文献类型：期刊文章

作　　者：郭志民[1] 孙玉宝[2] 耿俊成[1] 周强[2]

GUO Zhi-min;SUN Yu-bao;GENG Jun-cheng;ZHOU Qiang(State Grid Henan Electic Power Company,Electric Power Research Institute,Zhengzhou 450052,China;Nanjing University of Information Science and Technology,School of Information and Control,Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology,Nanjing 210044,China)

机构地区：[1]国网河南省电力公司电力科学研究院,郑州450052 [2]南京信息工程大学信息与控制学院江苏省大气环境与装备技术协同创新中心,南京210044

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61672292)资助;国家电网公司2016年科技项目资助;江苏省高校自然科学重大项目(18KJA520007)资助

年　　份：2018

卷　　号：39

期　　号：11

起止页码：2545-2550

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：作为一种非常有效的预处理步骤,降维算法被广泛地应用于高光谱图像分类中.为了联合利用高光谱图像的光谱维和空间维信息,本文提出了一种基于谱-空图嵌入降维的多核融合分类算法,自适应融合降维后的空谱特征进行分类.该算法主要由三个步骤组成:首先,将训练集中的每个像素点作为顶点,每个顶点用对应像素的光谱特征描述,以此构造一个光谱图,利用图嵌入模型求得一个低维投影矩阵;其次,利用主成分分析模型提取高光谱图像的第一个主成分,并将其划分成不同大小的超像素块,以每个超像素块为顶点,每个顶点用超像素块中所有像素点的平均值来描述,从而构造一个空间图,再次使用图嵌入模型求得一个低维投影矩阵;最后,对于高光谱图像中的每个像素点,可用两个不同的投影矩阵分别求得其对应的低维特征表示,利用多核学习的方法对两者进行有效的融合,自适应学习融合权重,提升了后续SVM分类的准确性.在两个公开的高光谱图像数据库上进行了测试,验证了本文算法的有效性.

关 键 词：降维 图嵌入 谱-空信息  多核学习 高光谱分类  

分 类 号：TP751]