改进的局部保持投影在高光谱图像分类中的应用

"这篇论文研究了高光谱图像分类中基于流形的降维方法，特别是提出了一种改进的局部保持投影（LPP）方法，称为MLPP。MLPP利用标签信息解决了传统LPP在确定邻域大小时的难题，并采用相关系数作为度量数据之间相似性的统计特征。这种方法设计的权重矩阵能够保持类内数据的几何结构，同时增加类间距离。MLPP在实际应用中不需要任何参数或先验知识，且在实验中显示在两个高光谱图像的分类任务上，其性能优于其他传统的降维技术，提高了不同光谱特征地物的可分性。" 高光谱遥感是一种先进的遥感技术，能够提供连续光谱带的图像信息，这使得它在环境监测、地质调查等领域有着广泛应用。图像分类是高光谱遥感的重要任务，旨在将图像中的每个像素点分配到特定的地物类别。 降维是高光谱图像分析中的关键技术之一，其目的是减少数据的复杂性，同时保持数据的主要特征。传统的局部保持投影（LPP）是一种非线性降维方法，它试图保持数据在原始空间中的局部结构。然而，LPP在构建邻接图时面临选择合适邻域大小的问题，这对分类效果有很大影响。 MLPP（改进的局部保持投影）方法对这一问题进行了改进，它引入了标签信息，这样可以更准确地确定邻域，避免了邻域大小选择的困难。此外，MLPP使用相关系数作为度量数据相似性的指标，相比于欧氏距离等传统度量，相关系数能更好地捕捉高维数据间的相关性。设计的权重矩阵不仅保持了类内数据的紧密联系，还增强了类间的数据分离，从而提高了分类的准确性。 无监督学习是机器学习的一种形式，无需预先标记的数据，适合于像高光谱图像分类这样大量的未知类别数据。MLPP方法就属于无监督学习范畴，因为它在降维过程中没有依赖于任何特定的先验知识或参数，这使得它具有更强的泛化能力和适应性。 在实际实验中，MLPP在两个高光谱图像上展示出了优越的性能，提升了不同光谱特征地物的可分性，这意味着它在分类任务中能更准确地区分具有相似光谱特征的地物。这一成果对于高光谱图像的自动分析和识别具有重要的理论与实践价值，有助于进一步推动高光谱遥感技术在各个领域的应用。