潜在特征融合和最优聚类的高光谱图像降维

摘要：

高光谱图像(Hyperspectral Images,HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大.为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework,LFFOCF).该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息.通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集.该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与 Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在 OA、MA 和 Kappa系数3 个指标上都优于其他算法.

关键词：潜在特征学习、降维、最优聚类、高光谱图像

所属期刊栏目：14

分类号：TP751(遥感技术)

资助基金：国家自然科学基金;黑龙江省自然科学基金项目

在线出版日期：2023-04-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：51-59