应用监督近邻重构分析的高光谱遥感数据特征提取

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用监督近邻重构分析的高光谱遥感数据特征提取

方敏, 王君, 王红艳, 李天涯

文章导航 > 红外与激光工程 > 2016 > 45(10): 1028003-1028003(8)

方敏, 王君, 王红艳, 李天涯. 应用监督近邻重构分析的高光谱遥感数据特征提取[J]. 红外与激光工程, 2016, 45(10): 1028003-1028003(8). doi: 10.3788/IRLA201645.1028003

引用本文:

方敏, 王君, 王红艳, 李天涯. 应用监督近邻重构分析的高光谱遥感数据特征提取[J]. 红外与激光工程, 2016, 45(10): 1028003-1028003(8). doi: 10.3788/IRLA201645.1028003

Fang Min, Wang Jun, Wang Hongyan, Li Tianya. Feature extraction of hyperspectral remote sensing data using supervised neighbor reconstruction analysis[J]. Infrared and Laser Engineering, 2016, 45(10): 1028003-1028003(8). doi: 10.3788/IRLA201645.1028003

Citation:

Fang Min, Wang Jun, Wang Hongyan, Li Tianya. Feature extraction of hyperspectral remote sensing data using supervised neighbor reconstruction analysis[J]. Infrared and Laser Engineering, 2016, 45(10): 1028003-1028003(8). doi: 10.3788/IRLA201645.1028003

应用监督近邻重构分析的高光谱遥感数据特征提取

doi: 10.3788/IRLA201645.1028003

1.
四川理工学院理学院,四川自贡 643000

基金项目:

国家自然科学基金（理论物理专项）（11547196）;四川省教育厅重点资助（15ZA0229）;四川理工学院人才引进资助（2013RC07）

作者简介:
方敏(1963-),女,副教授,硕士,主要从事光学信息处理、高光谱遥感信息处理、光谱分析等方面的研究。Email:fangmin631114@163.com

中图分类号: TP751

Feature extraction of hyperspectral remote sensing data using supervised neighbor reconstruction analysis

1.
College of Science,Sichuan University of Science &Engineering,Zigong 643000,China

摘要: 针对高光谱遥感数据特征提取方法的研究，提出了一种新的监督近邻重构分析（Supervised Neighbor Reconstruction Analysis，SNRA）算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构；然后在低维嵌入空间中保持该重构关系不变，尽可能地分离开非同类数据点，并利用总体散度矩阵来约束数据间的相关性；最后求解得到一个最佳投影矩阵，进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性，同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明：提出的方法能更好地揭示出高光谱遥感数据的内在特性，提取出更有效的鉴别特征，改善分类效果。
- 高光谱遥感数据分类 /
- 特征提取 /
- 监督学习 /
- 邻域重构 /
- 总体散度矩阵
Abstract: For the feature extraction methods of hyperspectral remote sensing data, a new method, called supervised neighbor reconstruction analysis(SNRA), was proposed. First, this method reconstructs each point with neighbor points from the same class. Then, it preserves the reconstruction relationship and separates the data points from different classes as far as possible in low-dimension embedding space. And a total scatter matrix is used to constrain the correlation between data points. Finally, it obtains an optimized projection matrix and extracts the discriminating feature. SNRA not only preserves the local structures of intraclass data but also enhances the separability of interclass data. And it reduces the redundant information. The experiments on Indian Pine and KSC hyperspectral remote data sets show that the proposed method can better reveal the intrinsic property of hyperspectral remote sensing data and effectively extract the discriminating feature to improve the classification result.
- hyperspectral remote sensing data classification /
- feature extraction /
- supervised learning /
- neighbor reconstruction /
- total scatter matrix

[1]	Tang Y Y, Yuan H L, Li L Q. Manifold-based sparse representation for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(12):7606-7618.
[2]	Wang Xiaofei, Hou Chuanlong, Yan Qiujing, et al. Noise estimation algorithm based on relevance vector machine for hyperspectral imagery[J]. Infrared and Laser Engineering, 2014, 43(12):4159-4163. (in Chinese)王晓飞, 侯传龙, 阎秋静, 等. 基于相关向量机的高光谱图像噪声评估算法[J]. 红外与激光工程, 2014, 43(12):4159-4163.
[3]	Cai Hui, Li Na, Zhao Huijie. Features extraction method based on intrinsic mode function for hyperspectral data[J]. Infrared and Laser Engineering, 2013, 42(12):3475-3480. (in Chinese)蔡辉, 李娜, 赵慧洁. 基于本征模函数的高光谱数据特征提取方法[J]. 红外与激光工程, 2013, 42(12):3475-3480.
[4]	Pu Hanye, Wang Bin, Zhang Liming. New dimensionality reduction algorithms for hyperspectral imagery based on manifold learning[J]. Infrared and Laser Engineering, 2014, 43(1):232-237. (in Chinese)普晗晔, 王斌, 张立明. 基于流形学习的新高光谱图像降维算法[J]. 红外与激光工程, 2014, 43(1):232-237.
[5]	Ding L, Tang P, Li H Y. Subspace feature analysis of local manifold learning for hyperspectral remote sensing images classification[J]. Applied Mathematics Information Sciences, 2014, 8(4):1987-1995.
[6]	Bachmann C M, Ainsworth T L, Fusina R A. Exploiting manifold geometry in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3):884-897.
[7]	He X, Niyogi P. Locality preserving projections[C]//Proceedings of the 17th Annual Conference on Neural Information Processing Systems, 2004, 16:153-160.
[8]	He X F, Cai D, Yan S C, et al. Neighborhood preserving embedding[C]//Proceedings of the 10th IEEE International Conference on Computer Vision, 2005:1208-1213.
[9]	Jin Zhong, Yang Jingyu, Lu Jianfeng. An optimal set of uncorrelated discriminant features[J]. Chinese Journal of Computers, 1999, 22(10):1105-1108. (in Chinese)金忠, 杨静宇, 陆建峰. 一种具有统计不相关性的最佳鉴别矢量集[J]. 计算机学报, 1999, 22(10):1105-1108.
[10]	Yan S, Xu D, Zhang B, et al. Graph embedding and extensions:a general framework for dimensionality reduction[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(1):40-51.

[1]	秦丽丽, 李丽娟, 任姣姣, 顾健, 熊伟华, 张丹丹, 祝莉莉, 张霁旸, 薛竣文, 江柏红, 高增华. 基于梯度阈值的太赫兹时域信号自适应稀疏算法 . 红外与激光工程, 2023, 52(4): 20220443-1-20220443-12. doi: 10.3788/IRLA20220443
[2]	王明军, 易芳, 李乐, 黄朝军. 自适应局部邻域特征点提取和匹配的点云配准 . 红外与激光工程, 2022, 51(5): 20210342-1-20210342-10. doi: 10.3788/IRLA20210342
[3]	吴志洋, 王双, 刘铁根, 靳党鹏. 基于深度学习视觉和激光辅助的盾构管片自动拼装定位方法 . 红外与激光工程, 2022, 51(4): 20210183-1-20210183-9. doi: 10.3788/IRLA20210183
[4]	林森, 赵振禹, 任晓奎, 陶志勇. 基于语义信息补偿全局特征的物体点云分类分割 . 红外与激光工程, 2022, 51(8): 20210702-1-20210702-12. doi: 10.3788/IRLA20210702
[5]	张银波, 李思宁, 姜鹏, 孙剑峰. PCA特征提取和弹性BP神经网络的水下气泡识别 . 红外与激光工程, 2021, 50(6): 20200352-1-20200352-7. doi: 10.3788/IRLA20200352
[6]	张丹萌, 白璐, 吕强, 王岩坤, 谢锦宇. 尾焰的紫外高分辨辐射图像仿真与特征提取 . 红外与激光工程, 2021, 50(10): 20200466-1-20200466-8. doi: 10.3788/IRLA20200466
[7]	李鹏, 张洋洋. 采用辅助靶标的移动机器人立体视觉定位 . 红外与激光工程, 2019, 48(S1): 104-113. doi: 10.3788/IRLA201948.S117006
[8]	王毅, 何明元, 葛晶晶, 项杰. 基于正交匹配追踪的云检测算法研究 . 红外与激光工程, 2019, 48(12): 1203003-1203003(6). doi: 10.3788/IRLA201948.1203003
[9]	熊晶莹, 戴明, 赵春蕾. 红外激光车载云台去抖动设计 . 红外与激光工程, 2018, 47(1): 126002-0126002(7). doi: 10.3788/IRLA201847.0126002
[10]	付群健, 于淼, 常天英, 张瑾, 罗政纯, 王旭, 刘珉含, 崔洪亮. 相位敏感光时域反射系统模式识别方法综述 . 红外与激光工程, 2018, 47(7): 722001-0722001(14). doi: 10.3788/IRLA201847.0722001
[11]	仝选悦, 吴冉, 杨新锋, 滕书华, 庄祉昀. 红外与激光融合目标识别方法 . 红外与激光工程, 2018, 47(5): 526003-0526003(8). doi: 10.3788/IRLA201847.0526003
[12]	蔡克荣, 仇理宽, 高瑞林. 脉冲激光引信的信号特征提取方法及应用(特邀) . 红外与激光工程, 2018, 47(3): 303004-0303004(5). doi: 10.3788/IRLA201847.0303004
[13]	郭伟, 董丽虹, 王海斗, 徐雅薇, 徐滨士. 基于小波分解的热波相位特征提取及喷涂层厚度评价 . 红外与激光工程, 2017, 46(9): 904003-0904003(7). doi: 10.3788/IRLA201746.0904003
[14]	孙俊灵, 马鹏阁, 孙光民, 羊毅. 低信噪比下机载多脉冲激光雷达姿态不敏感性特征提取研究 . 红外与激光工程, 2017, 46(3): 330002-0330002(9). doi: 10.3788/IRLA201746.0330002
[15]	赵丽娟, 李永倩, 徐志钮. Lorentzian型布里渊频谱特征提取时模型的影响 . 红外与激光工程, 2016, 45(5): 522002-0522002(6). doi: 10.3788/IRLA201645.0522002
[16]	杨晟, 李学军, 朱诗兵, 刘涛. 抗仿射形变异构金字塔复合描述点特征匹配算法 . 红外与激光工程, 2014, 43(7): 2387-2392.
[17]	杨晟, 李学军, 谢剑薇, 王珏. 脊点集稳健裁剪和惩罚约束的高精度靶标点提取 . 红外与激光工程, 2014, 43(6): 1994-1999.
[18]	闫勇刚, 欧阳健飞, 马祥, 翟羽佳. 基于2-DGabor滤波器的光学定穴体表特征提取方法 . 红外与激光工程, 2014, 43(5): 1685-1689.
[19]	蔡辉, 李娜, 赵慧洁. 基于本征模函数的高光谱数据特征提取方法 . 红外与激光工程, 2013, 42(12): 3475-3480.
[20]	丁玲, 唐娉, 李宏益. 基于ISOMAP的高光谱遥感数据的降维与分类 . 红外与激光工程, 2013, 42(10): 2707-2711.

WeChat

点击查看大图

计量

文章访问数: 362
HTML全文浏览量: 66
PDF下载量: 102
被引次数: 0

应用监督近邻重构分析的高光谱遥感数据特征提取

doi: 10.3788/IRLA201645.1028003

1. 四川理工学院理学院,四川自贡 643000

作者简介:
方敏(1963-),女,副教授,硕士,主要从事光学信息处理、高光谱遥感信息处理、光谱分析等方面的研究。Email:fangmin631114@163.com

收稿日期: 2016-02-11
修回日期: 2016-03-05
刊出日期: 2016-10-25

基金项目:

国家自然科学基金（理论物理专项）（11547196）;四川省教育厅重点资助（15ZA0229）;四川理工学院人才引进资助（2013RC07）

中图分类号: TP751

关键词:

摘要: 针对高光谱遥感数据特征提取方法的研究，提出了一种新的监督近邻重构分析（Supervised Neighbor Reconstruction Analysis，SNRA）算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构；然后在低维嵌入空间中保持该重构关系不变，尽可能地分离开非同类数据点，并利用总体散度矩阵来约束数据间的相关性；最后求解得到一个最佳投影矩阵，进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性，同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明：提出的方法能更好地揭示出高光谱遥感数据的内在特性，提取出更有效的鉴别特征，改善分类效果。

English Abstract

全文HTML

参考文献 (10)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回