1 基于光谱空间结合的非负稀疏保持嵌入的谱聚类.docVIP

基于光谱空间结合的非负稀疏保持嵌入的谱聚类 黄小燕1，付克昌1，文 展?2 ,周光霞省工业安装有限公司山西太原，稀疏维类光谱图像普拉斯Spectral clustering algorithm based on the hybird of spectral and spatial information and non-negative sparse preserving embedding HUANG Xiao-yan1, FU Ke-chang1, WEN Zhan2, ZHOU Guang-xia3 （1.Control Engineering School, Chengdu University of Information Technology, Chengdu,Sichuan; 610225；2. Communication Engineering School, Chengdu University of Information Technology, Chengdu,Sichuan; 610225；3.ShanXi Industrial Installation Co.Ltd, Taiyuan, ShanXi;030000） Abstract: To solve the characteristic fusion of hyperspectral remote sensing images, i.e., using the dimensional reduction method of non-negative sparse preserving embedding, this paper proposes Spectral clustering algorithm based on the hybrid of spectral and spatial information and non-negative sparse preserving embedding for efficiently improve the classification accuracy with the spatial information and the original spectral information. This algorithm embeds the projection into low-dimensional subspace. After that it classifies with the K-means clustering algorithm. The proposed algorithm can effectively maintain the geometry sparse structure of samples and make the boundary pixels of the image have excellent classification using the hybrid of the spectral and spatial information. Key words: non-negative sparse; dimensionality reduction; spectral clustering; hyperspectral remote sensing image; laplacian 0引言 降维的基本原理就是将样本点从输入空间通过线性或非线性变换映射到一个低维空间，从而获得一个关于原数据集紧致的低维表示。所以降维的关键是寻找到一个变换基，利用这个变换基，把原始的高维数据映射到有意义的低维空间。通常希望变换后的低维表示与原始数据一样，拥有相同的内部联系。降维的重要性在于它能够通过克服“维度灾难[]”和消除高维空间冗余属性，为后面的工作提供便利。在机器学习中，高维度的数据预处理是许多问题的前奏，如语音信号，图像数据和谱直方图等。对数据进行预处理，是为了使获取的数据集中有用的信息、去除重复的内容，所得到的低维表示为后面的工作做好准备，尤其在高光谱遥感中，由于数据的信息量大，维数高，谱间相关性强等特点。针对高维数据蕴含着大量冗余和隐秘的重要规律，降维是最常见的一种数据预处理操作，保留识别数据分类的有价值地物信息。降维可以实现降低数据维度并最大限度地挖掘数据中暗含的重要关系或结构。 根据处理的数据集的不同，根据数据集标记与否，把数据的降维研究分为有监督降维和无监督降维两种方法。有监督降维处理的是有标记的数据集，而无监督降维要处理的数据集是无标记的。典型的有监督降维方法就是线性鉴别分析(LDA)[2][3]，它可以最大化不同类别间的点。而常用的无监督降维算法则包括