如何对spectral bands进行子分组？寻求更复杂的分组技术及相关研究文献

最简单的高光谱图像波段分组方法是按相邻波长划分等大小的组，共分为$G$个组，比如每个组$g_i$包含10个相邻的光谱波段。

以下是几种无需丢弃波段的复杂分组技术及相关研究成果：

• 基于光谱相关性的自适应分组
  参考论文：Adaptive Band Grouping for Hyperspectral Image Classification Using Spectral Correlation
  这类方法通过计算波段间的皮尔逊相关系数、互信息等指标衡量光谱相似性，将相关性高的波段归为一组，组的大小根据实际特征分布自适应调整，比等大小分组更贴合光谱数据的内在结构。

• 聚类算法驱动的波段分组
  参考论文：Spectral Band Clustering for Hyperspectral Image Compression and Classification
  利用K-means、层次聚类、谱聚类等算法，把所有波段按光谱曲线的相似性聚类，保证同组波段特征高度一致，组间差异明显，全程保留所有波段，常用于高光谱图像压缩、分类等任务。

• 深度学习特征导向的分组
  参考论文：Deep Learning-Based Band Grouping for Hyperspectral Image Analysis
  借助CNN或自编码器提取波段的深层非线性特征，再基于这些特征完成分组，能自动挖掘光谱中隐藏的关联模式，适合处理复杂场景下的高光谱数据。

• 领域知识结合的定制化分组
  参考论文：Domain-Aware Band Grouping for Hyperspectral Remote Sensing
  结合具体应用的领域知识（比如植被监测关注红边波段、矿物识别聚焦特征吸收峰波段），先划定关键波段组，再将剩余波段按相关性归入对应组，既满足专业需求，又保证分组的合理性。

内容的提问来源于stack exchange，提问作者S.EB