《Neurocomputing》：Efficient superpixel-guided global-local spectral clustering for large-scale HSI
編輯推薦：
高光譜圖像聚類方法中，傳統(tǒng)譜聚類計(jì)算復(fù)雜度高，本文提出ESGLGC模型，通過超像素分割（ERS算法）降低維度，構(gòu)建全局圖（圖卷積子空間學(xué)習(xí)）和局部多層圖，融合后提升聚類精度與效率。
楊本|張學(xué)濤|羅永強(qiáng)|聶飛平|王飛|陳博東
中國陜西省西安市710049，西安交通大學(xué)人工智能與機(jī)器人研究所，人機(jī)混合增強(qiáng)智能國家重點(diǎn)實(shí)驗(yàn)室
摘要
由于具有明確的框架和出色的性能，譜聚類在高分譜圖像（HSI）分析中被廣泛使用。然而，其二次或三次的計(jì)算復(fù)雜性限制了其在大規(guī)模任務(wù)中的應(yīng)用。雖然已經(jīng)開發(fā)出了可擴(kuò)展的譜方法，但由于結(jié)構(gòu)探索不足，這些方法在效果上往往不盡如人意。為了解決這個問題，我們提出了一種高效的超像素引導(dǎo)的全局-局部圖聚類模型（ESGLGC），該模型在保持可擴(kuò)展性的同時(shí)提高了聚類效果。具體來說，首先使用熵率超像素（ERS）算法將大規(guī)模HSI分割成超像素，從而顯著降低了計(jì)算復(fù)雜性。然后，開發(fā)了一種超像素級別的圖卷積子空間學(xué)習(xí)策略來捕捉全局結(jié)構(gòu)，同時(shí)設(shè)計(jì)了一種多層次鄰域構(gòu)建方案來表征局部結(jié)構(gòu)。這些互補(bǔ)的全局和局部圖隨后被融合成一個統(tǒng)一的圖用于譜聚類。通過聯(lián)合利用超像素引導(dǎo)的全局-局部結(jié)構(gòu)信息，ESGLGC在聚類準(zhǔn)確性和計(jì)算效率之間取得了良好的平衡。廣泛的實(shí)驗(yàn)表明，與現(xiàn)有技術(shù)方法相比，ESGLGC在各種數(shù)據(jù)集上實(shí)現(xiàn)了更優(yōu)的聚類性能。
引言
高分譜圖像（HSI）[1]、[2] 由機(jī)載傳感器或衛(wèi)星獲取，結(jié)合了成像和光譜技術(shù)，能夠捕捉數(shù)百個狹窄且連續(xù)的光譜帶，具有幾納米的高光譜分辨率。這種豐富的光譜信息使HSI在區(qū)分不同材料和準(zhǔn)確識別地面目標(biāo)方面優(yōu)于傳統(tǒng)的全色和多光譜圖像。因此，HSI已被廣泛應(yīng)用于城市規(guī)劃[3]、國防與安全[4]、生態(tài)監(jiān)測[5]等多個領(lǐng)域。近年來，HSI分類作為一種理論上有意義且前景廣闊的技術(shù)，推動了這些應(yīng)用領(lǐng)域的進(jìn)步[6]。傳統(tǒng)的監(jiān)督或半監(jiān)督分類[7]、[8] 需要大量的人力和財(cái)力來獲取標(biāo)注樣本，從而限制了它們的實(shí)際應(yīng)用。因此，不需要標(biāo)注數(shù)據(jù)的聚類[9] 已逐漸成為當(dāng)代HSI分類研究的重點(diǎn)。
在各種HSI聚類方法中，基于結(jié)構(gòu)的方法[10]、[11]（包括子空間聚類[12]、[13]、[14] 和譜聚類[15]、[16]）因其能夠表示HSI像素之間的結(jié)構(gòu)關(guān)系而脫穎而出。具體來說，這些方法首先使用子空間學(xué)習(xí)或圖構(gòu)建來捕捉像素之間的結(jié)構(gòu)關(guān)系，然后采用各種分割技術(shù)將像素分類到不同的簇中。例如，TV-CRC-LAD[12]是一種典型的子空間聚類方法，它采用總變分正則化協(xié)同表示聚類和局部自適應(yīng)字典來減少冗余和不相關(guān)的原子，通過結(jié)合空間-上下文信息來提高聚類效果。GCSC[13] 是另一種子空間聚類方法，它引入了一種新的圖卷積框架，通過將自表達(dá)數(shù)據(jù)屬性映射到非歐幾里得域來實(shí)現(xiàn)穩(wěn)健的HSI聚類。相比之下，譜聚類方法包括GSDSSC[15]，它開發(fā)了一種基于圖的深度譜空間聚類模型，通過高階關(guān)系和HSI像素之間的全局結(jié)構(gòu)特征來提高性能；以及NSCKL[16]，它將標(biāo)準(zhǔn)化譜聚類與核學(xué)習(xí)相結(jié)合，同時(shí)捕捉歐幾里得空間中的局部相關(guān)性和流形上的全局相關(guān)性，提供了HSI像素結(jié)構(gòu)的全面表示。盡管這些方法有效，但由于它們在獲取結(jié)構(gòu)關(guān)系和執(zhí)行圖分割時(shí)的計(jì)算復(fù)雜性為二次甚至三次，因此常常受到限制，這可能限制了它們在大規(guī)模HSI聚類任務(wù)中的應(yīng)用。
為了解決大規(guī)模HSI聚類的挑戰(zhàn)，已經(jīng)開發(fā)了多種加速的基于結(jié)構(gòu)的方法[17]、[18]、[19]、[20]，包括基于錨點(diǎn)的方法[17]、[18] 和基于超像素的方法[19]、[20]、[21]。基于錨點(diǎn)的方法首先為HSI生成錨點(diǎn)，然后構(gòu)建一個錨點(diǎn)圖來捕捉錨點(diǎn)與HSI像素之間的結(jié)構(gòu)關(guān)系。例如，F(xiàn)SCAG[17] 和SGNCR[18] 通過構(gòu)建錨點(diǎn)圖來降低基于結(jié)構(gòu)的HSI聚類的計(jì)算復(fù)雜性，這些錨點(diǎn)圖隨后用于構(gòu)建譜聚類的親和矩陣，從而顯著提高聚類效率。然而，這些方法的性能高度依賴于錨點(diǎn)生成的質(zhì)量。現(xiàn)有的錨點(diǎn)生成技術(shù)，如隨機(jī)采樣和k-means聚類[22]，往往忽略了HSI像素之間的結(jié)構(gòu)關(guān)系，限制了它們準(zhǔn)確捕捉像素間結(jié)構(gòu)的能力。另一方面，基于超像素的方法首先將HSI分割成幾個超像素區(qū)域，然后基于這些超像素構(gòu)建親和矩陣，使用得到的親和矩陣來表示像素之間的結(jié)構(gòu)關(guān)系。這種策略不僅降低了數(shù)據(jù)維度，還更好地保留了HSI的空間和光譜信息，從而提高了聚類效率和效果。例如，[23] 提出了一種基于超像素的低秩約束二分圖（SLCBG）學(xué)習(xí)方法，該方法使用超像素分割和張量Schatten-p范數(shù)和核范數(shù)來實(shí)現(xiàn)聚類。[20] 開發(fā)了PSCPC方法，它結(jié)合了像素級和超像素級的對比學(xué)習(xí)與偽標(biāo)簽校正，以改善HSI聚類中的細(xì)粒度特征捕捉和計(jì)算效率。盡管這些方法通過利用超像素有效地降低了大規(guī)模HSI聚類的計(jì)算復(fù)雜性，但它們主要依賴于單級結(jié)構(gòu)表示來整合空間和光譜信息。例如，MSCSC[24] 將對比學(xué)習(xí)與固定超像素尺度上的自表示相結(jié)合，以增強(qiáng)區(qū)分性的超像素級表示。類似地，S2DL[19] 方法執(zhí)行熵率超像素（ERS）[25] 分割，并構(gòu)建了一個空間規(guī)則化的擴(kuò)散圖，以在降低計(jì)算復(fù)雜性的同時(shí)保持局部空間一致性。這一限制限制了捕捉多級更豐富結(jié)構(gòu)細(xì)節(jié)的能力，從而影響了整體聚類性能。
為了解決這一挑戰(zhàn)，我們提出了一種新型的高效超像素引導(dǎo)的全局-局部圖聚類模型（ESGLGC），在保持高效率的同時(shí)提高了HSI聚類的效果。我們的方法利用超像素技術(shù)在多個層次上捕獲結(jié)構(gòu)信息。我們首先使用ERS分割算法將大規(guī)模HSI分割成不同的超像素區(qū)域。接下來，我們構(gòu)建兩個不同層次的親和矩陣來表示超像素之間的HSI結(jié)構(gòu)。然后，將這些親和矩陣整合成一個共識親和矩陣用于聚類。為了實(shí)現(xiàn)多層次結(jié)構(gòu)表示，我們提出了一種基于超像素的圖卷積子空間表示方法來捕捉全局級結(jié)構(gòu)，并采用多層次鄰域方法來捕捉局部級細(xì)節(jié)。通過結(jié)合這些技術(shù)，ESGLGC有效地整合了全面的基于超像素的結(jié)構(gòu)信息，提高了聚類性能，同時(shí)保持了高效率。廣泛的實(shí)驗(yàn)表明，ESGLGC在各種數(shù)據(jù)集上的性能優(yōu)于現(xiàn)有技術(shù)方法。本工作的主要貢獻(xiàn)如下：
•我們提出了一種超像素引導(dǎo)的全局-局部圖聚類方法，該方法整合了不同層次的親和矩陣，從大規(guī)模HSI中挖掘更豐富的結(jié)構(gòu)信息，顯著提高了聚類性能，同時(shí)保持了高效率。
•為了提供高質(zhì)量的大規(guī)模HSI基于超像素的全局圖，我們開發(fā)了一種基于超像素的圖卷積子空間學(xué)習(xí)模型，有效捕捉了超像素之間的全局結(jié)構(gòu)關(guān)系。
•為了揭示大規(guī)模HSI超像素之間的局部結(jié)構(gòu)，我們開發(fā)了一種基于多層次鄰域的策略來構(gòu)建局部圖，該策略通過探索它們的多層次鄰居來捕捉超像素的局部關(guān)系。
•廣泛的實(shí)驗(yàn)驗(yàn)證了ESGLGC在三個常用的大規(guī)模HSI數(shù)據(jù)集上的有效性。此外，我們還通過詳細(xì)的實(shí)驗(yàn)分析探討了其對參數(shù)的敏感性。
其余部分的結(jié)構(gòu)如下：第2節(jié)回顧了一些背景知識，第3節(jié)詳細(xì)介紹了所提出的ESGLGC方法。第4節(jié)包含詳細(xì)的實(shí)驗(yàn)和實(shí)驗(yàn)結(jié)果分析，第5節(jié)總結(jié)了這項(xiàng)工作。
部分摘錄
背景知識
在本節(jié)中，我們將詳細(xì)介紹幾種典型的基于結(jié)構(gòu)的聚類技術(shù)，包括子空間表示學(xué)習(xí)和譜聚類。子空間表示學(xué)習(xí)有效地捕捉了樣本之間的結(jié)構(gòu)關(guān)系，而譜聚類通過將結(jié)構(gòu)圖分割成不同的簇來實(shí)現(xiàn)聚類。
方法論
在本節(jié)中，我們提出了一種超像素引導(dǎo)的全局-局部圖聚類方法，以解決大規(guī)模HSI聚類的效果和效率挑戰(zhàn)。具體來說，ESGLGC包括以下四個步驟：1）基于超像素的HSI分割；2）基于超像素的全局圖學(xué)習(xí)；3）基于超像素的局部圖學(xué)習(xí)；4）全局-局部圖融合聚類。我們將在下面詳細(xì)介紹這些步驟，并分析ESGLGC的計(jì)算復(fù)雜性。
實(shí)驗(yàn)
為了驗(yàn)證所提出的ESGLGC的性能，我們選擇了十個最先進(jìn)的算法作為基準(zhǔn)，并在三個主流HSI數(shù)據(jù)集上進(jìn)行了測試。使用四個聚類指標(biāo)來評估聚類性能：生產(chǎn)者準(zhǔn)確率（PA）、總體準(zhǔn)確率（OA）、標(biāo)準(zhǔn)化互信息（NMI）和Kappa系數(shù)（Kappa）[33]。為了確保公平性，所有實(shí)驗(yàn)都在配備3.20GHz Intel? Core? i7-8700 CPU和32GB內(nèi)存的臺式計(jì)算機(jī)上運(yùn)行Python 3.8進(jìn)行。
結(jié)論
為了解決現(xiàn)有大規(guī)模HSI聚類方法的效果局限性，我們在本工作中提出了一種高效的超像素引導(dǎo)的全局-局部圖聚類模型（ESGLGC），該模型在保持高效率的同時(shí)顯著提高了聚類效果。為此，我們首先應(yīng)用ERS將大規(guī)模HSI分割成多個超像素。然后，我們開發(fā)了一種基于超像素的全局圖卷積子空間學(xué)習(xí)方法，以及一個局部多層次
CRediT作者貢獻(xiàn)聲明
楊本：撰寫——審閱與編輯，撰寫——原始草案，軟件，方法論，概念化。張學(xué)濤：撰寫——審閱與編輯，監(jiān)督，方法論，調(diào)查。羅永強(qiáng)：軟件，方法論。聶飛平：撰寫——審閱與編輯，監(jiān)督，方法論。王飛：撰寫——審閱與編輯，監(jiān)督。陳博東：監(jiān)督，調(diào)查。
利益沖突聲明
作者聲明他們沒有已知的競爭性財(cái)務(wù)利益或個人關(guān)系可能會影響本文報(bào)告的工作。
致謝
本工作部分得到了中國國家自然科學(xué)基金（編號62403372）、四川省自然科學(xué)基金（編號2025ZNSFSC1496）、國家博士后創(chuàng)新人才支持計(jì)劃（編號BX20230283）、陜西省“三秦博創(chuàng)”人才支持計(jì)劃（編號2024SQBC005）、中國博士后科學(xué)基金會資助的項(xiàng)目（編號2023M742791）以及陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃（編號2024-JC-YBQN-0658）的支持。
楊本分別于2016年和2023年在陜西西安交通大學(xué)獲得了自動化科學(xué)與技術(shù)和控制科學(xué)與工程的學(xué)士學(xué)位和博士學(xué)位。2021年至2022年，他訪問了新加坡南洋理工大學(xué)的電氣與電子工程學(xué)院。他目前是西安交通大學(xué)人工智能與機(jī)器人研究所和人工智能學(xué)院的助理教授。
