面向高光谱波段选择的区域感知层次潜在特征表示学习引导聚类

基于摘要分析。该研究面向高光谱图像（HSIs）的波段子集选择，提出区域感知层次潜在特征表示学习引导聚类方法 HLFC，以缓解将每个波段直接展平为像素特征向量时，对空间结构及不同区域重要性考虑不足的问题。 方法首先通过超像素分割将 HSIs 划分为多个区域；随后在各区域内构建波段间相似图及对应的拉普拉斯矩阵，用于层次化学习低维潜在特征。各区域的潜在特征经融合形成统一表示，再使用 k-means 聚类，并从每个簇中选取信息熵最大的波段，构成最终波段子集。其核心思路是先利用区域结构描述波段关系，再在表示空间中聚类，而不是仅依据展平后的像素特征处理冗余。具体优化目标、层次结构及区域融合或加权方式尚未验证。 作者报告，该方法在波段选择实验中优于所比较的代表性先进方法；但摘要未提供数据集、划分、评价指标或数值，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要说明演示代码已公开，完整复现所需的预处理、参数配置及运行条件仍需核对。 平台推测（待验证）：其区域相似图与聚类后选择代表变量的机制，可能为 EEG 通道选择提供方法参考，但这是假设，并非论文已验证的 BCI 贡献。原方法依赖高光谱图像的二维空间区域与波段关系；迁移时需将超像素区域改造为头皮空间邻域或时间片段，并重新定义通道相似度、区域融合及通道选择准则。低信噪比、伪迹造成的高熵、跨被试空间差异及少通道条件均可能使该机制失效。可在固定被试内划分和相同通道预算下，比较区域图表示选通道与直接通道聚类，并检验信息熵是否偏向伪迹通道。已有 EEG 相关工作尚未检索确认。