本申请涉及图像数据处理领域，特别是涉及一种高光谱影像聚类方法、系统、设备、介质及产品。
背景技术：
1、高光谱具有获取目标物体连续光谱信息的独特优势，高光谱图像（hyperspectralimage，hsi）已广泛应用于众多领域，例如地球观测、环境监测、军事探测和资源勘探。hsi包含了丰富的特征识别和分类潜力，因此，hsi解释具有重要的研究意义。已知技术中，图聚类方法的发展使得深度聚类方法对空间结构信息进行有效编码成为可能，这使得深度聚类方法从仅处理欧几里得数据转变为非欧几里得几何图结构数据。基于此，已知技术中，已经开发了许多结构图聚类网络，并且它们在通过图嵌入学习结构信息方面表现出显著的有效性。尽管在基于图的hsi聚类方面取得了重大进展，但现有图网络中的滤波器是不变的，需要更多的能力来处理不同节点的信号特征，导致大规模hsi的聚类精度较差。此外，主流图网络不能根据不同的聚类任务更新原始图。也就是说，在网络训练过程中，图是固定不变的，这使得纠正原始图中错误的边连接具有挑战性，严重限制了hsi聚类精度的提高。
技术实现思路
1、本申请的目的是提供一种高光谱影像聚类方法、系统、设备、介质及产品，能够提高hsi的聚类精度。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种高光谱影像聚类方法，包括：
4、获取高光谱影像；所述高光谱影像为像素级的图数据；
5、采用超像素分割方法，将所述高光谱影像转换为超像素级图；所述超像素级图为区域级的图数据；
6、获取聚类模型；所述聚类模型为采用样本数据集训练好的网络模型；所述聚类模型包括自适应滤波器图编码器、图嵌入聚类自训练解码器以及同构增强结构学习模块；所述自适应滤波器图编码器用于提取低频特征和高频特征；所述图嵌入聚类自训练解码器用于进行自训练，并利用k-means算法得到聚类结果；所述同构增强结构学习模块用于根据不同的聚类任务动态调整输入的图结构；
7、将所述超像素级图输入所述聚类模型，得到聚类结果。
8、可选地，采用超像素分割方法，将所述高光谱影像转换为超像素级图，具体包括：
9、采用线性判别分析对所述高光谱影像进行降维处理，得到降维图像；
10、采用简单线性迭代聚类方法将所述降维图像划分为多个空间连接的超像素；
11、将每个超像素视为图节点，并在各超像素之间建立最近邻关系以生成所述超像素级图。
12、可选地，采用简单线性迭代聚类方法将所述降维图像划分为多个空间连接的超像素，具体包括：
13、设定简单线性迭代聚类方法的相关矩阵；
14、采用所述相关矩阵对所述降维图像进行图像反投影操作，将所述降维图像中的数据特征从像素转换到超像素，得到多个空间连接的超像素。
15、可选地，所述自适应滤波器图编码器的t层堆叠为：
16、；
17、式中，表示输入图节点谱特征，是自适应滤波器图编码器堆叠t层后的表示，是t层卷积后的图节点表示，表示自适应图滤波器，表示自适应滤波器图编码器的第层。
18、可选地，在所述自适应滤波器图编码器中采用线性变换权重矩阵对所述超像素级图进行编码，表示为：
19、；
20、式中，表示自适应滤波器图编码器的输出，表示自适应滤波器图编码器第0层的输出，表示线性变换权重矩阵。
21、可选地，所述图嵌入聚类自训练解码器中，采用t分布来衡量第个聚类中心和嵌入的节点之间的相似性，并通过最小化kl散度实现聚类分布的优化；其中，表示自适应滤波器图编码器第i层的输出。
22、第二方面，本申请提供了一种高光谱影像聚类系统，这一高光谱影像聚类系统应用于上述提供的高光谱影像聚类方法；所述高光谱影像聚类系统包括：
23、数据获取模块，用于获取高光谱影像；所述高光谱影像为像素级的图数据；
24、初始图构建模块，用于采用超像素分割方法，将所述高光谱影像转换为超像素级图；所述超像素级图为区域级的图数据；
25、模型获取模块，用于获取聚类模型；所述聚类模型为采用样本数据集训练好的网络模型；所述聚类模型包括自适应滤波器图编码器、图嵌入聚类自训练解码器以及同构增强结构学习模块；所述自适应滤波器图编码器用于提取低频特征和高频特征；所述图嵌入聚类自训练解码器用于进行自训练，并利用k-means算法得到聚类结果；所述同构增强结构学习模块用于根据不同的聚类任务动态调整输入的图结构；
26、聚类模块，用于将所述超像素级图输入所述聚类模型，得到聚类结果。
27、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的高光谱影像聚类方法的步骤。
28、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的高光谱影像聚类方法的步骤。
29、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的高光谱影像聚类方法的步骤。
30、根据本申请提供的具体实施例，本申请具有了以下技术效果：
31、本申请提供了一种高光谱影像聚类方法、系统、设备、介质及产品，通过获取包括自适应滤波器图编码器、图嵌入聚类自训练解码器以及同构增强结构学习模块的聚类模型，可以基于超像素级图精确得到聚类结果。此外，本申请通过设计自适应滤波器图编码器，能够处理不同节点的信号特征，提高hsi的聚类精度。通过设计同构增强结构学习模块能够根据不同的聚类任务更新图结构，提高hsi的聚类精度。
1.一种高光谱影像聚类方法，其特征在于，所述高光谱影像聚类方法包括：
2.根据权利要求1所述的高光谱影像聚类方法，其特征在于，采用超像素分割方法，将所述高光谱影像转换为超像素级图，具体包括：
3.根据权利要求2所述的高光谱影像聚类方法，其特征在于，采用简单线性迭代聚类方法将所述降维图像划分为多个空间连接的超像素，具体包括：
4.根据权利要求1所述的高光谱影像聚类方法，其特征在于，所述自适应滤波器图编码器的t层堆叠为：
5.根据权利要求4所述的高光谱影像聚类方法，其特征在于，在所述自适应滤波器图编码器中采用线性变换权重矩阵对所述超像素级图进行编码，表示为：
6.根据权利要求1所述的高光谱影像聚类方法，其特征在于，所述图嵌入聚类自训练解码器中，采用t分布来衡量第个聚类中心和嵌入的节点之间的相似性，并通过最小化kl散度实现聚类分布的优化；其中，表示自适应滤波器图编码器第i层的输出。
7.一种高光谱影像聚类系统，其特征在于，所述高光谱影像聚类系统应用于如权利要求1-6任意一项所述的高光谱影像聚类方法；所述高光谱影像聚类系统包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的高光谱影像聚类方法。
9.一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，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的高光谱影像聚类方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的高光谱影像聚类方法。
