亚傅体育app官网

当前位置: 首页 > 科学研究 > 科研成果 > 正文

大场景高光谱遥感影像非局部可拓展加权稀疏低秩子空间聚类方法研究


【论文】Nonlocal Means Regularized Sketched Reweighted Sparse and Low-Rank Subspace Clustering for Large Hyperspectral Images

大场景高光谱遥感影像非局部可拓展加权稀疏低秩子空间聚类方法研究

 

【论文】Sparsity-Based Clustering for Large Hyperspectral Remote Sensing Images

大场景高光谱遥感影像稀疏聚类方法研究

 

参考文献:

H. Zhai, H. Zhang*, L. Zhang, P. Li (2020). Nonlocal Means Regularized Sketched Reweighted Sparse and Low-Rank Subspace Clustering for Large Hyperspectral Images. IEEE Transactions on Geoscience and Remote Sensing. DOI: 10.1109/TGRS.2020.3023418. SCI, IF: 5.855, 地大T2, JCR Q1, 中科院大类1Top期刊

 

论文下载链接:

http://ieeexplore-ieee-org-s.webvpn.cug.edu.cn:8118/document/9205649

 

H. Zhai, H. Zhang*, L. Zhang, P. Li (2020). Sparsity-Based Clustering for Large Hyperspectral Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing. DOI:10.1109/TGRS.2020.3032427. SCI, IF: 5.855, 地大T2, JCR Q1, 中科院大类1Top期刊

 

论文下载链接:

http://ieeexplore-ieee-org-s.webvpn.cug.edu.cn:8118/document/9257589

 

 

 

 

 

团队成员

 

翟晗博士,中国地质大学(武汉)亚傅体育app官网副教授、硕士生导师。主要从事遥感图像处理、遥感信息提取与应用等方向的科学研究工作

联系方式:zhaihan@cug.edu.cn (H. Zhai)

张洪艳*(通讯作者),博士,武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师、教育部青年长江。主要从事影像质量改善、高光谱信息处理与农业遥感等方向的科学研究工作

联系方式:zhanghongyan@whu.edu.cn (H. Zhang)

张良培,博士武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师教育部长江学者,IEEE Fellow主要从事测绘、遥感图像处理、人工智能、模式识别等方向的科学研究工作。

李平湘,博士,武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师。主要从事摄影测量与雷达影像处理等方向的科学研究工作

 

成果介绍

高光谱遥感能够捕获地物纳米级的连续光谱曲线,以较高的光谱诊断能力对地物目标进行精细化分类与识别,高光谱数据已成为众多行业领域的重要数据源。然而,高光谱影像是典型的高维数据,地物信息提取通常需要数目较大的训练样本。但在实际遥感应用中,训练样本的采集通常需要耗费大量的人力物力,尤其在某些边远无人区,勘测人员很难到达,先验信息根本无法获取,极大地制约了高光谱遥感的行业应用能力和水平。因此,如何摆脱训练样本的限制,实现无先验信息条件下高光谱遥感地物信息的精细化提取,提升高光谱数据的应用潜力,具有重要的理论意义与应用价值。

高光谱聚类是一种常用的非监督信息提取技术,其能够不依赖任何训练样本,仅通过挖掘数据潜在的本征结构实现像素点集的自然划分。然而,受复杂成像环境的影响,高光谱数据具有十分复杂的内部结构地物光谱时空多变,使得高光谱聚类成为一项非常具有挑战性的任务。传统聚类方法由于未能准确建模高光谱影像的复杂结构和光谱变化,通常难以取得理想的聚类结果。近年来,子空间聚类方法在高光谱遥感领域得到了成功应用,取得了较为显著的成绩。然而,由于大规模图优化及图割问题,该类方法通常受到计算复杂度的困扰,时间成本极高,对计算资源的依赖很大,拓展性十分有限,难以适应实际大场景应用需求。有鉴于此,在子空间聚类模型的基础上,我们提出两种新型大场景高光谱遥感影像聚类方法,分别为非局部可拓展加权稀疏低秩子空间聚类方法(Nonlocal means regularized sketched reweighted sparse and low-rank subspace clustering NL-SSLR)和稀疏聚类方法(Sparsity-based clustering

首先介绍第一种方法,非局部可拓展加权稀疏低秩子空间聚类(NL-SSLR)。为有效降低子空间聚类模型的计算复杂度,我们引入可拓展子空间聚类模型(Sketched subspace clustering model),利用随机投影快速构建具有同等刻画能力的压缩字典,如图1所示,用于像素自表达学习,从而高效挖掘高光谱影像数据结构。在此基础上,构建加权稀疏低秩表达模型,同时挖掘高光谱影像像素点集潜在的局部结构信息和全局结构信息,从而更加准确的学习高光谱像素之间潜在的邻接关系;另一方面,构建非局部均值正则化约束,探究影像的自相似性,耦合影像非局部空间信息在表达域一体化建模,充分挖掘影像空-谱特征在表达域的高判别性,同时促进系数矩阵的平滑性,以保障聚类结果的空间一致性。

 

 

1. 压缩字典构建。

提出的NL-SSLR算法模型可以构建如下,其工作机制如图2所示:

(1)

其中,Y为高光谱数据二维矩阵,B为构建的压缩字典,A为系数矩阵,为非局部均值系数矩阵W为权值矩阵,为正则化参数。对于上述优化问题,利用交替方向乘子算法进行有效求解

 

 

2. 非局部可拓展加权稀疏低秩子空间聚类方法工作机制。

 

以广泛使用的AVIRIS传感器获取的美国萨利纳斯农场数据(Salinas)为例,验证该算法的有效性。该数据大小为具有224个光谱波段,3.7m空间分辨率,共16种典型地物,其中包含较多的植物亚类,光谱相似度较高,如图3所示,给聚类分析带来较大挑战。

 

 

 

 

(a)

(b)

(c)

3. Salinas实验:(a) 假彩色图像,(b) ground truth, (c) 16类地物平均光谱。

 

我们选取8种典型的聚类方法作为对比算法,其结果如图4和表1所示。从图4和表1中可以看出,我们提出的NL-SSLR算法在有效降低子空间聚类模型计算复杂度的同时,进一步提高了模型的聚类性能,在子空间聚类方法因内存原因无法正常工作的情况下,在该场景影像上取得了最优的聚类结果,且相较于其他方法,其聚类精度有大幅提高。

 

 

 

 

 

(a)

(b)

(c)

(d)

(e)

 

 

 

 

 

(f)

(g)

(h)

(i)

(j)

 

4. Salinas实验聚类结果:(a) Ground truth, (b) FCM, (c) FCM-S1, (d) SSC (OM means out of memory), (e) L2-SSC (OM means out of memory), (f) Scalable-SC, (g) SGCNR, (h) FSCAG, (i) Sketched-SSC, and (j) NL-SSLR.

 

 

接下来,介绍第二种方法,稀疏聚类方法(Sparsity-based clustering。相比于子空间聚类方法,我们借鉴高光谱分类思想,将大规模像素点集的图优化问题转化为逐像素优化求解问题,从而大幅降低了模型的计算复杂度和时间成本。同时,我们沿用子空间思想,将每个目标像素仅由其同子空间中原子进行稀疏重构,以准确建模高光谱数据的内部结构和光谱变化。在稀疏表达的理论框架下,我们提出两种具体的稀疏聚类模型,分别为稀疏编码聚类模型(sparse coding-based clustering SCC)和联合稀疏编码聚类模型(joint sparse coding-based clustering JSCC)。首先,在没有任何训练样本和先验知识的条件下,充分挖掘聚类中心的类别指示性,利用k-means对影像进行预聚类,结合 K最近邻方法,依次选择离各聚类中心最近的k个像素,构建结构化字典,用于像素稀疏编码,如图5所示。其次,借助结构化字典,构建稀疏编码模型,求解每个目标像素的稀疏编码系数,通过挖掘编码系数潜在的结构模式,根据最小残差准则,实现像素的类别划分。最后,考虑到稀疏编码模型仅利用影像光谱信息,判别能力有限,通过引入超像素邻域,构建联合稀疏编码模型,自适应探究邻域像素稀疏表达的共性特征,促进邻域像素共享相同的稀疏基及系数稀疏模式,同时耦合影像空间信息辅助光谱分析,从而进一步提高聚类精度。

 

 

5. 结构化字典构建。

 

提出的稀疏编码模型(SCC)和联合稀疏编码模型(JSCC)可以构建如下,其工作机制如图6和图7中所示:

(2)

(3)



其中,A为结构化字典,分别为编码系数与邻域编码稀疏矩阵,分别为目标像素与超像素邻域,s为稀疏度。

 

6. 稀疏编码聚类工作机制。

 

 

7. 联合稀疏编码聚类工作机制。

 

    同样以美国萨利纳斯农场数据Salinas为例,验证该算法的有效性。选取7种典型的聚类方法作为对比算法,其聚类结果如图8和表2所示。从图8和表2中可以看出,提出的两种稀疏聚类方法在该场景中分别取得了最优及次优的聚类结果,相比于其他聚类方法,聚类精度有明显提高。此外,可以发现,两种稀疏聚类方法均较为高效,时间成本较低,具有很强的实用性。

 

 

 

 

 

 

(a)

(b)

(c)

(d)

(e)

 

 

 

 

 

(f)

(g)

(h)

(i)

(j)

 

8. Salinas实验聚类结果:(a) ground truth, (b) FCM, (c) FCM-S1, (d) SSC-S, (e) L2-SSC, (f) LRSC, (g) SGCNR, (h) FSCAG, (i) SCC, and (j) JSCC.

 

 

 

     研究表明,我们提出的两种新型高光谱聚类方法,非局部可拓展加权稀疏低秩子空间聚类方法和稀疏聚类方法,均能够在有效降低子空间聚类模型计算复杂度、提高模型可拓展性的同时,大幅提高聚类精度。两种方法各具特点,非局部可拓展加权稀疏低秩子空间聚类方法考虑因素更加全面,通常可以得到更高的聚类精度;稀疏聚类方法具有更小的计算复杂度和更低的时间成本,实用性更强。综上所述,两种聚类方法能够较好地适用于实际大场景应用分析,进一步提升了高光谱遥感的应用潜力,为无先验信息条件下大场景高光谱影像地物信息精细化提取提供了有力工具。

Baidu
sogou