基于模糊核主成分分析的高光谱遥感影像特征提取研究.pdf

第 3期 ,总第 81期 国　土 　资 　源 　遥 　感 No. 3, 2009　 2009年 9 月 15 日 R EM O TE SEN S IN G FO R LAN D R ESOU RC ES Sep. , 2009　 基于模糊核主成分分析的高光 谱遥感影像特征提取研究 沈照庆 , 陶建斌 (武汉大学遥感信息工程学院 ,武汉 　430079) ( ) 摘要 : 主成分分析 PCA 是一种基于数理统计的线性特征变换方法 ,对线性结构数据的分析非常有效 ,但是对非线 性的高光谱遥感影像数据 ,容易造成信息丢失和失真 。本文引入模式识别中的模糊理论和核理论 ,有效克服了以 上缺点 ,得到了很好的影像特征提取效果 。 关键词 : 模糊集 ; 核 PCA ; 高光谱遥感影像 ; 特征提取 中图分类号 : TP 75　文献标识码 : A 　　　文章编号 : 100 1 - 070X (2009) 03 - 004 1 - 04 模式分类与特征抽取 ,充分考虑了影像的高阶信息 , 0　引言 易获得最佳分类特征 。 本文利用 KPCA 方法对高光谱影像进行特征提 高光谱遥感影像的波段之间往往存在很大的相 取 ,设计合适的核函数 ,将数据输入空间转换为特征 关性 , PCA 变换不但能够把原始多波段中的有用信 空间 ,再进行特征变换 ,保留了像素间的非相关特 息集中到数 目尽可能少的特征图像组 ,达到数据压 性 ; 同时将模糊理论引入 KPCA 中 ,有效地克服了 缩的目的 ,而且还能使新的特征图像之间互不相关 , 经典 PCA 在处理不确定性高光谱遥感数据时的局 增加类别的可分性 [ 1 ] 。 限性 。 PCA 方法是最小均方误差意义上的最优维数 据压缩技术 ,降维是由线性映像实现的 ,它忽略了数 ( ) 1　核主成分分析 KPCA 据之间高于二阶的相互关系 ,所以抽取的特征并不 最优 ,这在一定程度上影响了 PCA 方法 的效果 。 1. 1　KPCA 原理 PCA 方法的本质决定了在该方法下得到的特征在 在模式识别的核子空间中 , 当输入空间的向量 ( ) 一般情况下是最佳描述特征 M EFS ,而不一定是 为非线性时 ,可以使用 KPCA 方法在通过变换后的 ( ) [ 10 ] 最佳分类特征 MD FS , 这不利于分类 匹配 。 高维空间获得主成分 。它通过灵活的非线性核映射 KPCA 方法并不是直接计算样本协方差矩阵的特征 保留最大的信息量 ,可获得高分辨率的特征 ,提取有 向量 ,而是利用核函数进行非线性变换 ,将原始输入 用的特征 ,其原理如图 1所示 。 空间映射到一个高维特征空间 ,在特征空间中进行 图 1　KPCA 原理示意图 收稿 日期 : 2009 - 03 - 24; 修订日期 : 2009 - 0