一种高光谱图像的聚类预测方法、系统、存储介质及设备

本发明涉及图像处理，具体而言，涉及一种高光谱图像的聚类预测方法、系统、存储介质及设备。

背景技术：

1、高光谱图像是一种遥感图像，具有多个波段，能够提供大量的地表覆盖信息，目前可通过人工标注或智能算法对高光谱图像进行聚类预测，得到聚类预测结果，即地表覆盖信息，但由于人工标注价格昂贵，标注质量参差不齐，因此智能算法已是对高光谱图像进行聚类预测的主流技术。

2、在现有技术中，大多采用对比学习等智能算法进行聚类预测，然而，现有的对比学习框架专注于全局特征，不能够高效聚类预测高光谱聚类任务中编码更高细粒度的特征，例如，像素级图像或超像素级图像，导致高光谱图像的聚类预测结果精度低。

技术实现思路

1、本发明解决的问题是如何改善高光谱聚类任务编码更高细粒度的聚类预测精度。

2、为解决上述问题，第一方面，本发明提供一种高光谱图像的聚类预测方法，包括：

3、获取目标区域的高光谱图像；

4、分割所述高光谱图像，生成超像素块；

5、分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；

6、采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；

7、采用k均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；

8、采用所述k均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。

9、可选地，所述采用k均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果，包括：

10、采用所述k均值算法分别处理所述深度像素特征和所述深度超像素特征，生成像素级伪标签和第一超像素伪标签；

11、根据所述像素级伪标签在所述第一超像素伪标签的占比，生成第二超像素伪标签；

12、根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果。

13、可选地，所述根据所述第一超像素伪标签和所述第二超像素伪标签，生成所述伪标签结果，包括：

14、将所述第一超像素伪标签和所述第二超像素伪标签输入到纠正公式中，生成纠正结果，所述纠正公式包括：

15、

16、其中，为所述纠正结果，n为所述第一超像素伪标签或所述第二超像素伪标签的数量，e为交叉熵损失函数，为所述第二超像素伪标签，fθ(h)为所述第一超像素伪标签；

17、根据所述纠正结果重复获取新的第一超像素伪标签和新的第二超像素伪标签，直至所述新的第一超像素伪标签和所述新的第二超像素伪标签相同；

18、根据所述新的第一超像素伪标签和所述新的第二超像素伪标签，生成所述伪标签结果。

19、可选地，所述采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征，包括：

20、根据所述对比学习算法，构建第一初始对比学习模型和第二初始对比学习模型；

21、根据所述像素特征和所述超像素特征，生成第一样本；

22、将所述第一样本输入到所述第一初始对比学习模型中进行训练，生成像素对比学习模型；

23、根据所述像素对比学习模型提取所述像素特征的所述深度像素特征；

24、采用最近邻算法处理所述超像素特征，生成第二样本；

25、将所述第二样本输入到所述第二初始对比学习模型中进行训练，生成超像素对比学习模型；

26、根据所述超像素对比学习模型提取所述超像素特征的所述深度超像素特征。

27、可选地，所述将所述第一样本输入到所述第一初始对比学习模型中进行训练，包括：

28、将所述第一样本输入到所述第一初始对比学习模型中，根据像素损失公式训练所述第一初始对比学习模型，所述像素损失公式包括：

29、

30、其中，l(sn)为像素损失值，sn为所述超像素特征，为所述超像素特征sn内一系列像素的集合，ω为所有的所述超像素特征和所述像素特征，sim为相似度函数，τ为温度系数，hn为所述超像素特征，ht为在hn中的像素特征，hi为不在hn中的像素特征。

31、可选地，所述将所述第二样本输入到所述第二初始对比学习模型中进行训练，包括：

32、将所述第二样本输入到所述第二初始对比学习模型中，根据超像素损失公式训练所述第二初始对比学习模型，所述超像素损失公式包括：

33、

34、其中，为超像素损失值，n为所述第二样本中特征的数量，sim为相似度函数，τ为温度系数，hi为所述超像素特征，hj为hi中的k近邻样本，ht为hi中除hj以外的所述超像素特征，为各个所述超像素特征的最近k个邻居样本。

35、可选地，所述分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征，包括：

36、采用卷积神经网络提取所述高光谱图像中的所述像素特征；

37、提取所述像素特征的平均值，根据所述平均值构成所述超像素特征。

38、第二方面，本发明提供一种高光谱图像的聚类预测系统，包括：

39、获取模块，用于获取目标区域的高光谱图像；

40、分割模块，用于分割所述高光谱图像，生成超像素块；

41、提取模块，用于分别提取所述高光谱图像的像素特征和所述超像素块的超像素特征；

42、对比学习模块，用于采用对比学习算法分别提取所述像素特征的深度像素特征和所述超像素特征的深度超像素特征；

43、伪标签模块，用于采用k均值算法聚类所述深度像素特征和所述深度超像素特征，生成伪标签结果；

44、地物标签模块，用于采用所述k均值算法聚类所述伪标签结果，生成所述目标区域的地物标签。

45、第三方面，本发明提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的高光谱图像的聚类预测方法。

46、第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的高光谱图像的聚类预测方法。

47、本发明的高光谱图像的高光谱图像的聚类预测方法、系统、存储介质及设备的有益效果为：

48、通过获取并分割高光谱图像，可以得到该图像的超像素块，再分别提取高光谱图像的像素特征和超像素块的超像素特征，可为后续聚类预测提供更高细粒度的特征，从而得到更精准的聚类预测结果；对比学习算法通过其特有的对抗性训练提取的深度像素特征和深度超像素特征，具有很强的表示能力、泛化能力和鲁棒性，同时，对比学习算法采用无监督学习方式，不需要人工标注的标签即可学习到图像的特征表示，这使得对比学习模型可以利用大规模的未标记数据进行对抗训练，从而更好地捕捉数据的分布和深度特征；然后采用k均值算法同时聚类深度像素特征和深度超像素特征，可以使像素级伪标签结果对超像素级的聚类结果进行监督，使两者聚类结果对齐，以起到纠正作用，得到伪标签结果后采用所述k均值算法聚类，对k均值算法得到的伪标签结果再次进行聚类，可减少噪声干扰，提高聚类效果，得到超像素级的高精度的聚类预测结果，即目标区域的地物标签。