自适应同质性聚类：面向高光谱图像的结构同质性图学习与自适应滤波

高光谱图像 (HSI) 聚类是一项以零训练标签为基础的基本但具有挑战性的任务。目前，一些深度图聚类方法已成功应用于 HSI，因为它们在有效编码空间结构信息方面表现突出。然而，Insufficient structural information utilization, poor feature presentation ability, and weak graph update capability limit their performance. 因此，本文提出了一种用于 HSI 的同质性结构图学习与自适应滤波聚类方法 (AHSGC)。具体而言，首先开发了用于 HSI 处理和构建原始图的均匀区域生成。随后，设计了自适应滤波图编码器，用于在图上捕获子序列处理中的高频和低频特征。然后，开发了基于 KL 散度的图嵌入聚类自训练解码器，用于生成网络训练的伪标签。同时，引入了增强同质性的结构学习，以根据聚类任务更新图，其中采用了定向相关估计来估计节点连接，并设计了图边稀疏以动态调整图中的边。最后，引入联合网络优化以实现网络自训练和图更新。采用 K-means 表示潜在特征。广泛的实验和重复比较分析验证了我们的 AHSGC 具有高聚类准确率、低计算复杂度和强鲁棒性。代码将在 https://github.com/DY-HYX 提供。