Hyperspectral Band Selection via Adaptive Subspace Partition Strategy

本文基本思想：其基本思想是有序地处理高光谱波段，然后自适应地将具有相似光谱特征的波段划分为一个子立方体。在每个子立方体中选取估计噪声最小的带作为代表。

出发点：
近年来，人们提出了许多基于聚类的波段选择方法，但大多数方法只考虑了波段之间的冗余，忽略了所选波段子集的信息量。此外，这些算法从来没有考虑高光谱波段的有序。基于这两个事实，我们提出了一种新的基于自适应子空间划分策略的高光谱波段选择方法。

主要贡献如下:

1. 提出了一种搜索不相关高光谱子立方体的ASPS。基于相邻波段具有高冗余的特点，利用聚类算法将有序的高光谱波段分割成多个子立方体，可以有效避免获得高相关的子集;
2. 采用一种有效的波段噪声估计方法，在每个子立方体中选取噪声最小的频带作为代表频带。将带图像分割成相同大小的小块，通过局部方差的分布估计带图像的噪声水平，测量带的贡献，从而实现高质量带图像的选择。。
3. 通过自适应子空间划分，得到的子立方体可以视为一个总体框架，这意味着每个子立方体中的代表性带可以由其他准则选择。

本文方法分析：
1、 自适应子空间划分策略

1. 粗子空间分区：为了更快地实现聚类算法，根据所选波段的数量，将高光谱图像立方体按相等的宽度划分为有限的子立方体。每个子立方Pi的带数等于总的波段数除以所选波段数。
2. 细子空间划分：每个空间波段的矩阵被拉伸为一维向量，根据拉伸的向量，由欧几里得距离构造第i波段和第j波段之间的相似矩阵，通过最大化类间距离与类内距离的比