基于小波核WKNMF的高光谱图像RVM分类提升方法

本文主要探讨了基于小波核非负矩阵分解（Wavelet Kernel Non-negative Matrix Factorization, WKNMF）的高光谱图像分类方法。高光谱成像技术在遥感领域中具有重要作用，因为其能够提供丰富的光谱信息，有助于对地表物体进行精细识别。传统的分类算法可能受限于线性特征提取能力，而小波变换因其多分辨率分析特性，可以捕获数据中的局部细节信息，增强非线性映射。 WKNMF是一种创新的特征提取策略，它结合了墨西哥帽小波（Mexican hat wavelet）这一特殊的波形函数和非负矩阵分解（Non-negative Matrix Factorization, NMF）。非负矩阵分解在处理高光谱数据时的优势在于它保留了数据的非负性和部分低维表示，这在保持图像信息的同时降低了复杂度，有利于后续的分类任务。 通过墨西哥帽小波，该方法能够在不同尺度上捕捉图像特征，这有助于减少噪声和增强关键特征。利用小波核，WKNMF能够将原始数据映射到一个高维特征空间，使得线性不可分的问题在新的空间中变得可分，从而提高了RVM（Relevance Vector Machine, 相关向量机）的分类性能。RVM作为一种弱学习器，通过稀疏编码来识别样本，与小波核NMF相结合，可以实现对高光谱图像的高效分类。 论文作者针对高光谱遥感图像提出了一种新颖的分类框架，该框架首先利用WKNMF进行特征提取，然后利用RVM进行分类决策。这种方法优化了非线性映射过程，提升了分类精度，并且由于RVM的稀疏性，还能有效地处理大规模的数据集。通过实验验证，与传统方法相比，基于WKNMF的RVM分类方法在保持高光谱图像分类准确性的前提下，具有更好的鲁棒性和计算效率。 本研究为高光谱图像的自动分类提供了一种创新的、基于小波核非负矩阵分解的解决方案，这对于地球观测、环境监测和资源管理等领域具有重要的实际应用价值。