采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键...采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。展开更多
文摘采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。
