a行第b列元素。进一步的，步骤2中联合光谱信息和低秩表示系数，计算双边加权矩阵W∈RN×N，N表示高光谱像元的个数，具体包括以下步骤：步骤2-1，构造归一化光谱信息相似性矩阵，计算公式为：其中，xi表示第i个高光谱像元，xj表示除了第i像元之外的其他像元；步骤2-2，构造归一化低秩表示系数相似性矩阵，计算公式为：其中，ci表示xi所对应的低秩表示系数，cj表示xj所对应的低秩表示系数；步骤2-3，融合计算归一化光谱与低秩表示系数相似性矩阵，计算公式为：其中，为求得的双边加权矩阵。进一步的，步骤3具体为：采用双边加权矩阵调制低秩表示系数，计算公式为：其中，表示矩阵的对应点相乘，为调制后的加权低秩表示系数矩阵。进一步的，步骤4中对调制后的加权低秩表示系数做空间双边滤波处理，得到最终的低秩表示系数其中BF(·)是一个双边滤波函数；具体包括以下步骤：(1)将二维的调制后加权低秩表示系数矩阵按列取矩阵的元素转化成立方体数据T∈RW×H×N，与原始的高光谱图像表示形式一致，其中，W和H分别表示图像的宽度和高度，N表示T的维度，任意一个系数向量T(p,q)看作一个像元，(p,q)表示像元在T中的空间位置；(2)对立方体数据进行空间双边滤波对(p,q)位置的像元进行相邻像元的选择处理，得到该像元的相邻像元集合其中邻域像元求解(p,q)位置的像元的几何距离本文档来自技高网...

【技术保护点】
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，其特征在于，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。

【技术特征摘要】
1.一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，其特征在于，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。2.根据权利要求1所述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，其特征在于，步骤1具体为：输入一幅高光谱图像X0∈RW×H×L，W和H分别表示图像的宽度和高度，L表示高光谱图像的波段数；将原始数据X0逐像素排列形成矩阵X∈RN×L作为低秩表示模型的输入，N＝W×H表示高光谱像元的个数，矩阵X作为自表示字典，建立低秩表示最小化模型，其模型为：求解得到对应的低秩表示系数矩阵C＝[c1,c2,…,cN]∈RN×N；上式中，E∈RN×L为噪声矩阵，λ＞0为正则参数，||C||*为低秩表示系数矩阵C的核范数，定义如下：其中，trace(·)表示矩阵的迹运算，σi表示矩阵C的奇异值；||E||2,1为噪声矩阵E的混合l2,1范数，定义如下：其中，ea,b表示矩阵E的第a行第b列元素。3.根据权利要求1所述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，其特征在于，步骤2中联合光谱信息和低秩表示系数，计算双边加权矩阵N表示高光谱像元的个数，具体包括以下步骤：步骤2-1，构造归一化光谱信息相似性矩阵，计算公式为：其中，xi表示第i个高光谱像元，xj表示除了第i像元之外的其他像元；步骤2-2，构造归一化低秩表示系数相似性矩阵，计算公式为：其中，ci表示xi所对应的低秩表示系数，cj表示xj所对应的低秩表示系数；步骤2-3，融合计算归一化光谱与低秩表示系数相似性矩阵，计算公式为：其中，为求得的双边加权矩阵。4.根据权利要求1所述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，其特征在于，步骤3具体为：采用双边加权矩阵调制低秩...

【专利技术属性】
技术研发人员：肖亮，徐金环，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32