高光谱图像聚类新方法

稀疏子空间聚类友好深度字典学习在高光谱图像分类中的应用

子空间聚类技术在高光谱图像分割中显示出良好的应用前景。子空间聚类的基本假设是属于不同簇/段的样本位于可分离子空间中。如果这种情况不成立怎么办？下面和橙子姐姐一探究竟吧~

本文推测，即使这个条件在原始空间中不成立，数据也可能被非线性地变换到一个空间，在那里它将被分成子空间。在这项工作中，本文提出了一种基于深度字典学习(DDL)原则的转换。特别地，本文在DDL公式中加入了稀疏子空间聚类(SSC)损失。在这里，DDL非线性地转换数据，使得转换后的(数据)表示可分成子空间。实验结果表明，该方法比目前最先进的高光谱图像聚类深度学习技术有了很大的提高。

在获取高光谱图像时，任务是对每个像素进行标记。然而，在执行这样的推断之前，图像通常会经历一些预处理，如去噪、波段选择等。像素的标注有两种方法：分类法和聚类法。在教学上，与聚类相比，关于分类的研究更多，尽管后者更务实。这是因为，在基于分类的方法中，专家需要手动标记像素值的子集。标记的像素被用来训练分类器；一旦训练，分类器被用来标记剩余的(未标记的)像素。基于群集的方法不需要任何手动标记，并且是一个完全自动的过程。在这项工作中，本文解决了上述问题，即在给定图像和聚类数目的情况下，本文希望对图像中的每个像素进行自动标注。

提出了一种基于DDL框架的高光谱图像聚类新方法。本文将SSC损失合并到DDL框架中。实验已经在两个流行的数据集上进行--帕维亚大学和印第安松大学。本文比较了四种最先进的深度学习技术。结果表明，本文的方法比其他方法更准确，速度也更快。在未来，本文希望将其他聚类损失合并到DDL框架中，即谱聚类和K-均值聚类。本文希望将这些技术应用于通过聚类来选择高光谱波段的问题。

文章链接：https://ieeexplore.ieee.org/document/9546043