基于矩阵分解的高光谱数据特征提取.pdfVIP

第 33卷第 6期 红 外 与 毫 米 波 学 报 Vol，33，No．6 2014年 12月 J．InfraredM illim．W aves December，2014 文章编号：1001—9014(2014)06—0674—06 DOI：10．3724／SP．J．1010．2014．00674 基于矩阵分解 的高光谱数据特征提取 魏 峰，何明一，冯 燕，李晓会 (西北工业大学 电子信息学院，陕西 西安 710129) 摘要：利用有限的标记样本，将其作为硬性约束加入矩阵分解中；同时构建局部邻域graph，挖掘数据的流形结构并 保持局部的不变特性，提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法．经过矩阵分解，使得原始高维 光谱特征空间中相近的数据在低维空间中仍然相近，而相同类别的标记数据则被投影到同一个位置．这样 的低维 表示具有更强的判别性能，从而得到更好的分类和聚类效果．该方法的求解过程是非凸规划 问题，同时给出了一个 乘性更新规则获得局部优化解．最后，对真实高光谱数据进行特征提取验证了该方法的有效性． 关 键 词：高光谱；遥感；流形；特征提取；矩阵分解 中图分类号：TP7O1 文献标识码 ：A Featureextraction onmatrix factorizationforhyperspectraldata WEIFeng， HE Ming—Yi， FENG Yah， LIXiao—Hui (SchoolofElectronicsandInformation，NorthwestemPolytechnicalUniversity，Xi’an 710129，China) Abstract：Limitedlabeledsamplesisusedadequatelyasahardconstraintintomatrixfactorization．M eanwhile，thelocal graphofdataisconstructedtoexploitehtemanifoldstructureandmaintainthelocalinvariance．Asaresult，featureex— tractiononmatrixfactorizationforhyperspeetraldata(FEMF)wasproposed．Throughmatrixdecomposeprocess，the nearbydatainoriginalspaceisstillcloseafterdimensionalityreduction，andthecongenericlabeleddataisprojectedinto thesameposition．Such low—dimensionalrepresentationhasmOrepowerfuldiscriminateperformanceforclassification andclustering．Thisissueisanon—convexprogrammingproblem ，andaniterativemultiplicativeupdatesalgorithm isin— troducedtoachievingthelocaloptimization．Theefficiencyofhteproposedmehtodwasverifiedinrealhyperspectralda— tafeatureextraction． Keywords：hyperspectral，remotesensing，mna ifold，featureextraction，matrixfactorization PACS：42．30．Va．07．07．Df 光谱分辨率Et益提高．然而巨大的数据量以及光谱 引言