Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry
Tufts University（塔夫茨大学）
聚类算法将数据集划分为相似点的组。本文的主要贡献是多尺度空间正则化扩散学习（M-SRDL）聚类算法，该算法使用空间正则化扩散距离来高效准确地学习高光谱图像中潜在结构的多个尺度。M-SRDL聚类算法从高光谱图像中提取多个尺度的聚类，并输出这些聚类的信息重心变化作为所有潜在聚类结构的样本。我们表明，将空间正则化到一个多尺度聚类框架的结果更平滑，更连贯的集群时，应用于高光谱数据，产生更准确的聚类标签。
2022-04-07 cs.CV cs.LG stat.ML
Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image
China University of Geosciences（中国地质大学）
由于高光谱图像数据的复杂性，高光谱图像聚类是一项具有挑战性的任务。子空间聚类已被证明是强大的利用数据点之间的内在关系。传统的子空间聚类方法在HSI聚类中表现出了令人瞩目的性能，但往往忽略了数据间固有的结构信息。在本文中，我们重新审视子空间聚类与图卷积，并提出了一种新的子空间聚类框架称为图卷积子空间聚类（GCSC）的强大的HSI聚类。具体来说，该框架将数据的自我表达属性重新转换到非欧几里德域，从而产生更鲁棒的图嵌入字典。我们表明，传统的子空间聚类模型是我们的框架与欧几里德数据的特殊形式。在此基础上，利用Frobenius范数提出了两种新的子空间聚类模型，即高效GCSC（Efficient GCSC）和高效核GCSC（Efficient Kernel GCSC）。这两个模型都有一个全局最优的封闭形式的解决方案，这使得他们更容易实现，训练，并在实践中应用。在三个流行的HSI数据集上进行的大量实验表明，EGCSC和EKGCSC可以实现最先进的聚类性能，并显着优于许多现有的方法具有显着的利润率。
2020-04-22 cs.CV cs.LG
Large-Scale Hyperspectral Image Clustering Using Contrastive Learning
China University of Geosciences（中国地质大学）；Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿罗森多夫亥姆霍兹中心）；Helmholtz Institute Freiberg for Resource Technology（弗赖贝格资源技术亥姆霍兹研究所）；Institute of Advanced Research in Artificial Intelligence（人工智能高级研究院）；National University of Defense Technology（国防科技大学）
高光谱图像的聚类是一项基本但具有挑战性的任务。近年来，高光谱图像聚类的发展已经从浅层模型向深层模型发展，并在许多基准数据集上取得了令人满意的结果。然而，由于离线聚类的原因，其可扩展性、鲁棒性和泛化能力较差，极大地限制了其在大规模高光谱数据中的应用。为了解决这些问题，我们提出了一个可扩展的深度在线聚类模型，命名为频谱空间对比聚类（SSCC），基于自监督学习。具体来说，我们利用一个对称的孪生神经网络组成的投影头的簇数的维数进行双对比学习从频谱空间增强池。我们定义的目标函数，隐含地鼓励内集群的相似性和减少集群之间的冗余。由此产生的方法通过批量优化以端到端的方式进行训练，使其在大规模数据中具有鲁棒性，并对未知数据具有良好的泛化能力。在三个高光谱图像基准上的大量实验证明了我们方法的有效性，并表明我们大大提高了最先进的方法。
2021-11-15 cs.CV cs.LG
Dictionary learning for clustering on hyperspectral images
University of the Witwatersrand（金山大学）；School of Computer Science and Applied Mathematics（计算机科学与应用数学系）
字典学习和稀疏编码作为无监督特征学习的机制已被广泛研究。无监督学习可以给高光谱图像处理和其他遥感数据分析带来巨大的好处，因为在这一领域，标记数据往往是稀缺的。我们提出了一种方法，用于聚类的高光谱图像的像素使用稀疏系数计算从一个代表性的字典作为功能。我们的经验表明，所提出的方法比聚类的原始像素更有效。我们还表明，我们的方法，在某些情况下，优于使用主成分分析和非负矩阵分解提取的特征的聚类结果。此外，我们的方法适用于重复聚类不断增长的高维数据量的应用程序，这是与高光谱卫星图像工作时的情况。
2022-02-02 cs.CV cs.LG eess.IV
Forgery Detection in a Questioned Hyperspectral Document Image using K-means Clustering
Institute of Space Technology（空间技术研究所）
高光谱成像允许根据成像传感器的光谱分辨率分析数百个光谱带中的图像。高光谱文档图像是由高光谱相机捕获的图像，使得可以基于其独特的光谱特征在不同的波段中观察文档。为了检测文档中的伪造，基于高光谱成像的各种油墨不匹配检测技术在区分视觉上相似的油墨方面具有巨大的潜力。不同材料的油墨即使具有相同的颜色，也表现出不同的光谱特征。文档图像的高光谱分析允许识别和区分视觉上相似的墨水。根据这种分析，法医专家可以识别文件的真实性。本文提出了一种广泛的油墨不匹配检测技术，它使用KMean聚类来识别不同的油墨的独特的光谱响应的基础上，并将它们分成不同的集群。
2020-06-29 cs.CR cs.CV
Multi-view Low-rank Sparse Subspace Clustering
Rudjer Boskovic Institute（鲁杰尔·博什科维奇研究所）
大多数现有的方法解决多视图子空间聚类问题，通过构造每个视图上的亲和矩阵，然后提出如何扩展谱聚类算法来处理多视图数据。本文提出了一种多视点子空间聚类方法，通过构造视点间共享的亲和矩阵来学习联合子空间表示。依赖于低秩和稀疏约束在亲和矩阵的构建中的重要性，我们引入了在不同观点之间的协议之间进行平衡的目标，同时鼓励解决方案的稀疏性和低秩。对于每个视图，采用乘子交替方向法求解相关的低秩稀疏约束优化问题。此外，我们将我们的方法扩展到集群数据从非线性子空间中解决相应的问题，在再生核希尔伯特空间。该算法优于国家的最先进的多视角子空间聚类算法在一个合成和四个真实世界的数据集。
2017-08-29 cs.CV cs.LG math.OC
Sparse Subspace Clustering Friendly Deep Dictionary Learning for Hyperspectral Image Classification
Delhi Technical University（德里技术大学）；Indraprastha Institute of Information Technology Delhi（德里因陀罗普拉斯塔信息技术学院）
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聚类/段的样本位于可分离的子空间中。如果这个条件不成立呢？我们推测，即使该条件在原始空间中不成立，数据也可以被非线性地变换到一个空间，在该空间中它将可分离成子空间。在这项工作中，我们提出了一种基于深度字典学习（Deep Dictionary Learning，简称DCL）原则的转换。特别是，我们将稀疏子空间聚类（SSC）的损失，在numerical制定。在这里，非线性变换数据，使得变换后的表示（数据的）可分离为子空间。我们表明，所提出的配方提高了最先进的深度学习技术在高光谱图像聚类。
2021-11-27 cs.CV cs.LG eess.IV
Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data
Ghent University（根特大学）；imec
针对无人机高光谱数据计算密集难以在边缘设备部署的问题，提出OHSLIC自适应聚类框架，结合增量聚类与轻量网络实现树木表型实时分割，精度更优且推理更快，可动态权衡效率与精度，支撑边缘端规模化应用。
2025-01-17 cs.CV eess.IV
Interpretable label-free self-guided subspace clustering
Ruđer Bošković Institute（鲁杰尔·博什科维奇研究所）
针对子空间聚类算法超参数调优依赖标记数据的问题，提出一种基于伪标签计算聚类质量指标、通过迭代划分超参数子区间实现无标签调优的方法，在多个算法和数据集上验证了性能，还可通过子空间基可视化提升可解释性。
2024-11-26 cs.CV cs.LG
Hyperspectral Image Clustering with Spatially-Regularized Ultrametrics
Tufts University（塔夫茨大学）
提出了一种基于超度量路径距离的空间正则化谱聚类的高光谱图像无监督聚类方法。所提出的方法有效地结合了数据密度和几何形状，以区分数据中的材料类别，而无需训练标签。所提出的方法是有效的，与准线性缩放的数据点的数量，并享有强大的理论性能保证。对合成和真实HSI数据的大量实验表明，与基准和最先进的方法相比，它具有强大的性能。特别是，所提出的方法不仅实现了出色的标记精度，而且还有效地估计聚类的数量。
2020-04-10 cs.CV cs.LG stat.AP
A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery
Rochester Institute of Technology（罗切斯特理工学院）；Department of Defense（美国国防部）；Florida Atlantic University（佛罗里达大西洋大学）；University of California, Davis（加州大学戴维斯分校）
本文提出了一种新的动力系统算法用于高光谱图像的聚类。该算法的主要思想是将数据点向密度增加的方向推，并且最终位于相同密集区域的像素组属于同一类。这本质上是由数据流形上的数据点密度梯度定义的微分方程的数值解。类的数量是自动化的，结果聚类可以非常准确。除了提供一个准确的聚类，该算法提出了一个新的工具，了解高光谱数据在高维。我们在城市（可在www.tec.ary.mil/Hypercube/上获得）场景上评估该算法，将性能与使用预先确定的材料类别作为地面实况的k-means算法进行比较。
2022-07-21 cs.CV cs.LG eess.IV
Generalized Unsupervised Clustering of Hyperspectral Images of Geological Targets in the Near Infrared
Caltech（加州理工学院）
随着数据变得更容易获得和成本效益，红外超光谱图像在地质问题中的应用越来越普遍。对光谱相似的材料进行聚类和分类通常是从地球上的经济矿物勘探到火星上的行星探索等应用的第一步。由专业开发的光谱参数指导的半手动分类可能耗时且有偏差，而监督方法需要大量标记数据并且难以推广。在这里，我们开发了一个完全无监督的工作流程，由专家光谱地质学家输入和定量指标提供信息的特征提取和聚类。我们的管道使用轻量级的自动编码器，然后使用高斯混合建模来映射任何图像中的光谱多样性。我们使用阿曼蛇绿岩钻孔岩芯的专家标记数据验证了我们的管道在亚毫米级的性能，并使用火星上Jezero Crater（Perseverance探测器的着陆点）的部分分类轨道数据评估了米级的性能。我们还研究了在传统的高光谱图像分析中使用的各种预处理技术的效果。这条管道提供了一个快速和准确的聚类图类似的地质材料和一致的识别和分离实验室图像和遥感图像的主要矿物类别。我们将我们的管道称为“矿物光谱无监督聚类的通用管道（Gypsum）”。"
2021-06-24 cs.CV eess.IV
A consensus-constrained parsimonious Gaussian mixture model for clustering hyperspectral images
University College Dublin（都柏林大学学院）
针对高光谱图像像素标注中基于阈值方法的主观性与泛化性问题，提出共识约束简约高斯混合模型（ccPGMM），通过潜变量模型和共识聚类提升聚类性能与计算效率，在食品样本高光谱图像中验证有效。
2024-12-10 cs.CV eess.IV stat.ME
Label-independent hyperparameter-free self-supervised single-view deep subspace clustering
Division of Computing and Data Science, Ruđer Bošković Institute（计算与数据科学系，鲁德·博克维奇研究所）
本文提出一种无需超参数调节的单视图深度子空间聚类方法，通过层间自表达损失、子空间结构范数优化、多阶段学习框架和相对误差终止机制提升聚类性能。
2025-04-25 cs.CV cs.LG
Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks
China University of Geosciences（中国地质大学）；National University of Defense Technology（国防科技大学）
针对高光谱图像单视图子空间聚类未能充分利用空间与纹理信息的问题，提出基于图卷积网络的对比多视图方法，通过双视图亲和学习、对比一致性和注意力融合提升聚类精度。
2023-12-11 cs.AI cs.CV
Hyperplane Clustering Via Dual Principal Component Pursuit
Center for Imaging Science（成像科学中心）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们最近提出的单子空间学习算法，称为双主成分追踪（DPCP）的理论分析，从一个联盟的超平面的数据绘制的情况下。为了深入了解与DPCP相关的$\ell_1$非凸问题的性质，我们对一个密切相关的连续优化问题进行了几何分析。然后将这一分析转移到离散问题，我们的结果表明，只要超平面是充分分离的，优势超平面是充分占主导地位的，并在相关的超平面内的点均匀分布，那么非凸DPCP问题有一个唯一的整体解决方案，等于法向量的优势超平面。这表明了基于DPCP的序贯超平面学习算法的正确性。一个彻底的实验评估表明，超平面学习计划的基础上DPCP显着提高了国家的最先进的方法的情况下，合成数据，而竞争力的国家的最先进的情况下，三维平面聚类的Kinect数据。
2017-06-19 cs.CV cs.LG stat.ML
Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering
Tufts University（塔夫茨大学）
本文提出一种结合掩码深度表征学习与扩散聚类的无监督超光谱图像聚类框架，通过改进的空间正则化超像素扩散学习算法，提升聚类质量。
2026-04-14 cs.CV cs.LG
Research on Clustering Performance of Sparse Subspace Clustering
School of IoT Engineering, Jiangnan University（江南大学物联网工程学院）
近年来，稀疏子空间聚类已成为处理高维数据的有效工具。在稀疏子空间聚类的框架中有两个基本步骤。一种是求解数据的系数矩阵，另一种是由系数矩阵构造亲和矩阵，并将其应用于谱聚类。本文在现有算法的基础上，从聚类精度和稳定性两个方面研究了影响聚类性能的因素。我们选择了四种方法来求解系数矩阵，并使用四种不同的方法来构造每个系数矩阵的相似度矩阵。然后，我们比较了不同的组合在三个数据集上的聚类性能。实验结果表明，系数矩阵和亲和度矩阵对聚类性能影响很大，如何开发稳定有效的算法仍需研究。
2019-12-21 cs.CV cs.LG
Hierarchical Clustering of Hyperspectral Images using Rank-Two Nonnegative Matrix Factorization
Université de Mons（蒙斯大学）；Georgia Institute of Technology（佐治亚理工学院）
本文设计了一种高分辨率高光谱图像的层次聚类算法。在算法的核心，一个新的秩2非负矩阵分解（NMF）算法被用来分裂的集群，这是由凸几何概念的动机。该方法从包含所有像素的单个聚类开始，并且在每个步骤中，（i）以使得下一步骤中的误差最小化的方式选择聚类，以及（ii）以使得聚类很好地平衡和稳定的方式使用秩二NMF将所选择的聚类分成两个不相交的聚类。所提出的方法也可以作为一个端元提取算法中存在的纯像素。这种方法的有效性说明了几个合成和现实世界的高光谱图像，并表现出优于标准的聚类技术，如k-均值，球形k-均值和标准NMF。
2014-08-19 cs.CV cs.IR math.OC
Spectral-Spatial Diffusion Geometry for Hyperspectral Image Clustering
Tufts University（塔夫茨大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
提出了一种利用空间正则化随机游走的无监督学习算法对高光谱图像数据进行聚类。马尔可夫扩散被定义在HSI谱的空间上，其跃迁被约束到附近的空间邻居。将空间规律性明确地结合到扩散构造中导致更平滑的随机过程，其比仅基于光谱的随机过程更适合于无监督机器学习。正则化扩散过程随后用于通过扩散距离将高维HSI嵌入到低维空间中。使用密度估计和扩散距离计算聚类模式，并根据这些模式标记所有其他点。该方法具有较低的计算复杂性，并执行竞争力对国家的最先进的HSI聚类算法的真实数据。特别是，所提出的空间正则化赋予了非正则化方法的经验优势。
2019-02-08 cs.CV cs.LG stat.ML
Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry
City University of Hong Kong（香港城市大学）；Hong Kong Centre for Cerebro-Cardiovascular Health Engineering（香港脑心血管健康工程中心）；Tufts University（塔夫茨大学）；Wake Forest University（维克森林大学）
高光谱图像是自然科学和社会科学的重要数据源，它存储了上百个或更多的光谱波段。高光谱图像通常以相对粗糙的空间分辨率大量生成。因此，需要在高光谱图像中结合已知结构的无监督机器学习算法来自动分析这些图像。本文介绍了空间光谱图像重建和扩散几何聚类（DSIRC）算法，用于分割高度混合的高光谱图像。DSIRC通过形状自适应重建过程降低测量噪声。特别是，对于每个像素，DSIRC定位光谱相关的像素内的数据自适应的空间邻域和重建像素的光谱特征使用其邻居。然后，DSIRC将高密度、高纯度像素定位在远离其他高密度、高纯度像素的扩散距离（一种依赖于数据的距离度量）上，并将这些像素视为聚类样本，为每个像素提供唯一的标签。非模态像素被分配其扩散距离的标签-已经标记的具有更高密度和纯度的最近邻。强有力的数值结果表明，通过图像重建的空间信息，大大提高了性能的像素级聚类。
2022-04-28 cs.CV cs.LG stat.AP
Unbalanced Optimal Transport Dictionary Learning for Unsupervised Hyperspectral Image Clustering
本文提出利用不平衡最优传输字典学习方法，通过低维表示和光谱聚类实现超光谱图像的无监督聚类。
2026-03-10 cs.CV cs.LG math.ST
