高光谱影像分析：基于OPD优化的K-均值聚类新方法

"高光谱影像的改进K-均值监督式聚类分析方法 (2012年) - 苏红军、盛业华、DU Qian、YANG He - 武汉大学学报·信息科学版 - 高光谱影像;监督K均值;端元提取" 这篇2012年的论文主要探讨了针对高光谱影像分析中的聚类问题，特别是K-均值聚类算法的局限性，并提出了一种改进的方法。高光谱影像具有丰富的光谱信息，但处理这类数据时通常会面临初始聚类中心选择的不稳定性以及确定聚类数量的困难。 传统的K-均值算法虽然因其简单、高效而被广泛使用，但存在两个主要问题：一是算法对初始聚类中心的选择非常敏感，不同的起点可能导致不同的聚类结果；二是需要预设聚类数量k，这在缺乏先验知识的情况下是一个挑战。论文作者为解决这些问题，引入了正交投影散度（Orthogonal Projection Divergence, OPD）来优化K-均值算法的初始聚类中心选择，并设计了一个名为RD的指标函数来估计聚类的数量k。 正交投影散度（OPD）是一种衡量数据分布差异的方法，通过OPD，算法可以更准确地找到聚类中心，从而提高聚类的稳定性和准确性。此外，RD指标函数的提出为确定合适的聚类数量提供了一种有效的手段，它能根据数据本身的特性来估算k值，避免了主观设定的不确定性。 论文将提出的算法应用于高光谱影像的特征提取和端元提取分析，实验结果显示，新算法的性能优于传统的或类似的聚类方法。端元提取是高光谱影像分析中的一个重要步骤，它可以识别出影像中的基本光谱特性，对于地物分类和目标识别有着重要意义。 这篇论文提出的改进K-均值算法结合了监督信息，提高了高光谱影像处理的效率和准确性，特别是在小样本情况下，解决了传统K-均值算法的不足，为高光谱影像的分析提供了新的思路和工具。这一工作对于遥感领域的数据挖掘、模式识别以及机器学习等研究具有重要价值。