3基于特征提取的高光谱数据分类.pdfVIP

两j匕大学学报(自然科学版) 2蝴年6冀，第37卷第3鬻，菇n．，2蝴，豫。37。№．3 Nonhwest J0um出of Science 孱挥 University(NaturalEdition) 基于特征提取的高光谱数据分类 肖 平1，王旭红2 (1．陕西省测绘局，陕西西畿710054；2．西北大学城市与资源学系，陕西话安710069) 攘要：鹭的提丞高光谱数据蜒分类流程，以驭高光谱数据对地物巽有更高姥光谱分辨率的挽势， 避其巨大数据蚤和渡段间强相关被的弱势。方法应用辨别分析和决策面特征提取方法。结果 减低了数据量，优化了高光谱信息。特征提取对高光谱信息优化处理十分有效，并达到了高维信息 数据降维争高效葶毒用的薯行槛。缨论在一定约分类精度范蓬癌，减低维数燕不丢失信息，可以提 高分类器的效能，实现高维遥感数据的优化处理和高效利用。 关键词：特征提取；数据降维；离光谱数据；辨别分析；决策边界；影像分类 中圈分类号：掰5l。l 文献标识鹨：A 文章编号：l∞O-274X(2嘲)03硝孵饼 从理论上讲，高光谱数据由于其光谱分辨率离 的，绝大多数有用的信息都存在于低维特征空问中， (一般可达到nm级)，对缝表她物的分辨麓力较传所以需要根撼具体情凝来选取合逶的特征子空闻。 统的遥感数据有了极大的增强。但是，由于高光谱 木研究也表明转换到子空间的数据分布很接近 数据波段数多(往往在100个波段以上)、数据最 于商斯分布，因此可以借助于一些基于高斯分布模 大，雨量樱邻波段之闻存在着穰强的摺关性，因此， 型的算法。 如果将所有的原始数据参加地物分类运算，在分类 1．1 运算效率以及分类精度方面不一定能够显示出这种 ysiSfea|糊陀甥曲删on) 数据的优势，有时候还起到负蓠作用，这在某种程度 特征提取是高光谱数据分析处理的一个主要工 上也阻碍了高光谱数据的广泛应用。因此，如何利 具，现已经应用于高维的遥感数据分析中。最基本 fea妇℃ex． 用信号学理论和方法来理解离光谱数据，即在不降 的理论方法为DAFE(disc五赫nant黼aly螽s 低分类精度的前提下，选择有效的特鬣信息参加分 类以降低高光谱数据的维数，是这一高维信息空间 属性的线性的组合，并使该比例最大化： 在遥感领域内应用研究的一个重要闻题￡I，2]。本文 叠一耋魍堕壹 从高光谱数据的特征提取方法入手，对原始信息进 仃；一类内距离。 行了优化处理，最终达到了高维信息的数据降维和 其中，这里有两个分类，盯：是盯乙和盯乞平均值，以矩 高效拳j雳的基的。 阵形式，类间距离扩：纛类随距离∥：分别被定义势 类内离散矩阵： 1特征提取方法 ∑F=∑P(蛾)∑， (2) 类闻离散矩阵： 高光谱数据常常由于以下一些原因。在实际应 用中受到影响‘3。7]。 毒数据的维数增加时，它鹣区分地类之闻的能 纸=∑p(皱)鬣i。 (4) 力会受到训练样本的限制。 木多数高维特征空问的信息被发现往往是空 收稿日期：2∞5-ll拼 基金顼目：国家科技部基础测绘科技基金资助项目(14601402024ml旬5)