红外与激光工程
紅外與激光工程
홍외여격광공정
INFRARED AND LASER ENGINEERING
2012年
5期
1249-1254
,共6页
高光谱%特征提取%流形学习%空间一致性
高光譜%特徵提取%流形學習%空間一緻性
고광보%특정제취%류형학습%공간일치성
局部线性嵌入(LLE)和邻域保留嵌入(NPE)等流形学习方法可以提取高光谱数据的主要结构特征,有助于对数据的理解和进一步处理.但是,这些方法忽视了高光谱图像中相邻像素之间的相关性.针对这个问题,提出一种基于空间一致性思想的邻域保留嵌入(SC-NPE)特征提取算法,通过一个优化的局部线性嵌入,并考虑相邻像素的相关特性,在高维空间建立数据的局部邻域结构.然后寻找一个优化的变换矩阵,将局部邻域结构投影到低维空间,实现数据的特征提取.与LLE和NPE算法相比,SC-NPE 既考虑高光谱数据的流形结构,又考虑了其图像域空间信息,可以更好地应用在高光谱数据的特征提取过程中.实验结果表明,SC-NPE特征提取算法在高光谱图像分类方面的性能明显优于其他同类算法.
跼部線性嵌入(LLE)和鄰域保留嵌入(NPE)等流形學習方法可以提取高光譜數據的主要結構特徵,有助于對數據的理解和進一步處理.但是,這些方法忽視瞭高光譜圖像中相鄰像素之間的相關性.針對這箇問題,提齣一種基于空間一緻性思想的鄰域保留嵌入(SC-NPE)特徵提取算法,通過一箇優化的跼部線性嵌入,併攷慮相鄰像素的相關特性,在高維空間建立數據的跼部鄰域結構.然後尋找一箇優化的變換矩陣,將跼部鄰域結構投影到低維空間,實現數據的特徵提取.與LLE和NPE算法相比,SC-NPE 既攷慮高光譜數據的流形結構,又攷慮瞭其圖像域空間信息,可以更好地應用在高光譜數據的特徵提取過程中.實驗結果錶明,SC-NPE特徵提取算法在高光譜圖像分類方麵的性能明顯優于其他同類算法.
국부선성감입(LLE)화린역보류감입(NPE)등류형학습방법가이제취고광보수거적주요결구특정,유조우대수거적리해화진일보처리.단시,저사방법홀시료고광보도상중상린상소지간적상관성.침대저개문제,제출일충기우공간일치성사상적린역보류감입(SC-NPE)특정제취산법,통과일개우화적국부선성감입,병고필상린상소적상관특성,재고유공간건립수거적국부린역결구.연후심조일개우화적변환구진,장국부린역결구투영도저유공간,실현수거적특정제취.여LLE화NPE산법상비,SC-NPE 기고필고광보수거적류형결구,우고필료기도상역공간신식,가이경호지응용재고광보수거적특정제취과정중.실험결과표명,SC-NPE특정제취산법재고광보도상분류방면적성능명현우우기타동류산법.
