【论文】Hyperspectral Image Clustering: Current Achievements and Future Lines

高光谱聚类：研究现状及发展趋势

参考文献：

H. Zhai, H. Zhang*, P. Li, L. Zhang (2021). Hyperspectral Image Clustering: Current Achievements and Future Lines. IEEE Geoscience and Remote Sensing Magzine. DOI: 10.1109/MGRS.2020.3032575. （SCI, IF: 13.000, 中科院1区，Top期刊，JCR Q1, 地大T2）

论文下载链接：

https://ieeexplore.ieee.org/document/9328197

团队成员

翟晗，博士，154.com皇冠副教授、硕士生导师。主要从事遥感图像处理、遥感信息提取与应用等方向的科学研究工作。

联系方式：zhaihan@cug.edu.cn (H. Zhai)

张洪艳^*（通讯作者），博士，武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师、教育部青年长江。主要从事影像质量改善、高光谱信息处理与农业遥感等方向的科学研究工作。

联系方式：zhanghongyan@whu.edu.cn (H. Zhang)

李平湘，博士，武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师。主要从事摄影测量与雷达影像处理等方向的科学研究工作。

张良培，博士，武汉大学测绘遥感信息工程国家重点实验室教授、博士生导师、教育部长江学者，IEEE Fellow。主要从事测绘、遥感图像处理、人工智能、模式识别等方向的科学研究工作。

成果介绍

高光谱遥感具有“光谱连续、图谱合一”的独特优势，为地物信息精细化提取提供了可能，在矿物勘测、精细林业、地表理化参数反演、军事侦察等诸多行业领域有着广泛应用。然而，在实际遥感应用中，训练样本获取成本高、难度大，在某些边远无人区，勘测人员很难到达，先验信息根本无法获取，极大制约了高光谱遥感的行业应用能力。作为一种典型的非监督信息提取技术，高光谱聚类能够不依赖于任何训练样本，仅通过挖掘数据潜在的本征结构，实现像素点集的自然划分，有效解决了无先验信息条件下高光谱地物信息精细化提取的难题，大幅提升了高光谱遥感的应用潜力。

经过数十年的发展，高光谱聚类取得了长足的进步，国内外学者提出了大量的模型与方法，极大推动了行业领域的发展。然而，目前为止，行业内尚缺乏高光谱聚类的系统性总结与探索研究，严重限制了大众对高光谱聚类发展的认知和行业应用水平。有鉴于此，本文在总结大量的参考文献的基础上，结合本人长期从事高光谱聚类研究取得的研究成果和心得，对高光谱聚类的发展现状和现有成就进行了系统化梳理与归纳总结，并结合现存问题对其未来趋势进行展望。

根据算法原理和工作机制的差异，本文将高光谱聚类归纳为9大类方法：基于聚类中心的方法(Centroid-based methods)、基于特征空间密度的方法(Density-based methods)、基于概率的方法(Probablity-based methods)、基于仿生学的方法(Bionics-based methods)、基于智能计算的方法(Intelligent computing-based methods)、基于图的聚类方法(Graph-based methods)、子空间聚类方法(Subspace clustering methods)、基于深度学习的方法(Deep learning-based methods)和基于混合机制的方法(Hybrid mechanism-based methods)。本文详尽介绍了每种聚类方法的原理机制，并系统回顾了每种方法的研究进展和代表性成果，总结分析了其优缺点。总体上，高光谱聚类方法概况如表1所示：

以广泛使用的美国印地安纳农场数据(Indian Pines)和2013年IEEE数据融合大赛官方发布的美国休斯顿大学数据(The University of Houston)为例，分析比较了9种典型的、具有代表性的高光谱聚类方法的性能，包括基于聚类中心的方法、基于特征空间密度的方法、基于概率的方法、基于图的方法和子空间聚类方法等。基于实验结果，本文对各种聚类方法的性能优缺点和背后的原因机制进行了详细探究。其中，各方法的聚类结果和定量评价结果如图1、2和表2、3所示：

本研究发现目前高光谱聚类发展存在一定的不平衡性：基于聚类中心的方法、基于特征空间密度的方法和基于概率的方法发展较为成熟，尤其是前两类，取得了丰硕的研究成果；基于仿生学方法的研究相对较少；近些年，由于优越的聚类性能，基于图的方法和子空间聚类方法受到越来越多的关注。

最后，本文结合高光谱聚类尚存在的的问题对其未来几个重点发展方向进行展望：（1）高精度、高效率；（2）多特征融合；（3）对象级/超像素级模型；（4）深度学习方法；（5）聚类数目自动稳健估计。