基于超像素和空间正则化扩散学习的无监督高光谱图像聚类

高光谱图像 (HSIs) 提供了场景卓越的空间和光谱分辨率，对各种遥感应用至关重要。然而，高维度、噪声和异常值的存在以及对 HSI 精确标签的需求给 HSI 分析带来了重大挑战，推动了高性能 HSI 聚类算法的发展。本文介绍了一种新的无监督 HSI 聚类算法，即基于超像素和空间正则化扩散学习 (S2DL)，该算法通过将编码在 HSI 中的丰富空间信息纳入基于扩散几何的聚类来解决这些挑战。S2DL 采用熵率超像素 (ERS) 分割技术将图像划分为超像素，然后利用最具代表性的高密度像素构建空间正则化扩散图。这种方法在保持精度的同时减少了计算负担。作为底层聚类结构范例的聚类模式被识别为在扩散距离上远离其他最高密度像素的最高密度像素。这些模式指导对来自 ERS 超像素的剩余代表性像素进行标记。最后，对每个超像素内分配的标签应用多数投票，将标签传播到图像的其余部分。这种空谱方法同时简化了图构建，降低了计算成本，并提高了聚类性能。S2DL 的性能通过在三个公开可用的真实世界 HSI（Indian Pines、Salinas 和 Salinas A）上的大量实验进行了说明。此外，我们利用 Gaofen-5 HSI 将 S2DL 应用于香港米埔自然保护区的大尺度无监督红树林物种制图。S2DL 在这些多样化数值实验中的成功表明其在各种重要的无监督遥感分析任务中的有效性。