基于独立分量分析和相关向量机的高光谱数据分类

基于独立分量分析和相关向量机的高光谱数据分类

殷岳萌， 冯 燕， 刘萌萌

【摘 要】提出一种独立分量分析(ICA)和相关向量机(RVM)相结合的高光谱数据分类方法，首先采用虚拟维数方法对高光谱数据维数进行估计，在此基础上，采用独立分量分析对数据进行降维，然后采用相关向量机对降维后的数据分类。计算机仿真实验结果表明，该方法在获得较高分类精度的同时大大节省了分类时间。

【期刊名称】现代电子技术 【年(卷),期】2010(000)013 【总页数】5

【关键词】高光谱数据分类； 虚拟维数； 独立分量分析； 相关向量机

0 引 言

高光谱遥感数据一般包含几十个甚至几百个波段，为研究人员提供了关于地物更细致的光谱信息，但同时给遥感数据的处理、存储和传输带来过重负担，因此利用其波段间存在大量冗余的特点对其进行降维是十分必要的。

降维的主要方法有主成分分析(Principal Components Analysis，PCA)和独立分量分析(Independent Component Analysis，ICA)。前者是把高光谱数据的方差和信噪比作为测量数据二阶统计特性的标准，采用计算特征值累积的方法确定它们占总能量的百分比以决定维数。这个过程存在的问题就是一些小目标对SNR或者主分量贡献甚微，但却对图像理解有至关重要的影响。ICA是利用统计独立作为目标来分离独立分量的信号分解技术，有利于小目标、小类别信息的保留，并且独立分量与高光谱数据中存在的特征是有联系的[1]。与PCA