摘要
高光谱图像聚类旨在利用光谱和空间特征将像素划分到不同的簇中，从而为高光谱数据的解读与信息提取提供重要支持。然而，由于光谱变化大、空间分布复杂以及噪声干扰，高光谱图像聚类仍然面临诸多挑战。基于图的聚类是一种有效的学习框架，在高光谱图像分析中取得了优异的性能。但现有方法大多忽略空间信息，且计算成本较高，难以有效处理大规模高光谱图像。为解决这些问题，本文提出了一种用于高光谱图像的锚点级光谱-空间图聚类模型（ASSGC）。该模型在每个超像素内采用分波段中值策略，生成具有代表性的锚点以抑制噪声和异常值的影响。同时，本文设计了一种新的距离度量方法，能够整合光谱特征和空间位置，从而在锚点级别有效识别邻居并构建光谱-空间联合亲和矩阵，进而降低计算负担和内存消耗。之后，通过光谱聚类得到锚点标签，并将这些标签传播到对应的超像素，最终实现整幅图像的聚类。在四个高光谱图像数据集上的实验结果显示，该模型在Indian Pines数据集上的准确率为64.13%，在Pavia University数据集上为71.33%，在Salinas数据集上为87.86%，在Salinas A数据集上则达到99.23%，表明该ASSGC模型在保持较低时间复杂度的同时，性能优于多种现有的先进方法。
