监督线性流形学习特征提取用于高光谱图像分类

在当今的信息时代，高光谱图像分析已经成为遥感领域研究的热点之一。高光谱图像相比于多光谱图像具有更高的光谱维度、大量的数据以及频段间的高度冗余性，这对传统数据处理技术提出了挑战。在很多情况下，并非所有光谱带对感兴趣的目标都是必需的，因为大多数材料只在特定的波段具有特定的特性，而其他光谱带则相对冗余。Jimenez指出，由于高光谱图像的高维空间相对空旷，高光谱数据在低维空间中是集中的。因此，不丢失关于感兴趣对象的重要信息的同时减少高光谱数据的维度，对于遥感社区来说非常重要。高光谱图像的降维主要分为两类：特征提取和特征选择。特征提取是将原始数据从高维转换为低维，并尽可能保留所需信息的内容。 本文介绍了一种新的监督邻域保持嵌入(Supervised Neighborhood Preserving Embedding, SNPE)线性流形学习特征提取方法，用于高光谱图像分类。通过对先验类标信息的利用，提出了新的距离度量方法，该方法使得同类样本间的距离更紧密，不同类样本间的距离更分离。SNPE克服了NPE（Neighborhood Preserving Embedding，邻域保持嵌入）的单一流形假设，能够处理数据位于（或接近）多个流形的情况。通过AVIRIS高光谱数据集上的实验结果，证明了所提方法的有效性。 特征提取是指使用某种变换将原始数据映射到低维空间，同时尽可能地保留原数据中的有用信息。与之相对的特征选择则是从原始特征中选取一部分特征，组成一个特征子集，该子集包含原数据中最重要的信息。两种降维方法各有特点和适用场景。在高光谱图像的处理中，特征提取尤为重要，因为高光谱数据通常包含数百甚至数千个光谱波段，这些波段中包含了大量冗余信息，如果不进行有效的特征提取，会严重影响信息提取的效率和准确性。 高光谱图像分类是遥感领域中的一项重要任务，其目的在于根据图像中的光谱信息识别不同的地物类型。由于高光谱图像提供了丰富的空间和光谱信息，因此它对于土地覆盖分类、植被分析、环境监测、灾害评估等众多应用都具有极高的价值。然而，高光谱图像的高维特性使得直接应用传统的分类算法变得复杂和困难。因此，通过有效的降维技术来减少数据维度，同时尽可能保留与分类任务相关的信息，是实现高效高光谱图像分类的关键。 监督学习是机器学习的一个重要分支，在这个框架下，学习过程使用的是标记过的数据。在高光谱图像分类中，监督学习意味着每一个训练样本都有一个对应的类别标签，算法的目标是学习到一个分类模型，能够根据输入的高光谱数据，预测其对应的类别标签。与之对应的是无监督学习，即数据没有类别标签，算法需要自行发现数据中的结构。 流形学习是一种基于数据内在几何结构的学习方法，它假设数据位于一个低维流形上，而高维空间中的数据点可以在这个流形上展开。线性流形学习算法尝试通过线性变换来揭示数据的底层结构，而监督线性流形学习则是在此过程中加入监督信号，如类标签信息，以指导学习过程朝着更有区分度的方向进行。 高光谱图像的维度约简和特征提取一直是该领域的研究重点，因为它直接关系到遥感数据处理的效率和分类结果的准确性。本研究提出的SNPE方法，通过引入新的基于类标签信息的距离度量来寻找每个点的k个最近邻，增强了算法对于数据流形的泛化能力。它不仅能够处理分布于单一流形上的数据集，还能够处理分布在多个流形上的复杂数据集。通过实验证明，这种方法在处理AVIRIS等高光谱数据集时表现出较高的分类效率和准确性，为高光谱图像分类的实践应用提供了新的思路和技术支持。