(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210380132.6 (22)申请日 2022.04.12 (71)申请人 聊城大学 地址 252000 山东省聊城市东昌府区湖南 路1号 (72)发明人 王文宏　王文光　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 王雪 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 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 (57)摘要 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。 权利要求书3页 说明书15页 附图11页 CN 114663770 A 2022.06.24 CN 114663770 A 1.一种基于集成聚类波段选择的高光谱图像分类方法， 其特 征在于， 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L WEC方法计算每 个簇的熵和E CI值， 生成L WCA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。 2.根据权利要求1所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于， 所述基聚类生成策略包括： 将深度卷积自编码器与子空间聚类相结合， 利用空间信息和非 线性特征变换， 提取光谱波段之间的相互作用， 得到第一相似度矩阵； 基于第一相似度矩 阵， 采用谱聚类得到相应的聚类划分， 通过设置不同的参数， 得到多个第一基聚类成员。 3.根据权利要求1所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于， 所述基聚类生成策略包括： 利用高维数据多样化度量方法， 将 高光谱图像数据集与随机多 样化度量相结合， 得到随机核相似性度量； 构 造高光谱图像数据集的随机子空间采样； 将随 机子空间采样与随机核相似性度量相结合， 生 成第二相似度 矩阵； 基于第二相似度 矩阵， 采 用谱聚类得到相应的聚类划分， 通过设置不同的参数， 可 得到多个第二基聚类成员。 4.根据权利要求3所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于， 将多个第一基聚类成员和多个第二基聚类成员相结合， 构造基聚类集 合。 5.根据权利要求1所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于， 所述基于L WCA矩阵， 采用共识函数， 寻找分割点， 根据分割点得到聚类结果具体包括： 将高光谱图像数据集看作一个簇G0， 其中， G0＝{b1,b2,bn,…,bN}； 共识函数使用LWCA矩阵W作 为相似度矩阵， 它表示任意一对波段之间的相似性； 相邻波 段bi和bi+1的相似度由Γ(bi， bi+1)表示， 定义如下： Γ(bi,bi+1)＝Wi,i+1 基于G0和上述公式， 第一个分割点t1是通过找到一对相似度最低的相邻波段来确定的： 分割点t1确定后， 得到 两个新簇G1＝{b1,b2,…,bi}和G2＝{bi+1,bi+2,…,bv}； 为了找到剩余的分割点， 迭代地执 行1)‑3)的过程： 1)从所得到的簇中找到具有最大波段数的簇Gj＝{bm， bm+1，···， bv， bv+1，···， bn}； 2)通过从Gj 中找到一对相似度最低的相邻波段bv和bv+1， 以确定分割点tj， 其公式表示 为： 3)直到获得的簇数等于所要聚成的类数时， 划分结束， 得到最终的共识聚类结果类 6.根据权利要求1所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于，权　利　要　求　书 1/3 页 2 CN 114663770 A 2所述基于聚类结果， 采用流形排序方法， 得到代 表性波段 具体包括： 给定y＝(y1,y2,…,yn,…,yN)是一个指示向量， 如 果yn＝1， 表示相应的波段bn在代表性 波段集Φ中； 定义向量a＝(a1,a2,…,an,…,aN)用于指示最终集成聚类中的簇是否选择了代表性波 段， 如果an＝1， 表示波段bn所在的簇已经选择了代 表波段； 否则， 代 表该簇还没有选择波段。 7.根据权利要求6所述的基于集成聚类波段选择的高光谱图像分类方法， 其特征在于， 选择代表波段的过程如下： 从整个波段集中选择具有最大方差的波段bi并把它放到初始的代表性波段集Φ中； 然 后设置 的值； 同时， 设置 中的 的值， 其中n＝1,2, …,N； 如果bn与bi在 相同的簇中， 的值设置为1， 否则设置为0； 为了选择剩余的代 表性波段， 迭代地执 行以下过程： (1)根据排序函数来计算 排序分数向量 计算公式表示 为： q＝(D‑α W)‑1y, D＝diag{d11,d22,…,dnn,…,dNN}, 其中， W是L WCA矩阵， α 是一个平衡参数； (2)选择一个代 表性波段bs＝Bs:， 其中波段的索引位置： (3)将选择的频 段放入代 表性频段集合Φ中； (4)分别由公式更新y(k)和a(k)； 当Φ中包含的波段数目等于选择的波段数量L时， 算法停止； 相应地， Φ中包含的波段 即为选定的代表性波段子集。 8.一种基于集成聚类波段选择的高光谱图像分类系统， 其特 征在于， 包括： 数据获取模块， 其被 配置为： 获取高光谱图像数据集； 基聚类模块， 其被配置为： 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； 矩阵生成模块， 其被配置为： 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；权　利　要　求　书 2/3 页 3 CN 114663770 A 3