基于譜回歸判別分析的高光譜遙感影像分類方法研究.pdf

1、在高光譜遙感影像的分類中，降維算法越來越受到重視，而降維的主要目的就是獲取樣本的有效判別特征。就降維而言，存在一些主流的流形學習算法，如局部線性嵌入(LLE)算法、等距映射(ISOMAP)算法以及拉普拉斯特征映射(LE)算法。然而，許多流形學習算法存在一個不足，即需要計算冗余矩陣的特征分解問題，且這種計算耗時，耗內存。論文介紹一個新的降維算法，即譜回歸判別分析(SRDA)算法。
　　論文以SRDA算法為核心，首先介紹了高光譜遙感影

2、像分類領域的一些基本知識以及研究現(xiàn)狀；其次，對SRDA算法的原理以及算法的流程進行具體闡述；再次，結合其他一些主流的降維算法，如主成分分析(PCA)算法、核主成分分析(KPCA)算法、鄰域保持嵌入(NPE)算法以及線性判別分析(LDA)算法，對實際情況下的高光譜遙感影像數(shù)據(jù)進行降維處理，然后利用K近鄰分類(KNN)算法將降維后的數(shù)據(jù)進行分類，并計算各類算法下的分類精度，繪制識別率曲線；最后，為了進一步驗證SRDA算法的優(yōu)勢，使用三種不同

3、的分類器對降維后的數(shù)據(jù)進行分類，計算不同分類器對應的識別率。SRDA算法與其他幾種算法相比，有以下優(yōu)勢：第一，SRDA算法將學習嵌入函數(shù)的問題轉入回歸框架下，且不需要求解冗余矩陣的特征分解問題；第二，基于回歸框架，各類正則化規(guī)則可以很好地嵌入SRDA算法中，使得算法更為靈活；第三，該算法可以有效利用數(shù)據(jù)點來發(fā)現(xiàn)數(shù)據(jù)點內在的判別結構，方便計算。
　　實驗結果表明，SRDA算法識別精度高，而且能夠節(jié)約時間以及空間成本，同時與各類分類器