基于推广流形学习的高分辨遥感影像目标分类
针对传统的流形学习算法不能对位于黎曼流形上的协方差描述子进行有效降维这一问题,本文提出一种推广的流形学习算法,即基于Log-Euclidean黎曼核的自适应半监督正交局部保持投影(Log-Euclidean Riemannian kernel-based adaptive semi-supervised orthogonal locality preserving projection,LRK-ASOLPP),并将其成功用于高分辨率遥感影像目标分类问题.首先,提取图像每个像素点处的几何结构特征,计算图像特征的协方差描述子;其次,通过采用Log-Euclidean黎曼核将协方差描述子投影到再生核Hilbert空间;然后,基于流形学习理论,建立黎曼流形上半监督正交局部保持投影算法模型,利用交替迭代更新算法对目标函数进行优化求解,同时获得相似性权矩阵和低维投影矩阵;最后,利用求得的低维投影矩阵计算测试样本的低维投影,并用K-近邻、支持向量机(Support victor machine,SVM)等分类器对其进行分类.三个高分辨率遥感影像数据集上的实验结果说明了该算法的有效性与可行性.
协方差矩阵、Log-Euclidean黎曼核、流形学习、目标分类
45
国家自然科学基金61473230,61603303;陕西省自然科学基金2017JM6027,2017JQ6005;中国博士后科学基金2017M610650;中央大学基础研究基金3102017jg02011;航空科学基金2014ZC53030
2019-05-28(万方平台首次上网日期,不代表论文的发表时间)
共10页
720-729