面向无监督 hyperspectral 图像聚类的深层空间正则化与超像素基于扩散学习

我们提出一个针对 hyperspectral 图像 (HSI) 聚类的无监督框架，融合掩码深度表征学习与扩散基于聚类，扩展了空间正则化超像素扩散学习算法 ($S^2DL$)。首先，利用基于视觉转换器 backbone 的无监督掩码自编码器 (UMAE) 学习原始 HSI 的去噪潜在表征。UMAE 考虑空间上下文与长程光谱相关性，并通过仅利用小 subset 训练像素的掩码实现高效预训练。在下一阶段，使用熵率超像素 (ERS) 算法将图像分割为超像素，并在压缩后的潜在空间中而非 HSI 空间中，使用欧几里得距离与扩散距离构建空间正则化扩散图。所提算法，即 Deep 空间正则化超像素基于扩散学习 ($DS^2DL$)，利用更可靠的扩散距离和随后更能反映底层数据流形内在几何的扩散图构建，提高了标签准确性与聚类质量。在 Botswana 和 KSC 数据集上的实验表明 $DS^2DL$ 的有效性。