高光谱图像谱聚类算法研究.docxVIP

高光谱图像谱聚类算法研究 1 基于二叉树锚点的高光谱快速聚类 高光谱图像（hsi）可以提取许多有价值的聚类信息，并广泛应用于环境监测、精确农业和军事领域。 近年来，HSI聚类的研究越来越广泛 针对SC算法的计算复杂度问题，一些研究提出了基于锚点的谱聚类方法。首先从HSI数据中选取部分具有代表性的数据点，将选出的数据点称为锚点，然后构造基于锚点的相似图并进行谱聚类分析 目前，针对二叉树算法在图像处理方面的应用，许多学者进行了广泛的研究。文献 针对上述问题，本文提出了一种基于二叉树锚点的高光谱快速聚类（FHC-BTA）算法。该算法创新性地将二叉树锚点选取和无核聚类的方法应用于高光谱图像中。FHC-BTA算法提高了聚类速度，其计算复杂度为O(ndm），大大降低了SC算法的计算复杂度，并且减少了热核参数调节。通过Indian Pines数据集和Salinas数据集的仿真，验证了FHC-BTA算法能够有效处理大规模高光谱图像。 2 基本原则 2.1 锚点目标函数的构造 假设从HSI数据中选取m个锚点，基于二叉树选取锚点的目标函数 式中：X为HSI数据， 式中：‖·‖ 式中：Tr·（）表示求矩阵的迹。g 式中：e 对含行标签的e 2.2 基于锚点的邻近分配 通常采用基于核的邻近分配方法构造相似图。在基于核的邻近分配方法中，高斯核函数为K（x 式中：z 式中：k为近邻数据点的数量。 相似度矩阵A 式中：Λ为对角矩阵，其第j项可以表示为 2.3 谱聚类分析 高光谱聚类的目标函数 式中：F为类指引矩阵， 式中：D为对角矩阵， 2.4 ．计算复杂度 给定HSI数据矩阵Χ，锚点数m，类别数c，簇类数k。FHC-BTA算法的计算复杂度可以分为： 1）基于二叉树选取锚点的计算复杂度为O[nd（log 2）构建基于锚点的无核相似图的计算复杂度为O（ndm); 3）获得松弛的连续解矩阵F的计算复杂度为O m 4）针对矩阵F执行K-means离散化以获得最终的聚类结果，其计算复杂度为O（nmr),r为迭代次数。 其中，mue04dn且t通常比较小，因此FHC-BTA算法总的计算复杂度为O（ndm），与谱聚类的计算复杂度相比，FHC-BTA算法可以大大降低了SC算法的计算复杂度。 3 结果与分析 3.1 sa东南角的高光谱图像 为了验证FHC-BTA算法的有效性，在Indian Pines数据集和Salinas数据集上开展了相关实验。 Indian Pines数据集是由AVIRIS传感器在1992年拍摄获取的高光谱图像，图像的像素尺寸为145pixel×145pixel，含有16类地物信息和220个光谱带。为了实验研究，去除了20个含有吸水带和噪音带的光谱（104-108,150-163），所以用于实验研究的光谱带为200个，总样本数为21025个。 Salinas数据集是由AVIRIS传感器拍摄的美国加利福尼亚州北部的萨林河谷的高光谱图像，图像的像素尺寸为512pixel×217pixel，含有16类地物信息和224个光谱带。为了实验研究，去除了20个含有吸水带和噪音带的光谱（108-112,154-167,224），所以用于实验研究的光谱带为204个，总样本数为111104个。 3.2 聚类分析算法对比 为了验证FHC-BTA算法的有效性，聚类实验将FHC-BTA算法与目前主流的HSI聚类算法进行对比，HSI聚类算法主要有K-means、FCM、FCM＿S1和SC。针对目前已有的选取锚点算法，利用K-means选取锚点（FHC-BTA＿K）和随机选取锚点（FHC-BTA＿R），在HSI数据集下进行对比实验。本文采用总准确度（OA）、平均准确度（AA）、Kappa系数、运行时间和聚类图作为实验评估指标。 3.2.1 fhc-bta算法的运行时间 在基于Indian Pines数据集的实验中，锚点数和簇类数分别为m=128和k=15。表1为各算法在Indian Pines数据集下的实验结果对比，其中对最佳的结果进行了加粗标记。从表1可见，在选取锚点的实验数据中，FHC-BTA＿R算法的运行时间最短，但AA、OA和Kappa系数都是最差的，验证了随机选取锚点速度快但聚类精度较差；与FHC-BTA＿K算法相比，FHC-BTA算法在AA上优于FHC-BTA＿K算法，虽然FHC-BTA算法在OA和Kappa系数上与FHC-BTA＿K算法相差1%左右，但FHC-BTA＿K算法的运行时间是FHC-BTA算法的3倍，所以在运行时间较短的情况下，FHC-BTA算法选取的锚点能够较好地表征整个数据集。在HSI聚类算法实验结果中，与SC算法相比，FHC-BTA算法在AA、OA和Kappa系数上均提升了2%～7%，更重要的是运行速度比SC算法快7.1倍，说明FHC-BTA算法有效