针对大规模高光谱图像（HSI）的高效超像素引导的全局-局部光谱聚类方法

《Neurocomputing》：Efficient superpixel-guided global-local spectral clustering for large-scale HSI

高光谱图像聚类方法中，传统谱聚类计算复杂度高，本文提出ESGLGC模型，通过超像素分割（ERS算法）降低维度，构建全局图（图卷积子空间学习）和局部多层图，融合后提升聚类精度与效率。

　　

杨本|张学涛|罗永强|聂飞平|王飞|陈博东

中国陕西省西安市710049，西安交通大学人工智能与机器人研究所，人机混合增强智能国家重点实验室

摘要

由于具有明确的框架和出色的性能，谱聚类在高分谱图像（HSI）分析中被广泛使用。然而，其二次或三次的计算复杂性限制了其在大规模任务中的应用。虽然已经开发出了可扩展的谱方法，但由于结构探索不足，这些方法在效果上往往不尽如人意。为了解决这个问题，我们提出了一种高效的超像素引导的全局-局部图聚类模型（ESGLGC），该模型在保持可扩展性的同时提高了聚类效果。具体来说，首先使用熵率超像素（ERS）算法将大规模HSI分割成超像素，从而显著降低了计算复杂性。然后，开发了一种超像素级别的图卷积子空间学习策略来捕捉全局结构，同时设计了一种多层次邻域构建方案来表征局部结构。这些互补的全局和局部图随后被融合成一个统一的图用于谱聚类。通过联合利用超像素引导的全局-局部结构信息，ESGLGC在聚类准确性和计算效率之间取得了良好的平衡。广泛的实验表明，与现有技术方法相比，ESGLGC在各种数据集上实现了更优的聚类性能。

引言

高分谱图像（HSI）[1]、[2] 由机载传感器或卫星获取，结合了成像和光谱技术，能够捕捉数百个狭窄且连续的光谱带，具有几纳米的高光谱分辨率。这种丰富的光谱信息使HSI在区分不同材料和准确识别地面目标方面优于传统的全色和多光谱图像。因此，HSI已被广泛应用于城市规划[3]、国防与安全[4]、生态监测[5]等多个领域。近年来，HSI分类作为一种理论上有意义且前景广阔的技术，推动了这些应用领域的进步[6]。传统的监督或半监督分类[7]、[8] 需要大量的人力和财力来获取标注样本，从而限制了它们的实际应用。因此，不需要标注数据的聚类[9] 已逐渐成为当代HSI分类研究的重点。

在各种HSI聚类方法中，基于结构的方法[10]、[11]（包括子空间聚类[12]、[13]、[14] 和谱聚类[15]、[16]）因其能够表示HSI像素之间的结构关系而脱颖而出。具体来说，这些方法首先使用子空间学习或图构建来捕捉像素之间的结构关系，然后采用各种分割技术将像素分类到不同的簇中。例如，TV-CRC-LAD[12]是一种典型的子空间聚类方法，它采用总变分正则化协同表示聚类和局部自适应字典来减少冗余和不相关的原子，通过结合空间-上下文信息来提高聚类效果。GCSC[13] 是另一种子空间聚类方法，它引入了一种新的图卷积框架，通过将自表达数据属性映射到非欧几里得域来实现稳健的HSI聚类。相比之下，谱聚类方法包括GSDSSC[15]，它开发了一种基于图的深度谱空间聚类模型，通过高阶关系和HSI像素之间的全局结构特征来提高性能；以及NSCKL[16]，它将标准化谱聚类与核学习相结合，同时捕捉欧几里得空间中的局部相关性和流形上的全局相关性，提供了HSI像素结构的全面表示。尽管这些方法有效，但由于它们在获取结构关系和执行图分割时的计算复杂性为二次甚至三次，因此常常受到限制，这可能限制了它们在大规模HSI聚类任务中的应用。

为了解决大规模HSI聚类的挑战，已经开发了多种加速的基于结构的方法[17]、[18]、[19]、[20]，包括基于锚点的方法[17]、[18] 和基于超像素的方法[19]、[20]、[21]。基于锚点的方法首先为HSI生成锚点，然后构建一个锚点图来捕捉锚点与HSI像素之间的结构关系。例如，FSCAG[17] 和SGNCR[18] 通过构建锚点图来降低基于结构的HSI聚类的计算复杂性，这些锚点图随后用于构建谱聚类的亲和矩阵，从而显著提高聚类效率。然而，这些方法的性能高度依赖于锚点生成的质量。现有的锚点生成技术，如随机采样和k-means聚类[22]，往往忽略了HSI像素之间的结构关系，限制了它们准确捕捉像素间结构的能力。另一方面，基于超像素的方法首先将HSI分割成几个超像素区域，然后基于这些超像素构建亲和矩阵，使用得到的亲和矩阵来表示像素之间的结构关系。这种策略不仅降低了数据维度，还更好地保留了HSI的空间和光谱信息，从而提高了聚类效率和效果。例如，[23] 提出了一种基于超像素的低秩约束二分图（SLCBG）学习方法，该方法使用超像素分割和张量Schatten-p范数和核范数来实现聚类。[20] 开发了PSCPC方法，它结合了像素级和超像素级的对比学习与伪标签校正，以改善HSI聚类中的细粒度特征捕捉和计算效率。尽管这些方法通过利用超像素有效地降低了大规模HSI聚类的计算复杂性，但它们主要依赖于单级结构表示来整合空间和光谱信息。例如，MSCSC[24] 将对比学习与固定超像素尺度上的自表示相结合，以增强区分性的超像素级表示。类似地，S²DL[19] 方法执行熵率超像素（ERS）[25] 分割，并构建了一个空间规则化的扩散图，以在降低计算复杂性的同时保持局部空间一致性。这一限制限制了捕捉多级更丰富结构细节的能力，从而影响了整体聚类性能。

为了解决这一挑战，我们提出了一种新型的高效超像素引导的全局-局部图聚类模型（ESGLGC），在保持高效率的同时提高了HSI聚类的效果。我们的方法利用超像素技术在多个层次上捕获结构信息。我们首先使用ERS分割算法将大规模HSI分割成不同的超像素区域。接下来，我们构建两个不同层次的亲和矩阵来表示超像素之间的HSI结构。然后，将这些亲和矩阵整合成一个共识亲和矩阵用于聚类。为了实现多层次结构表示，我们提出了一种基于超像素的图卷积子空间表示方法来捕捉全局级结构，并采用多层次邻域方法来捕捉局部级细节。通过结合这些技术，ESGLGC有效地整合了全面的基于超像素的结构信息，提高了聚类性能，同时保持了高效率。广泛的实验表明，ESGLGC在各种数据集上的性能优于现有技术方法。本工作的主要贡献如下：

•

我们提出了一种超像素引导的全局-局部图聚类方法，该方法整合了不同层次的亲和矩阵，从大规模HSI中挖掘更丰富的结构信息，显著提高了聚类性能，同时保持了高效率。

•

为了提供高质量的大规模HSI基于超像素的全局图，我们开发了一种基于超像素的图卷积子空间学习模型，有效捕捉了超像素之间的全局结构关系。

•

为了揭示大规模HSI超像素之间的局部结构，我们开发了一种基于多层次邻域的策略来构建局部图，该策略通过探索它们的多层次邻居来捕捉超像素的局部关系。

•

广泛的实验验证了ESGLGC在三个常用的大规模HSI数据集上的有效性。此外，我们还通过详细的实验分析探讨了其对参数的敏感性。

其余部分的结构如下：第2节回顾了一些背景知识，第3节详细介绍了所提出的ESGLGC方法。第4节包含详细的实验和实验结果分析，第5节总结了这项工作。

部分摘录

背景知识

在本节中，我们将详细介绍几种典型的基于结构的聚类技术，包括子空间表示学习和谱聚类。子空间表示学习有效地捕捉了样本之间的结构关系，而谱聚类通过将结构图分割成不同的簇来实现聚类。

方法论

在本节中，我们提出了一种超像素引导的全局-局部图聚类方法，以解决大规模HSI聚类的效果和效率挑战。具体来说，ESGLGC包括以下四个步骤：1）基于超像素的HSI分割；2）基于超像素的全局图学习；3）基于超像素的局部图学习；4）全局-局部图融合聚类。我们将在下面详细介绍这些步骤，并分析ESGLGC的计算复杂性。

实验

为了验证所提出的ESGLGC的性能，我们选择了十个最先进的算法作为基准，并在三个主流HSI数据集上进行了测试。使用四个聚类指标来评估聚类性能：生产者准确率（PA）、总体准确率（OA）、标准化互信息（NMI）和Kappa系数（Kappa）[33]。为了确保公平性，所有实验都在配备3.20GHz Intel? Core? i7-8700 CPU和32GB内存的台式计算机上运行Python 3.8进行。

结论

为了解决现有大规模HSI聚类方法的效果局限性，我们在本工作中提出了一种高效的超像素引导的全局-局部图聚类模型（ESGLGC），该模型在保持高效率的同时显著提高了聚类效果。为此，我们首先应用ERS将大规模HSI分割成多个超像素。然后，我们开发了一种基于超像素的全局图卷积子空间学习方法，以及一个局部多层次

CRediT作者贡献声明

杨本：撰写——审阅与编辑，撰写——原始草案，软件，方法论，概念化。张学涛：撰写——审阅与编辑，监督，方法论，调查。罗永强：软件，方法论。聂飞平：撰写——审阅与编辑，监督，方法论。王飞：撰写——审阅与编辑，监督。陈博东：监督，调查。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作部分得到了中国国家自然科学基金（编号62403372）、四川省自然科学基金（编号2025ZNSFSC1496）、国家博士后创新人才支持计划（编号BX20230283）、陕西省“三秦博创”人才支持计划（编号2024SQBC005）、中国博士后科学基金会资助的项目（编号2023M742791）以及陕西省自然科学基础研究计划（编号2024-JC-YBQN-0658）的支持。

杨本分别于2016年和2023年在陕西西安交通大学获得了自动化科学与技术和控制科学与工程的学士学位和博士学位。2021年至2022年，他访问了新加坡南洋理工大学的电气与电子工程学院。他目前是西安交通大学人工智能与机器人研究所和人工智能学院的助理教授。