高光谱影像的近邻加权拉普拉斯降维方法

路 易， 郭 静， 于少波

(1. 装备学院 研究生管理大队, 北京 101416； 2. 装备学院 复杂电子系统仿真实验室, 北京 101416)

高光谱影像的近邻加权拉普拉斯降维方法

路 易1， 郭 静2， 于少波1

(1. 装备学院 研究生管理大队, 北京 101416； 2. 装备学院 复杂电子系统仿真实验室, 北京 101416)

针对高光谱影像数据中存在信息冗余和非线性结构的现象，以及数据分布不均匀时拉普拉斯特征映射近邻点选择不恰当的问题，提出了一种基于Cam加权距离的拉普拉斯改进算法，用于高光谱影像数据降维以压缩数据量并提高分类精度。首先对波段分组去除奇异波段，然后用基于Cam加权距离的拉普拉斯特征映射算法对剩余数据降维，最后将结果输入最小距离分类器进行高光谱影像分类。通过Indiana Pines数据集进行验证，实验结果表明：与线性降维主成分分析法和非线性降维拉普拉斯特征映射相比，基于Cam加权距离的拉普拉斯特征映射算法分类精度更高。

Cam加权距离；拉普拉斯特征映射；非线性降维；波段选择

高光谱图像数据包括地物的二维空间信息和光谱波段信息，具有“图像立方体”的形式和结构。高光谱图像数据量大、数据冗余严重、谱间相关性强，为得到精确的分类结果，分类前对高光谱图像数据进行降维处理尤为重要。高光谱数据降维方法主要分为2类：特征选择和特征提取。高光谱图像的特征选择是波段组合优化问题，即选择出信息量较大、相关性较小、类别可分性较好的波段组合。与特征选择相比，特征提取是对原始高光谱数据进行数学变换，然后选取变换后的前n个特征作为降维之后的n个成分，实现数据降维[1]。……