基于LPP和TWSVM--RFE算法的高光譜圖像降維方法研究.pdf

1、高光譜圖像(HSI)的信息量巨大，導致數(shù)據(jù)的傳輸、存儲及處理都有很大的困難，如何有效地減少數(shù)據(jù)量、降低數(shù)據(jù)維數(shù)是高光譜圖像處理技術中的重要研究內(nèi)容。本文采用波段選擇的方法來對高光譜圖像進行降維。
　　針對高光譜圖像的非線性特性，本文將流形學習的方法用于高光譜圖像的降維，提出了兩種局部保留投影(LPP)算法的改進算法。首先，為提高原始算法的魯棒性，本文提出了ILPP算法。它結(jié)合光譜-空間信息融合的方式以構(gòu)造相鄰權值矩陣，減少了光譜對

2、鄰域范圍的影響，降低了算法對于近鄰范圍的敏感度。實驗證明，與原始算法相比，ILPP算法對于近鄰范圍的敏感度更低，證明了算法的魯棒性的提高。其次，為提高算法的分類性能，在ILPP算法的基礎上提出了TWILPP算法。它利用薛定諤特征映射中對拉普拉斯矩陣進行離散模擬的思想，同時引入相似性權值矩陣和差異性權值矩陣，設計出了一種新的特征映射模型，使得高維數(shù)據(jù)向低維空間映射時能夠保留更多信息，進一步提高降維后數(shù)據(jù)的可分性。在不同數(shù)據(jù)集上進行實驗，與

3、其它降維算法相比，TWILPP算法的分類精度更高，證明了算法的分類性能更好。
　　考慮到高光譜圖像分類時不同波段的貢獻度，本文將基于排序的波段選擇方法用于高光譜圖像的降維，提出了基于雙子支持向量機特征消除(TWSVM-RFE)的改進算法TWSVM-RFE-MRMR算法。即利用最大相關最小冗余（MRMR）算法能有效剔除冗余特征的優(yōu)勢，改善原始算法無法很好地排除冗余波段的弊端，從而選出更具代表性的波段，使降維后的數(shù)據(jù)所保留的信息更全面