基于小波核主成分分析的相关向量机高光谱图像分类.pdfVIP

第34 卷第8 期 电 子 与 信 息 学 报 Vol.34No.8 2012 年8 月 Journal of Electronics Information Technology Aug. 2012 基于小波核主成分分析的相关向量机高光谱图像分类 赵春晖* 张 燚 王玉磊 (哈尔滨工程大学信息与通信工程学院 哈尔滨 150001) 摘 要：相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法，然而算法本身存在对于高维大样 本数据训练时间过长、分类精度不高的问题。针对这些问题，该文提出一种基于新型核主成分分析的RVM 分类方 法。该方法首先将核函数引入到主成分分析中，然后应用小波核函数代替传统核函数，利用小波核函数的多分辨率 分析特点，进一步提高核主成分分析(KPCA)非线性映射能力，最终将新型核主成分分析算法与相关向量机相结合， 对高光谱图像进行分类。仿真实验结果表明，将所提出的方法应用于AVIRIS 美国印第安纳州实验田高光谱数据预 处理后，类内类间距离比降低 20%，方差整体增幅较大，最终将处理后的数据应用于相关向量机的高光谱图像分 类中，分类精度提升3%~5%。 关键词：高光谱图像分类；相关向量机；核函数主成分分析； 小波核函数 中图分类号：TP751.1 文献标识码： A 文章编号：1009-5896(2012)08-1905-06 DOI: 10.3724/SP.J.1146.2011.01282 Relevant Vector Machine Classification of Hyperspectral Image Based on Wavelet Kernel Principal Component Analysis Zhao Chun-hui Zhang Yi Wang Yu-lei (College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China) Abstract: Hyperspectral image classification by the Relevance Vector Machine (RVM) is a relatively new hyperspectral image classification method, however this method exists some shortcomings such as when the sample data is large and high dimension, the training time will be quit long and the classification accuracy is not so good. To solve these problems, this paper proposes a RVM classification method based on the new Kernel Principal Component Analysis (KPCA). This method uses the kernel function into the PCA and replaced the traditional kernel function with the wavelet kernel function. By using the feature of multiresolution analysis, the new method improves the nonlinear mapping capability of KPCA and the e