基于空间加权关联的稀疏表示高光谱聚类的开题报告

基于空间加权关联的稀疏表示高光谱聚类的开题报
告
一、研究背景和意义
高光谱图像具有高维度、高光谱分辨率和高空间分辨率等特点，因
此用于环境监测、地球物理勘探、农业生产、城市规划等领域具有广泛
应用。

高光谱图像的聚类是在不需要预先知道标记的前提下进行分类的
一种无监督方法，因此在高光谱图像处理中被广泛应用。

然而，由于高
光谱图像存在高维度和数据冗余性等问题，传统聚类方法面临着困难和
挑战。

稀疏表示是一种无监督特征学习方法，通过对样本进行稀疏表示，
可以有效地降低数据维度并去除冗余信息。

在高光谱图像聚类中，稀疏
表示可以将高光谱图像数据降低到低维度表示，以便进一步聚类。

虽然
稀疏表示在高光谱图像聚类中已经被广泛应用，但仍然存在以下问题：
1. 稀疏表示方法通常将所有的样本点等同对待，这忽略了样本之间
的空间关系，使得聚类结果易受到图像空间位置的影响。

2. 稀疏表示不考虑像素之间的相关性，而高光谱图像像素之间通常
存在较强的相关性。

因此，如何结合空间权重与稀疏表示方法，提高高光谱图像聚类精度，是当前研究的核心问题。

二、研究内容和方法
本文旨在研究一种基于空间加权关联的稀疏表示高光谱聚类方法，
以提高高光谱图像聚类的分类效果。

提出的方法主要包括以下三个步骤：
1. 建立空间加权关联矩阵。

对于高光谱图像，我们可以将每个像素
的空间位置视为其特征的一部分。

因此，对于每个像素，我们将其空间
位置作为一个额外的特征，并计算空间相邻像素之间的关系，得到空间
加权关联矩阵。

2. 利用稀疏表示进行特征降维。

利用稀疏表示方法将高光谱数据降
低到低维度表示，从而减少数据冗余度和计算负担。

在进行稀疏表示时，我们采用稀疏表示的L1正则化方法，并将空间加权关联矩阵作为稀疏表示模型的一部分，以考虑空间位置的影响。

3. 聚类高光谱数据。

在降维后的数据上，我们采用k-means聚类算法进行聚类。

由于我们已经考虑了空间位置的影响，因此聚类结果更加
准确。

三、研究预期结果
本文预计提出一种基于空间加权关联的稀疏表示高光谱聚类方法，
并在实际高光谱图像数据上进行测试和验证。

实验结果将与其他方法的
结果进行比较，以验证所提出方法的优越性和有效性。

预计实现以下目标：
1. 弥补现有高光谱聚类方法中对于空间位置的疏忽，提高高光谱图
像聚类精度。

2. 结合空间权重与稀疏表示方法，从而减小高光谱图像的冗余性和
维度，提高聚类效果。

3. 综合考虑像素之间的相关性和空间关系，提高聚类效果。

四、研究计划和进度
本文的研究计划和进度如下：
1. 熟悉高光谱图像聚类和稀疏表示方法，掌握空间加权关联的基本
概念和方法。

截止时间：2021年7月。

2. 阅读相关文献，了解国内外研究现状和热点。

截止时间：2021年8月。

3. 提出基于空间加权关联的稀疏表示高光谱聚类方法，并进行理论分析与验证。

截止时间：2021年11月。

4. 测试和验证提出的方法，与其他方法进行比较，分析稀疏表示在高光谱聚类中的优越性和有效性。

截止时间：2022年2月。

5. 撰写论文并进行翻译，完成毕业设计任务。

截止时间：2022年5月。