基于图表示的高光谱图像聚类方法研究及其优化

子空间聚类

超像素分割

需积分: 2 64 浏览量 2024-10-13 23:34:49 上传评论收藏 3.28MB PDF 举报

资源推荐

资源详情

资源评论

摘要

高光谱遥感技术利用数百个连续细分的波段对目标区域同时成像，形成包含

丰富空间光谱信息的三维高光谱图像。如何对高光谱图像的内容进行精确识别是

目前重要的研究课题。无监督高光谱图像聚类旨在没有类别标记信息的情况下，根

据像素间的内在相似性实现像素的归类划分。传统的高光谱图像聚类方法没有考

虑到像素点间的几何空间特征,把高光谱数据当成无序的集合来进行聚类。当高光

谱数据空间-光谱结构简单且不受像素噪声干扰时，传统的聚类方法通常可以获得

良好的聚类精度。然而，由于高光谱图像的规模较大、高光谱数据的固有结构复杂

以及容易受到噪声污染等特性，无监督高光谱图像聚类仍是一项具有挑战性的任

务。基于此背景，本文充分考虑高光谱图像的结构化信息，开展了基于图表示的高

光谱图像聚类方法研究。本文研究内容如下：

（1）为了充分利用高光谱图像的空谱结构化信息，本文提出一种基于双图融

合的子空间聚类模型（Dual Graph Fusion Subspace Clustering, DGFSC），以有效地

将像素划分为不同的类。DGFSC 在基本的子空间聚类模型中整合了图卷积的概念，

以充分挖掘和利用潜在的结构化信息。DGFSC 利用超像素分割技术获得的超像素

构造超像素级特征，用于构造具有空间信息的像素相似图以及包含波段信息的波

段相似图。DGFSC 基于这两个相似图的对偶图卷积，从图表示的数据中学习到了

更鲁棒的亲和矩阵。该模型通过联合考虑空间信息和结构化信息有效的提高了聚

类性能，大大减少了子空间聚类模型的计算复杂度。

（2）针对传统聚类算法空谱信息利用率低以及计算复杂度高的问题，本文进

一步提出了一种基于光谱-空间超像素锚图的聚类方法（Spectral-Spatial Superpixel

Anchor Graph-based Clustering，S



AGC）。 S



AGC首先利用超像素分割得到的局部同

质区域，用于去除高光谱图像中的噪声像素。基于均匀区域的空间分布，使用图卷

积的方法将波段的结构信息嵌入到基于锚图的聚类框架中，获得了更好的聚类性

能。此外，S



AGC提出了一种有效的锚点选择策略，以缓解随机选择或 k-means 聚

类方法选择锚点的不稳定性。与一般模型不同，S



AGC通过同时考虑空间结构化信

息以及锚点挑选策略，在较短时间内获得了更好的聚类精度。

本文在不同高光谱图像数据集上进行了实验验证，实验结果表明本文提出的

DGFSC 和S



AGC方法能够利用更深层次的空间-光谱结构化信息获得了较高精度。

关键词：高光谱图像聚类；子空间聚类；图卷积；超像素分割；基于锚图的聚

类

Abstract

Hyperspectral images containing numerous spatial pixels and hundreds of

continuous spectral bands are obtained with spectrometers. Accurately identifying the

content of hyperspectral images is currently an important research topic. Unsupervised

hyperspectral image clustering aims to classify and partition pixels based on their inherent

similarities without category label information. Traditional high-spectral image clustering

methods did not consider the geometric spatial features between pixels, treating high-

spectral data as an unordered set for clustering. When the spatial-spectral structure of

hyperspectral data is simple and not affected by pixel noise, traditional clustering methods

can usually achieve good clustering accuracy. However, due to the large scale of high-

spectral images, the complexity of the inherent structure of high-spectral data, and

susceptibility to noise pollution, unsupervised high-spectral image clustering remains a

challenging task. Against this background, this thesis fully considers the structured

information of high-spectral images and conducts research on graph-based high-spectral

image clustering methods. Specifically, the research content of this thesis is as follows:

(1) To fully utilize the spatial-spectral structured information of hyperspectral

images, we propose a spectral-spatial subspace clustering model, called dual graph fusion

subspace clustering (DGFSC), to effectively partition pixels into different clusters.

DGFSC integrates the concept of graph convolution into the basic subspace clustering

model to fully explore and utilize potential structured information. The DGFSC method

employs superpixel segmentation to obtain superpixel-level features, which are used to

construct a pixel similarity graph with spatial information and a band similarity graph

with spectral information. Based on the dual graph convolution of these two similarity

graphs, DGFSC learns a more robust affinity matrix from the graph-represented data. By

jointly considering spatial and structured information, the model effectively improves

clustering performance.

(2) To address the low utilization of spatial information and high technical

complexity of traditional clustering algorithms, a spectral-spatial superpixel anchor

graph-based clustering (S



AGC) method is proposed for hyperspectral images. S



AGC

first uses locally homogeneous regions obtained through superpixel segmentation to

remove noise pixels in hyperspectral images. Based on the spatial distribution of uniform

第一章绪论 ............................................................................................................ 1

1.1 研究背景与意义 ....................................................................................... 1

1.2 高光谱图像聚类方法研究现状及其问题 ............................................... 3

1.2.1 传统高光谱图像聚类算法 ............................................................ 3

1.2.2 基于图的高光谱图像聚类算法 .................................................... 4

1.2.3 现有研究难点 ................................................................................ 5

1.3 研究内容与章节组织安排 ....................................................................... 6

1.3.1 本文研究内容 ................................................................................ 6

1.3.2 本文章节安排 ................................................................................ 7

第二章相关理论研究 ............................................................................................ 8

2.1 高光谱图像介绍 ....................................................................................... 8

2.2 高光谱图像空谱信息提取技术理论基础 ............................................... 9

2.2.1 超像素分割 .................................................................................... 9

2.2.2 图卷积神经网络 ........................................................................... 11

2.3 高光谱图像聚类方法理论基础 ............................................................. 12

2.3.1 子空间聚类理论基础 .................................................................. 12

2.3.2 基于锚图的聚类理论基础 .......................................................... 13

2.4 本章小结 ................................................................................................. 15

第三章基于双图融合的高光谱图像子空间聚类方法 ...................................... 16

3.1 引言 ......................................................................................................... 16

3.2 基于双图融合子空间聚类方法 ............................................................. 17

3.2.1 总体结构 ...................................................................................... 17

3.2.2 超像素特征生成 .......................................................................... 18

3.2.3 相似图的构造 .............................................................................. 18

3.2.4 模型提出 ...................................................................................... 19

3.2.5 模型优化与求解 .......................................................................... 21

3.2.6 谱聚类 .......................................................................................... 21

3.3 实验结果与参数分析 ............................................................................. 23

3.3.1 实验数据集介绍 .......................................................................... 23

3.3.2 实验设置 ...................................................................................... 25

剩余61页未读，继续阅读

评论收藏

内容反馈

pk_xz123456

粉丝: 2325
资源: 2475

基于图表示的高光谱图像聚类方法研究及其优化

基于空间谱组合聚类算法的高光谱图像分类附matlab代码.zip

快速增量光谱聚类算法的图像分割

高光谱遥感图像FuzzyMeansCluster算法-matlab.rar

基于区域聚类的高光谱分解空间预处理

超光谱遥感图像无损压缩方法

基于子空间结构正则化的L21非负矩阵分解高光谱解混.docx

遥感影像K均值聚类中的初始化方法-遥感影像K均值聚类中的初始化方法.pdf

使用双自动编码器网络的深度光谱聚类

K-最近邻算法 matlab代码

基于K均值的遥感图像自动识别分类

Pavia University高光谱数据和地面验证数据

韩国延世大学研究生图像处理课程讲义集合

基于FMC遥感图像分类

免费下载 白话遥感图像分类技术

基于QPSO和分集控制的多光谱遥感图像分类

MultiSpecWin32

第6讲-遥感图像解译

遥感数字图像分类

基于胶囊网络的工业互联网入侵检测方法.docx

ERDAS教程

erdas遥感图像处理

大学生创新创业训练计划项目信息表.doc

基于自适应训练集选择的优化频谱重构

ERDAS9.2初级教程

asiftmatlab-[转载]计算机视觉算法与代码集锦 计算机视觉.pdf

vc++人脸检测系统源码

最新资源

免费下载白话遥感图像分类技术

asiftmatlab-[转载]计算机视觉算法与代码集锦计算机视觉.pdf