高光谱图像无监督分类的非线性特征提取器.pdf

第 28 卷第 5 期 宇 　航 　学 　报 Vol . 28 No .5 2007 年 9 月 　 Journal of A stronautics Sept ember 　2007 高 光 谱 图 像 无 监 督 分 类 的 非 线 性 特 征 提 取 器 1 1 ,2 罗 　琴 , 田　铮 ( 1 . 西北工业大学理学院应用数学系 , 西安 7 10072 ; 2 . 中科院自动化所 模式识别国家重点实验室 , 北京 100080 　　摘 　要 : 高光谱图像的数据维数高 、数据量大 、数据间高度冗余等特点给 图像 分类带来困难 , 为进行有效 降 维 、提高分类精度 ,提出以曲线距离分析作为非线性特征提取器 、以独立 分量 分析 的混合模 型作为分类器的高光谱 图像无监督分类的新方法 。利用该方法对 来 自空载可见光Π红外成像 光谱仪 的高光谱图像进 行无监 督分类 ,用分 类精度对分类效果进行评价 。实验表明 ,用本文提出的方法得到的分类精度 高于传 统分类 方法得到 的分类精度 , 说明了 CDA 方法在高光谱图像特征提取方面的有效性 。 关键词 : 高光谱图像 ; 无监督分类 ; 曲线距离分析 ; 独立分量分析 ; 独立分量分析混合模型 ( 中图分类号 : TP751 　　　文献标识码 : A 　　　文章编号 : 100021328 2007 052127 3205 线性信息 。本文把一种能更好的提取非线性信息的 0 　引言 降维 方 法 ———曲线 距 离 分 析 ( Curvilinear Distance 与常规多波段遥感数据相 比 ,高光谱数据具有 Analysis 简称 CDA [ 5 ,13 ] 用于高光谱 图像的特征提取 维数高 、数据量大 、数据 间高度冗余等特点 ,为对分 中。该方法通过非线性映射把输入空间中的高维数 类中需要使用 的统计参数进行 比较精确 的估计 ,样 据投影到低维输 出空间中 ,并采用不 同的度量方法 本数要远大于常规多波段遥感数据分类 中使用的样 定义输入和输出空间中的距离 , 以保持输入输 出空 本数 ,因此构造可有效降维 、减少数据冗余 的特征提 间中对应点间的拓扑结构不变 , 因而能更好 的挖掘 [ 1] 取器是至关重要 的 。 数据 中的非线性特征 。 ( 目前常用的特征提取算法有 :主成分分析 Prin2 通过 CDA 对数据进行特征提取后 ,分别从非高 cip al Component Analysi s 简称 PCA [2 ] 、正交子空间投 斯和高斯两大类模型中选择具有代表性 的方法 ( 即 ( [3 ]