基于稀有特征保持的高光谱遥感图像维数分析-通信与信息系统专业论文.docxVIP

万方数据 万方数据 摘要 摘 要 高光谱遥感图像具有数据量大、冗余高等特点，为了更加有效地分析此类数 据，有必要对数据进行降维，而本征维数分析正是数据降维的基础，其难点在于 不仅要分析地物的主成分特征，而且要考虑保持一些具有特殊应用价值的稀有特 征。本文以“基于端元特征提取的高光谱遥感图像压缩” 国家自然科学基金课题 为背景，对其关键技术之一—高光谱图像的本征维数分析进行了探索与研究，以 期利用确定的本征维数提高高光谱遥感图像压缩的质量。论文的主要研究成果及 创新如下： (1) 系统地分析和总结了多种虚拟维数分析算法，针对经典虚拟维数分析算法 的不足，提出了一种噪声抑制的虚拟维数分析算法：①对高光谱数据进行分解， 降低了数据的处理量；②设定滑动噪声检测窗口，增强了算法的抗噪性能，有效 提高了维数分析的准确性； (2) 针对线性维数分析方法的不足，研究了一类非线性学习方法—流形学习， 并将其应用在在高光谱维数分析中，提出了基于流形学习的高光谱图像维数分析 算法，通过将其与线性维数分析方法比较，得出所提算法的优势与不足，为基于 稀有空间保持的维数分析算法的提出打下了基础； (3) 针对现有本征维数分析方法的不足—没有考虑稀有特征的保持，深入研究 了基于稀有特征保持的维数分析方法，实现了一种能够广泛用于高光谱图像维数 分析的新算法：①利用噪声抑制的虚拟维数算法确定本征维数的初始值，降低了 信噪比变化对维数分析的影响；②利用基于流形学习的维数分析算法展开高光谱 数据，得到本征维数的可靠上限，复杂度较低；③用基于剩余能量奇异值分解修 正本征维数得初始值，最终确定高光谱图像的本征维数，增强了维数分析的完备 性，提高了维数分析的质量。 关键词：高光谱图像，本征维数，虚拟维数，流形学习，稀有特征，剩余能量 I ABSTRACT ABSTRACT The hyperspectral remote sensing images normally have large data volume and high redundancy. In order to effectively analyze this kind of data, people have to reduce its dimensionality. The intrinsic dimensionality analysis is the basis for the dimension reduction of data. Since people need not only to analyze the principal components of ground feature, but also to preserve some rare features with special application value during dimension reduction, the intrinsic dimensionality analysis is difficult. Stemming from the compression of hyperspectral remote sensing images extracted on the basis of characteristics of endmember, which is supported by Natural Science Foundation of China, this paper explores and researches one of the key techniques adopted in that paper, the determination of intrinsic dimensionality of hyperspectral data, to improve the precision of the compression of hyperspectral remote sensing images with determined intrinsic dimensionality. This paper has the main research findings and innovations as follows: It systematically analyzes and summarizes various analytical algorithms for virtual dimensionality. Directed against the imperfections of classic algorithms for virtual dimensionality