基于ISOMAP的高光谱遥感数据的降维与分类

丁玲; 唐娉; 李宏益

基于ISOMAP的高光谱遥感数据的降维与分类

丁玲^1,2,
唐娉¹,
李宏益¹

1.
中国科学院遥感与数字地球研究所,北京 100094;
2.
中国科学院大学,北京 100049

基金项目:

国家863计划（2012AA12A304）

详细信息

作者简介:
丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

中图分类号: TP751.1

Dimensionality reduction and classification for hyperspectral remote sensing data using ISOMAP

1.
Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China;
2.
University of Chinese Academy of Sciences,Beijing 100049,China

摘要: 为挖掘高光谱遥感数据内在的非线性结构特性，采用全局化流形学习算法等距特征映射（ISOMAP）对高光谱遥感数据进行非线性降维，并取得了优于常用的最小噪声分离（MNF）变换方法的结果，具有更好的数据压缩性能。将光谱角相似性度量方法用于ISOMAP 算法，取得良好的降维效果。通过把ISOMAP 降维算法和k-最邻近分类器相结合对降维后子空间特征进行分类，实验表明：ISOMAP 利用较少的特征维数获得比MNF 更高的分类精度，并达到较高稳定的分类精度，尤其对难以区分、光谱相似的两类别问题，ISOMAP 的特征维数能够有效的提高两类别的可分性。
- 流形学习 /
- 等距特征映射 /
- 特征提取 /
- 高光谱遥感数据分类
Abstract: In order to address intrinsic nonlinearities of hyperspectral remote sensing data, isometric feature mapping (ISOMAP) is the most widely utilized global manifold learning approach for nonlinear dimensionality reduction. In this paper, it was employed to extract the inherent manifold of hyperspectral data and the experimental results show that ISOMAP provides a significantly more compact feature representation of hyperspectral data than the minimum noise fraction (MNF) transform. Considering the spectral information of hyperspectral data, spectral angle (SA) was applied to derive the neighborhood distances in ISOMAP algorithm, and the result was better. Extracted subspace features via ISOMAP algorithm were also implemented in conjunction with k Nearest Neighbor (kNN) classifier for classification. Experimental results show ISOMAP achieves higher classification accuracies than MNF transform, but with much smaller dimensionality. Especially, ISOMAP provides better discrimination for spectrally similar classes.
- manifold learning /
- isometric feature mapping /
- feature extraction /
- hyperspectral remote sensing data classification

[1]	Wei Feng, He Mingyi, Mei Shaohui. Hyperspectral data feature extraction using spatial coherence based neighborhood preserving embedding [J]. Infrared and Laser Engineering, 2012, 41(5): 1249-1254. (in Chinese) 魏峰, 何明一, 梅少辉. 空间一致性邻域保留嵌入的高光谱数据特征提取[J]. 红外与激光工程, 2012, 41(5): 1251-1254.
[2]
[3]
[4]	Jimenez L O, Rivera-medlan J L, Rodirguez-diaze, et al. Integration of spatial land spectral information homogenous by means of unsupervised extraction and classification for objects applied to multispectral and hyperspectral data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): 844-851.
[5]
[6]	Wan Jun, Zhang Xiaohui, Rao Jionghui, et al. Processing of backscattering signal of warship wake flow based on independent component analysis [J]. Infrared and Laser Engineering, 2013, 42(1): 245-250. (in Chinese) 万俊, 张晓晖, 饶炯辉, 等. 基于独立成分分析的舰船气泡尾流后向散射光信号处理[J]. 红外与激光工程, 2013, 42(1): 245-250.
[7]	Silva V, Tenenbaum J B. Global versus local methods in nonlinear dimensionality reduction [J]. Advances in Neural Information Processing Systems, 2003, 15: 705-712.
[8]
[9]
[10]	Tenenbaum J B, de Silva V, Langford J C. A global geometric frame work for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323.
[11]
[12]	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): 441-454.
[13]	Han T, Goodenough D G. Investigation of nonlinearity in hyperspectral imagery using surrogate data methods[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(10): 2840-2847.
[14]
[15]
[16]	Green A A, Berman M, Switzer P, et al. A transformation for ordering multispectral data in terms of image quality with implications for noise removal [J]. IEEE Transactions on Geoscience and Remote Sensing, 1988, 26(1): 65-74.
[17]	Zhang Zhenyue, Zha Hongyuan. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment[J]. SIAM Journal of Scientific Computing, 2004, 26 (1): 313-338.

[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]	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
[3]	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
[4]	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
[5]	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
[6]	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
[7]	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
[8]	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
[9]	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
[10]	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
[11]	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
[12]	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
[13]	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
[14]	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 . 红外与激光工程, 2016, 45(10): 1028003-1028003(8). doi: 10.3788/IRLA201645.1028003
[15]	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 . 红外与激光工程, 2014, 43(1): 232-237.
[16]	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.
[17]	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.
[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. 基于流形学习的混合光谱解混分析 . 红外与激光工程, 2013, 42(9): 2421-2425.

点击查看大图

计量

文章访问数: 298
HTML全文浏览量: 51
PDF下载量: 277
被引次数: 0

全文HTML

参考文献 (17)

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于ISOMAP的高光谱遥感数据的降维与分类

作者简介:
丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

Dimensionality reduction and classification for hyperspectral remote sensing data using ISOMAP

计量

基于ISOMAP的高光谱遥感数据的降维与分类

1. 中国科学院遥感与数字地球研究所,北京 100094;

2. 中国科学院大学,北京 100049

作者简介:
丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

English Abstract

Dimensionality reduction and classification for hyperspectral remote sensing data using ISOMAP

1. Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China;

2. University of Chinese Academy of Sciences,Beijing 100049,China

全文HTML

目录

留言板

基于ISOMAP的高光谱遥感数据的降维与分类

作者简介: 丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

Dimensionality reduction and classification for hyperspectral remote sensing data using ISOMAP

计量

出版历程

基于ISOMAP的高光谱遥感数据的降维与分类

1. 中国科学院遥感与数字地球研究所,北京 100094; 2. 中国科学院大学,北京 100049

作者简介: 丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

English Abstract

Dimensionality reduction and classification for hyperspectral remote sensing data using ISOMAP

1. Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China; 2. University of Chinese Academy of Sciences,Beijing 100049,China

全文HTML

目录

作者简介:
丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

1. 中国科学院遥感与数字地球研究所,北京 100094;

2. 中国科学院大学,北京 100049

作者简介:
丁玲（1983- ），女，博士，主要从事遥感图像处理和机器学习方面的研究。Email：xiaodingdj@126.com

1. Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China;

2. University of Chinese Academy of Sciences,Beijing 100049,China