基于光谱结构增强的高光谱图像多子块对比度聚类方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Spectral-Structure Enhanced Multi-Subview Contrastive Clustering for Hyperspectral Images

　　

摘要：

在高光谱遥感数据分析中，深度聚类起着至关重要的作用。然而，空间-光谱信息的充分利用不足、不同物体具有相似光谱特征的现象以及局部噪声干扰，仍然限制着模型在高光谱遥感数据聚类方面的性能。为了解决这些难题，我们针对高光谱图像提出了一种新的基于光谱结构增强的多视图对比聚类方法（S2ESCC）。首先，我们利用超像素分割对原始图像进行划分，并基于分割单元构建图结构。随后，将原始高光谱数据分为两个光谱子视图，同时保留所构建图结构的拓扑关系，这样有助于从多个视角学习光谱特征，从而获取更具区分度的信息。接着，我们设计了一种结合空间邻域性和光谱相似性的光谱结构增强机制，该机制能够提升区域内的均匀性，抑制噪声干扰，并有效强化特征表示的稳定性。此外，我们还设计了一种自监督的联合损失函数，确保来自不同光谱子视图的嵌入特征既保留了原有的图结构与特征一致性，又能提升模型对难处理样本的区分能力，进而提高特征学习的精度。我们在三个基准高光谱图像数据集上进行了大量实验，结果表明，我们的S2ESCC方法相比现有的多种先进聚类方法具有显著的优势。