基于全局和局部流形结构的高光谱图像特征提取算法.pdfVIP

第27卷第4期 沈阳大学学报( 自然科学版) V01．27。No．4 201 of Science) 015 5年8月 Journal Aug．2 ShenyangUniversity(Natural 文章编号：2095—5456(2015)04—0283—06 基于全局和局部流形结构的 高光谱图像特征提取算法 赵春晖，崔晓辰 (哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨 150001) 摘 要：针对目前高光谱图像基于流形学习的无监督特征提取算法中只能够单独描述高维数据空间局 部或者全局的几何结构，并且没有一种算法能够同时保持高维数据全局和局部的几何结构的问题，提出了一 种基于全局和局部流形结构的无监督特征提取算法(GLMS)对高光谱图像进行特征提取．算法基于流形学 习基本理论，需要建立两种保持流形结构的近邻图，分别用来描述数据的全局和局部的流形结构，通过求解 广义特征值问题获得重构权值矩阵进而得到低维嵌入空间的最优投影，以达到降维的目的．在AVIRIS高光 谱图像以及IndianPine和Salina数据集上进行仿真对比实验，结果表明，提出的算法在分类精度和计算效率 上有较好的提高． 关键词：高光谱图像；无监督特征提取；全局和局部流形结构；流形学习 911．2 中图分类号：TN 文献标志码：A 高光谱图像所具有的大量光谱维为地物信息 算法(LLE)E50考虑到高维数据空间不存在全局的 提取提供了极其丰富的信息口]，有助于更加精细 线性结构，但是在样本点的邻域范围内，可以近似 的地物分类和目标识别，然而，光谱维的扩展也会 地看成符合局部线性欧氏空间．随后提出的拉普 导致数据的冗余和处理数据复杂度的提高．因此， 拉斯特征映射算法[61(LE)和局部切空间排列算 数据降维在高光谱图像处理中起到了十分重要的 法[7](LTSA)也都是基于局部流形结构这一假设 作用，并且成为高光谱图像分类、混合像元分解、 条件．然而，LLE、LE、LTSA这些局部算法并不 异常目标检测和地物反演等常用到的预处理技 能给出确定的映射函数，以至于不能将所提的算 术．高光谱图像降维通常包括两种方式：波段选择 法应用到新的数据集上，为此，He等对LE算法 和特征提取．与特征选择不同的是，特征提取需要 进行了改进，相继提出了邻域保持嵌入算法[8] 对各个光谱波段重新组合和优化，通过数学变换 对光谱波段进行压缩，因此，从原始数据集中重建 本外问题，即能够求解出映射函数．然而上述算法 数据往往比直接选择数据应用到后续图像处理会 都只能够学习到单一的流形结构，为此，王立志提 得到更好的效果L2j． 出了一种线性局部与全局保持的多流行学习算 近年来，流形学习L3J(ManifoldLearning)越 法[1 0。，旨在学习每类数据的几何结构，该方法虽 来越受到学者们的广泛关注，逐渐成为广泛使用 然解决了单一流行结构问题，但需要利用到样本 的非线性特征提取算法，该理论的基本假设是：高 的类别信息，为此本文提出了一种基于全局和局 维空间的数据并不是均匀分布的[3]，而是嵌入在 and