王姗姗 刘德山 闫德勤 佟瑞璇(辽宁师范大学计算机与信息技术学院 辽宁 大连 116081)

0 引 言

高光谱图像(Hyperspectral Images，HSI)广泛应用于矿物识别、环境监测、军事监测等领域。在高光谱图像应用中，最重要的是对图像进行分类[1-2]。分类主要有两种，有监督分类和无监督分类。有监督分类包含SAM[3]、最大似然法[4]、SVM[5]、神经网络[6]等方法。分类精度随着方法的发展而提高。有监督分类方法的使用必须以样本拥有标签信息为前提，但实际上获取的高光谱图像是没有标记信息的，这就需要使用无监督方法。聚类是无监督学习的典型算法，不需要标记结果。高光谱图像聚类是将像素分类成相应的集合的过程，按照内在相似性将像素划分为多个类别使得类内相似性大，类间相似性小。常用的无监督聚类方法有K-means算法[7-8]、均值漂移算法(mean-shift)[9]、迭代自组织数据分析算法(ISODATA)[10]等，这几种方法都比较典型且聚类效果相对较好。

对于高光谱图像来说，高光谱图像存在较大的光谱可变性和复杂的空间结构，既有光谱信息又有空间信息，这使得在聚类时通常会忽略空间信息，仅使用光谱信息获得的聚类精度是不准确的。所以在聚类时充分利用空间信息是非常重要的，文献[11]中提出了一种新的基于超像素和角度的高光谱图像聚类方法(SuperPixel and Angle-based HyperSpectral Image Clustering,SPAHSIC)。它首先提取局部光谱和空间信息，然后对基于子空间主角度的相似性矩阵进行谱聚类，获得较好的聚类准确率。文献[12]提出了一种用于空间谱HSI分类的贝叶斯分类方法。……