[发明专利]一种基于深度神经网络的极光图像聚类方法

说明书

本发明公开了一种基于深度神经网络的极光图像聚类方法，主要解决现有极光图像自动分类基本都是监督分类的问题。其实现步骤为：首先使用全部待聚类的极光图像预训练基于VGGNet16的深度卷积自编码器DCAE_VGG；然后使用训练好的DCAE_VGG提取极光图像的特征向量；最后使用由Siamese、SpectralNet和k均值聚类组成的聚类网络对特征向量进行聚类。本发明避免了现有极光图像分类方法需事先确定分类机制并人工标记部分样本的问题，具有效率高和适用性强的优点，可用于极光图像特征提取和海量极光图像聚类。

技术领域

本发明属于图像处理技术领域，涉及深度学习算法和图像的聚类方法，具体涉及一种基于深度神经网络的极光图像聚类方法，可用于大规模极光图像的聚类。

背景技术

极光是出现在地球南北极高纬地区的唯一肉眼可见的高空大气现象。它能直接反映出地球磁场变化和太阳活动之间的联系。因此，对极光图像进行有效分类，研究不同类型极光的发生规律，有助于深入挖掘地球磁层结构和了解太阳对地球的影响方式与程度。

早期的极光图像分类工作由科学家们肉眼观察，根据一定的分类机制标准进行手工标记。然而每年仅北极黄河站的极光图像数量就高达数百万级，传统的人工分类方法已无法满足对大量极光数据分析的需求。随着计算机技术的发展，图像处理和机器学习技术开始应用于极光图像分类的研究。2004年等人在文献“M T,Donovan EF.Diurnal auroral occurrence statistics obtained via machinevision.Ann.Geophys.,2004,22(4):1103-1113.”中将图像处理技术应用于极光图像自动分类中。2010年，Wang等人在文献“Wang Q,Liang J,Hu Z J,et al.Spatial texturebased automatic classification of dayside aurora in all-skyimages.J.Atmos.Sol.-Terr.Phys.,2010,72:498-508.”中提出基于空间纹理的表征方法表征极光图像的全局形状和局部纹理，对黄河站越冬观测的日侧极光图像进行分类。

2006年加拿大多伦多大学的Hinton教授在文献“Hinton G E,Osindero S,Teh YW.A fast learning algorithm for deep belief nets.Neural Comput.,2006,18:1527-1554.”提出“深度学习”的概念。直到2012年AlexNet在ImageNet的大规模视觉识别挑战赛(Large-Scale Visual Recognition Challenge)上取得冠军，从此深度卷积神经网络(DCNN)逐渐替代传统的机器学习方法。2018年，Clausen和Nickisch使用Inception-V4深度神经网络将极光图像分为无极光、云、月亮、弧状极光、弥散状极光和分立状极光6大类。近年来，虽然基于手工特征的极光研究方法仍在继续，但经典的手工特征已逐渐被深度卷积神经网络的中间特征层取代，并取得了比传统手工特征更优异的性能。

现有的基于深度学习技术的极光图像分类均为监督分类，需确定极光图像的分类机制并人工标记部分数据用于模型训练。然而，极光图像分类机制不统一，标记数据的工作量大且繁琐，人工标记难以保证标签的准确性和客观性。

发明内容

本发明针对上述基于深度学习技术的极光图像监督分类方法的不足，提出一种极光图像无监督聚类网络，该网络无需人工指定分类机制与数据标记，能自动对极光图像进行分类，大大提升了极光分类的效率。

为达到上述目的，本发明采用如下技术方案：

一种基于深度神经网络的极光图像聚类方法，包括以下步骤：

步骤1：使用全部待聚类的极光图像预训练基于VGGNet16的深度卷积自编码器DCAE_VGG；

步骤2：使用训练好的DCAE_VGG提取每幅极光图像的特征向量；