基于对比学习与优良邻域的超像素级动态亲和力演化高光谱图像聚类方法

为解决高光谱图像(HSI)聚类中样本级亲和力计算复杂度高和空间信息利用不足的问题，研究人员提出了一种基于超像素级动态亲和力演化(ESA)的聚类方法。该方法通过整合对比学习(CL)和优良邻域(GN)发现机制，在超像素级别构建动态亲和力矩阵，结合密度谱聚类实现了95.003%的聚类准确率(SA数据集)，显著优于现有方法。该研究为HSI无监督分类提供了计算高效且性能优越的新范式。

　　

高光谱图像(HSI)聚类一直是遥感领域的重要挑战。传统方法面临两大困境：一是样本级亲和力矩阵计算复杂度高达O(M²)，难以处理大规模数据；二是空间信息利用不足导致聚类性能受限。虽然现有方法尝试通过超像素分割或深度学习改进，但普遍存在特征表示不充分、邻域关系刻画粗糙等问题。如何平衡计算效率与聚类精度，成为突破现有技术瓶颈的关键。

中国某高校的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表创新研究，提出动态超像素级亲和力演化(ESA)方法。该方法核心在于：1)通过熵率分割(ERS)生成超像素；2)利用平滑表示模型(SMR)提取优良邻域(GN)；3)构建动态更新的亲和力矩阵；4)结合对比学习(CL)优化特征空间。研究采用四个标准数据集(PU/SA/HC/HH)验证，在Salinas(SA)数据集实现95.003%的聚类准确率，较最优基线提升3.763%。

关键技术包括：1)基于ERS的超像素过分割；2)SSRN网络提取深度特征；3)GN发现算法(η=5, μ递减策略)；4)对比损失函数(τ=0.5)；5)特征值增长率(R_λ)指导的多数投票策略。实验使用RTX 4080Ti GPU，批量大小根据数据集优化设定(PU:180, SA:368)。

【超像素生成】通过ERS算法将HSI分解为N个超像素，利用Canny边缘检测确定超像素数量，在PU数据集生成1862个超像素。该方法保证了超像素内光谱同质性，为后续分析奠定基础。

【优良邻域发现】创新性提出GN定义：若两个特征的η-邻域存在至少μ个共同邻居(初始μ=η=5)，则判定为GN。通过SMR模型求解表示系数矩阵Z*，据此构建GN指示矩阵U，显著提升了邻域关系的可靠性。

【动态亲和力演化】设计"生成GN→更新亲和力矩阵A→对比学习"的迭代机制。每100epoch将μ递减1，使亲和力矩阵从严格到宽松逐步演化。实验表明该策略使Salinas数据集OA提升12.275%。

【聚类决策优化】提出特征值增长率R_λ=λ'_C+1/(λ'_C+1+1/CΣλ'_i)选择最优亲和力矩阵，结合多数投票消除随机误差。在PU数据集上，该策略使融合OA达74.733%，优于单次聚类最佳结果(70.97%)。

研究通过t-SNE可视化验证了方法的有效性：1)深度特征在300epoch后类间分离度显著提升；2)特征向量在"沥青-砾石"等易混淆类别仍保持区分度。与16种基线方法对比显示，ESA在四个数据集OA平均提升9.2%，其中Salinas数据集达95.003%的SOTA性能。

该研究的核心价值在于：1)首创超像素级动态亲和力演化框架，将计算复杂度从O(M²)降至O(N³)；2)提出GN发现算法，有效解决传统k近邻的噪声敏感问题；3)设计R_λ指导的多数投票策略，提升模型鲁棒性。局限在于GN生成耗时较长，未来可探索更高效的邻域搜索算法。这项工作为HSI智能解译提供了新思路，在精准农业、环境监测等领域具有应用潜力。