(19)中华 人民共和国 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 202111653821.1 (22)申请日 2021.12.3 0 (71)申请人 黑龙江工程学院 地址 150050 黑龙江省哈尔滨市道外区东 直路234号 (72)发明人 刘柏森　孔伟力　王岩　 (74)专利代理 机构 北京品源专利代理有限公司 11332 代理人 王瑞云 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 高光谱图像聚类方法、 装置、 电子设备及存 储介质 (57)摘要 本发明实施例公开了一种高光谱图像聚类 方法、 装置、 电子设备及存储介质。 所述方法包 括： 通过经过训练的特征提取网络模型， 根据高 光谱图像中的像元对应的像元集合提取第一特 征向量， 其中， 所述特征提取网络模型包括卷积 自编码器CAE和非对称自编码器； 根据所述第一 特征向量对 所述高光谱图像进行聚类， 得到对高 光谱图像的聚类结果。 该方法通过基于CAE和非 对称自编码器所构建的特征提取网络模型提取 第一特征向量， 能够减弱第一特征向量中的空间 噪声， 有效提高了特征向量提取的准确性； 在此 基础上， 还利用优化后得到的第一特征向量对高 光谱图像进行聚类， 能够进一步去除掉第一特征 向量中的部分空间 噪声， 从而提高聚类结果的准 确性。 权利要求书2页 说明书16页 附图9页 CN 114359633 A 2022.04.15 CN 114359633 A 1.一种高光谱图像聚类方法， 其特 征在于， 通过经过训练的特征提取网络模型， 根据高光谱图像中的像元对应的像元集合提取第 一特征向量， 其中， 所述特 征提取网络模型包括卷积自编码器CAE和非对称自编码器； 根据所述第一特 征向量对所述高光谱图像进行聚类， 得到对高光谱图像的聚类结果。 2.根据权利要求1所述的方法， 其特征在于， 在通过经过训练的特征提取网络模型， 根 据高光谱图像中的像元对应的像元集 合提取第一特 征向量之前， 还 包括： 按照如下 方式构建所述特 征提取网络模型： 基于第一网络参数构建所述CAE， 并基于训练集和 测试集分别训练和 测试所述CAE； 基于第二网络参数构建所述非对称自编码器， 并基于所述训练集和所述测试集分别训 练和测试所述非对称自编码器； 将所述非对称自编码器堆叠在所述CAE上， 构建所述特 征提取网络模型。 3.根据权利要求2所述的方法， 其特征在于， 所述通过经过训练的特征提取网络模型， 根据高光谱图像中的像元对应的像元集 合提取第一特 征向量， 包括： 通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取， 得到第二特 征向量； 将所述第二特 征向量输入所述非对称自编码器， 得到所述第一特 征向量。 4.根据权利要求3所述的方法， 其特 征在于， 所述CAE包括第一编码器和第一 解码器； 所述通过所述CAE对所述高光谱图像中的像元对应的像元集合进行特征提取， 得到第 二特征向量， 包括： 分别将所述高光谱图像中的每个像元作为中心像元， 并确定所述中心像元对应的像元 集合； 将所述像元集 合输入至所述第一编码器， 输出 得到对应的第一编码信息； 将所述第一编码信息 输入至所述第一 解码器， 输出 得到对应的第一 解码信息； 将满足第一映射关系的第一编码信息确定为所述中心像元对应的第二特 征向量； 其中， 所述第一映射关系为所述第一 解码信息与所述像元集 合之间的映射关系。 5.根据权利要求4所述的方法， 其特征在于， 所述非对称自编码器包括第 二编码器和第 二解码器； 所述将所述第二特 征向量输入所述非对称自编码器， 得到所述第一特 征向量， 包括： 将所述第二特 征向量输入至所述第二编码器， 输出 得到对应的第二编码信息； 将所述第二编码信息 输入至所述第二 解码器， 输出 得到对应的第二 解码信息； 将满足第二映射关系的第二编码信息确定为第一特 征向量； 其中， 所述第二映射关系为所述第二 解码信息与所述中心像元之间的映射关系。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一特征向量对所述高光谱 图像进行聚类， 得到对高光谱图像的聚类结果， 包括： 通过基于密度的聚类算法， 根据所述第一特征向量对所述高光谱图像进行聚类， 得到 初步聚类结果； 根据所述初步聚类结果， 采用相应的K均值聚类算法， 根据所述第一特征向量， 对所述 高光谱图像进行二次聚类， 得到对高光谱图像的聚类结果。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述初步聚类结果， 采用相应的K权　利　要　求　书 1/2 页 2 CN 114359633 A 2均值聚类算法， 根据所述第一特 征向量， 对所述高光谱图像进行二次聚类， 包括： 根据所述初步聚类结果判断所述高光谱图像是否含有噪声类； 若是， 则采用改进的K均值聚类算法根据所述第一特征向量对所述高光谱图像进行二 次聚类； 若否， 则采用标准K均值聚类算法根据所述第一特征向量对所述高光谱图像进行二次 聚类； 其中， 所述改进的K均值聚类算法的聚类类别数量大于所述标准K均值聚类算法的聚类 类别数量。 8.一种高光谱图像聚类装置， 其特 征在于， 包括： 提取模块， 用于通过经过训练的特征提取网络模型， 根据高光谱图像中的像元对应的 像元集合提取第一特征向量， 其中， 所述特征提取网络模型包括卷积自编 码器CAE和非对称 自编码器； 聚类模块， 用于根据所述第一特征向量对所述高光谱图像进行聚类， 得到对高光谱图 像的聚类结果。 9.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序； 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑7中任一所述的高光谱图像聚类方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求1 ‑7中任一所述的高光谱图像聚类方法。权　利　要　求　书 2/2 页 3 CN 114359633 A 3