稀疏字典与锚定回归驱动的高光谱图像聚类新方法

"通过基于稀疏字典的锚定回归进行高光谱图像聚类" 本文主要探讨了如何解决高光谱图像（HSI）聚类的挑战，这是一项由于HSI的大光谱变异性、高维度和复杂结构而变得极其困难的任务。作者提出了一种新颖的基于稀疏字典学习（Sparse Dictionary Learning, SDL）和锚定回归的HSI聚类方法，旨在改进传统的稀疏子空间聚类（Sparse Subspace Clustering, SSC）算法。 首先，传统SSC方法中的直接自我表示字典存在表示能力不足的问题。为了解决这一问题，文章提出了利用快速稀疏DL方法来构建能更好地捕捉HSI固有特性的字典。这种方法在双重稀疏约束的优化模型下运作，以提高对HSI数据的描述能力。 其次，为了构建一个紧凑的子空间用于协作表示，作者引入了锚定子空间的概念。他们使用原子聚类和分组方法来建立锚定子空间，这种方法能够有效地减少计算复杂性。锚定子空间的构建使得可以通过预定义的投影矩阵快速计算表示系数，进一步优化了聚类过程。 最后，基于所得到的表示系数，文章采用了基于表示的谱聚类策略。通过这种方式，HSI的聚类性能得到了显著提升。实验结果显示，新提出的算法在HSI聚类任务上表现出最佳性能，验证了其有效性和实用性。 这篇研究为高光谱图像处理领域提供了新的视角和方法，结合了稀疏字典学习和锚定回归的优势，为HSI聚类提供了更高效、准确的解决方案。这种方法不仅提高了聚类的准确性，还降低了计算复杂性，对于未来HSI分析和应用具有重要的理论和实践价值。