通过联合稀疏和共享小波的稀疏字典学习对高光谱图像进行聚类

稀疏子空间聚类(SSC)算法在高光谱图像聚类中取得了令人印象深刻的性能。但是,使用包含噪声的原始样本来构造字典。 此外,SSC代表每个信号,而忽略了高光谱像素之间的关系。 为了克服这些问题,我们提出了一种用于高光谱图像聚类的稀疏词典学习方法,该方法将联合稀疏性和共享小波相结合,以提高学习词典的表达能力。 首先,我们将共享的小波作为基础字典并入统一的联合稀疏约束优化模型,以从高光谱图像的光谱和上下文特征中学习结构化的稀疏字典。 然后,基于学习到的稀疏字典,采用稀疏表示系数构造图的非负亲和度矩阵。 最后,对亲和矩阵进行谱聚类以获得最终的聚类结果。 实验结果清楚地表明,该算法优于高光谱数据集上的其他最新方法。