一种基于谱聚类算法的高光谱遥感图像分类方法

doi:10.7523/j.issn.2095-6134.2019.02.015

中国科学院大学学报 ›› 2019, Vol. 36 ›› Issue (2): 267-274.DOI: 10.7523/j.issn.2095-6134.2019.02.015

一种基于谱聚类算法的高光谱遥感图像分类方法

杨随心^1,2, 耿修瑞^1,2, 杨炜暾^1,2, 赵永超^1,2, 卢晓军³

1. 中国科学院电子学研究所中国科学院空间信息处理与应用系统技术重点实验室, 北京 100190;
2. 中国科学院大学, 北京 100049;
3. 中国国际工程咨询公司, 北京 100048

收稿日期:2018-01-05 修回日期:2018-03-30 发布日期:2019-03-15
通讯作者: 杨随心
基金资助:
高分5号应用共性关键技术项目（30-Y20A28-9004-15/17）和国家重大科研仪器研制项目（41427805）资助

A method of hyperspectral remote sensing image classification based on spectral clustering

YANG Suixin^1,2, GENG Xiurui^1,2, YANG Weitun^1,2, ZHAO Yongchao^1,2, LU Xiaojun³

1. Key Laboratory of Spatial Information Processing and Application System Technology of CAS, Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. China International Engineering Consulting Corporation, Beijing 100048, China

Received:2018-01-05 Revised:2018-03-30 Published:2019-03-15

摘要/Abstract

摘要： 结合K-means算法和谱聚类方法的优点，提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上，采用K-means算法对图像进行粗聚类处理，然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比，该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明，相对于K-means和谱聚类方法，该方法具有良好的聚类性能。

关键词: 高光谱图像, 聚类, 谱聚类, K均值聚类

Abstract: As common unsupervised clustering methods, K-means and spectral clustering methods have some disadvantages and limitations in clustering hyperspectral remote sensing image. Aiming at these problems, a new clustering method of hyperspectral image is proposed in this study. In this method, based on the feature reduction dimension of hyperspectral image data, K-means algorithm is first used to make rough clustering of images. Then spectral clustering method is used to cluster the results of coarse clustering with high precision. Compared with K-means clustering algorithm, this method effectively improves the classification accuracy of hyperspectral image clustering. Experiments on simulated data and real hyperspectral data show that this method has good clustering performance compared with K-means and spectral clustering methods.

Key words: hyperspectral images, clustering, spectral clustering, K-means

中图分类号:

TP391

杨随心, 耿修瑞, 杨炜暾, 赵永超, 卢晓军. 一种基于谱聚类算法的高光谱遥感图像分类方法[J]. 中国科学院大学学报, 2019, 36(2): 267-274.

YANG Suixin, GENG Xiurui, YANG Weitun, ZHAO Yongchao, LU Xiaojun. A method of hyperspectral remote sensing image classification based on spectral clustering[J]. , 2019, 36(2): 267-274.

参考文献

[1] 童庆禧. 高光谱遥感[M]. 北京:高等教育出版社, 2006:47-65.
[2] 万余庆. 高光谱遥感应用研究[M]. 北京:科学出版社, 2006:35-98.
[3] Ma X L, Ren Z Y, Wang Y L. Research on hyperspectral remote sensing image classification based on SAM[J].System Sciences & Comprehensive Studies in Agriculture, 2009, 25(2):204-208.
[4] Shafri H Z M, Suhaili A, Mansor S. The performance of maximum likelihood, spectral angle mapper, neural network and decision tree classifiers in hyperspectral image analysis[J]. Journal of Computer Science, 2007, 3(6):419-423.
[5] Gao L, Li J, Khodadadzadeh M, et al. Subspace-based support vector machines for hyperspectral image classifica-tion[J]. IEEE Geoscience & Remote Sensing Letters, 2015, 12(2):349-353.
[6] Hu W, Huang Y, Wei L, et al. Deep convolutional neural networks for hyperspectral image classification[J]. Journal of Sensors, 2015(2):1-12.
[7] Han J, Kamber M. Data mining concepts and technique[M]. San Fransisco:Morgan Kaufmann press, 2001:23-106.
[8] Macqueen J. Some methods for classification and analysis of MultiVariate observations[C]//Proc of Berkeley Symposium on Mathematical Statistic-sand Probability, 1967:281-297.
[9] Wagstaff K, Cardie C, Rogers S, et al. Constrained K-means clustering with background knowledge[C]//Eighteenth International Conference on Machine Learning. San Francisco:Morgan Kaufmann Press, 2001:577-584.
[10] Comaniciu D, Meer P. Mean shift:a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(5):603-619.
[11] Ball G H, Hall D J. ISODATA, a novel method of data analysis and pattern classification[R]. Stanford research inst Menlo Park CA, 1965.
[12] Ester M, Kriegel H P, Xu X. A densitybased algorithm for discovering clusters a density-based algorithm for discovering clusters in large spatial databases with noise[C]//International Conference on Knowledge Discovery and Data Mining. Portland:AAAI Press, 1996:226-231.
[13] 蔡晓妍, 戴冠中, 杨黎斌. 谱聚类算法综述[J]. 计算机科学, 2008, 35(7):14-18.
[14] Ng A Y, Jordan M I, Weiss Y. On spectral clustering:analysis and an algorithm[J]. Proc Nips, 2001, 14:849-856.
[15] Zelnik-Manor L. Self-tuning spectral clustering[J]. Advances in Neural Information Processing Systems, 2004, 17:1601-1608.
[16] Hagen L, Kahng A B. New spectral methods for ratio cut partitioning and clustering[J].IEEE Transactions on Com-puter-Aided Design of Integrated Circuits and Systems, 1992, 11(9):1074-1085.
[17] Abdi H, Williams L J. Principal component analysis[J]. Wiley Interdisciplinary Reviews Computational Statistics, 2010, 2(4):433-459.
[18] Green A, Berman M, Switzer P, et al. A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J]. IEEE Transactions on Geoscience & Remote Sensing, 1988, 26(1):65-74.
[19] Chen L J, Zou X J, Chen B B, et al. An improved FastICA algorithm and its application in image feature extraction[J]. Advanced Materials Research, 2011, 204-210:1485-1489.
[20] Pudn.com.Clustering datasets:China[EB/OL].(2015-04-18)[2018-01-03]. http://www.pudn.com/Download/item/id/2741142.html.
[21] Tsaparas P, Mannila H, Gionis A. Clustering aggregation[J]. Acm Transactions on Knowledge Discovery from Data, 2007, 1(1):4.
[22] 李翔. 高光谱影像的聚类分析及应用[D]. 北京:北京交通大学, 2015.

一种基于谱聚类算法的高光谱遥感图像分类方法

A method of hyperspectral remote sensing image classification based on spectral clustering

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[2]	隋小芸, 朱廷劭, 汪静莹. 基于局部特征优化的语音情感识别[J]. 中国科学院大学学报, 2017, 34(4): 431-438.
[3]	邢涛, 黄友红, 胡庆荣, 李军, 王冠勇. 基于动态K均值聚类算法的SAR图像分割[J]. 中国科学院大学学报, 2016, 33(5): 674-678.
[4]	公雪霜, 于丽君, 聂跃平, 朱建峰, 潘玉青. 辽宁西部地区先秦时期聚落遗址空间格局分析[J]. 中国科学院大学学报, 2016, 33(3): 373-379.
[5]	吴文娣, 程希骏, 刘峰. 基于K-means聚类和广义熵约束的CVaR投资组合模型[J]. 中国科学院大学学报, 2016, 33(1): 31-36.
[6]	谢小龙, 李毅. 陇西栽培蒙古黄芪生物学性状的多元统计分析[J]. 中国科学院大学学报, 2013, 30(4): 478-484.
[7]	毛万峰, 张红, 张波, 王超. 基于模糊水平集的SAR图像分割方法[J]. 中国科学院大学学报, 2013, 30(2): 238-243.
[8]	王秋明, 高慧颖, 刘科成. 基于模糊聚类及灰色关联的软件需求分析方法[J]. 中国科学院大学学报, 2010, 27(6): 859-863.
[9]	曹政, 朱明. 一种快速有效的相似视频检索方法[J]. 中国科学院大学学报, 2010, 27(3): 376-380.
[10]	赵冬, 赵光恒. 基于改进遗传算法的高光谱图像波段选择[J]. 中国科学院大学学报, 2009, 26(6): 795-802.
[11]	夏鲁宁, 荆继武. SA-DBSCAN:一种自适应基于密度聚类算法[J]. 中国科学院大学学报, 2009, 26(4): 530-538.
[12]	王晶, 夏鲁宁, 荆继武. 一种基于密度最大值的聚类算法[J]. 中国科学院大学学报, 2009, 26(4): 539-548.
[13]	宋进亮罗铁坚陈肃刘伟. 一种利用聚类思想解决重复任务问题的处理方法[J]. 中国科学院大学学报, 2009, 26(1): 107-113.
[14]	秦钰;　荆继武;　向继;　张爱华. 基于优化初始类中心点的K-means改进算法[J]. 中国科学院大学学报, 2007, 24(6): 771-777.
[15]	谢小龙胡延萍赵旭东王莉李毅. 陇西栽培蒙古黄芪酯酶同工酶数量分析[J]. 中国科学院大学学报, 2007, 24(4): 525-529.