基于PCA与KPCA的多光谱遥感影像特征提取对比研究.pdf

第 44卷第2期 矿 山 测 量 Vo1．44No．2 2016年 4月 MINE SURVEYING ADr．2O16 doi：10．3969／j．issn．1001—358X．2016．02．015 [=三豳 基于PCA与KPCA的多光谱遥感影像 特征提取对 比研究 王 满 (重庆市勘测 院，重庆 400020) 摘要 ：多光谱遥感影像特征提取是保证图像分类结果精度 的关键 ，文 中介绍 了多光谱遥感影像特征 提取的两种主要方法。通过实验证明：KPCA较 PCA具有更好的数据压缩和降维效果，影像特征提 取效果优势明显。 关键词：PCA；KPCA；特征提取 中图分类号 ：P237 文献标识码：B 文章编号 ：1001—358X(2016)02—0049—04 分类是将复杂的现象简化为几种少量的一般类 多光谱像元矢量 ；T为变换矩阵。具体步骤如下 ： 别的过程… ，特征提取是保证 图像分类结果精度的 (1)对原始图像矩阵 进行标准化处理 ，即 关键 ，也是多光谱遥感影像解译的重要步骤。光谱 数据特征提取 的方法多种多样 ，包括主成分分析 X = (PCA)、K—T缨 帽变换 、小波变换、监督及非监督分 类等方法 ，其 中主成份分析 (PCA)被广泛应用于多 个领域。主成分分析方法是一种线性映射算法 ，只 其中，m和 n分别为变量数和每幅图像 中的像元数。 能提取数据的线性特征 ，并未对其非线性 问题进行 (2)计算协方差矩阵 相应 的分析 ，为此基于核方法 引入 了一种核主成分 1 —— 一 S= [X—X1][— 1]=[．siI] 分析 (KPCA)法 ，并成为了一种热 门有效的非线性特 ， 征提取技术 。本文主要就PCA和 KPCA两种特征 (3)求s矩阵的特征值 A和特征向量 ，并组成变 提取方法进行对 比研 究，以验证 KPCA非线性特征 换矩阵 。特征方程 ：(A，一S)U=0 提取方法在数据压缩和特征降维方面体现 出的强大 式 中：，为单位矩阵；U为特征向量。 优势 ，以期为 KPCA在多光谱遥感影像特征提取 中 根据特征方程求出协方差矩阵 s的各特征值 A； 提供实践经验 。 (=1，2，…，m)，按 A ≥A ≥…≥A 排列 ，求得各特 征值对应的单位特征 向量 ，组成正交矩阵 矩阵： 1 两种分析方法 U=[ ，u ，…， ]=[ui] 1．1 主成分分析方法 所求变换矩阵 为 矩阵的转置矩阵。 主成分分析 (PCA)也叫K—L变换 ，是基于统 计特征进行 的多维正交线性变换 ，是遥感影像特征 Y= ： 提取中较常用的一种算法 。 PCA算法原理 ：对某一 n波段 的多光谱 图像实 行线性变换 ，将原多光谱 图像组成 的光谱空间 乘 式 中：y矩阵的行 向量 yi=[Y_I，Y_2，…，Yj]为第 ．『主 以一个线性变化矩 阵 ，形成一个新 的光谱 空间 y， 成分。 组成