应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

摘要：

传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定.针对此问题,本文提出了相关近邻(CN)LIE(CN-LLE)和相关最近邻分类(CNN)算法.提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类.在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明:本文提出的CN-LLE+ CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11％～11.55％,Kappa系数提升了o.026～0.143.由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类.

关键词：高光谱影像分类、流形学习、局部线性嵌入、相关近邻、相关最近邻分类器

所属期刊栏目：22

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金资助项目61101168,41371338;中国博士后科学基金资助项目2012M511906,2013T60837;重庆市博士后科研特别资助项目XM2012001;中央高校基本科研业务费专项资金资助项目CDJXS12120001,106112013120004,106112013120007

在线出版日期：2014-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1668-1676