基于獨立分量分析和相關向量機的高光譜數據分類

摘 要:提出一種獨立分量分析(ICA)和相關向量機(RVM)相結合的高光譜數據分類方法，首先采用虛擬維數方法對高光譜數據維數進行估計，在此基礎上，采用獨立分量分析對數據進行降維，然后采用相關向量機對降維后的數據分類。計算機仿真實驗結果表明，該方法在獲得較高分類精度的同時大大節省了分類時間。

關鍵詞:高光譜數據分類; 虛擬維數; 獨立分量分析; 相關向量機

中圖分類號:TP18 文獻標識碼:A

文章編號:1004-373X(2010)13-0123-04

Classification for Hyperspectral Data Based on Independent Component

Analysis and Relevance Vector Machine

YIN Yue-meng，FENG Yan，LIU Meng-meng

(School of Electronics and Information， Northwestern Polytechnical University， Xi’an 710072， China)

Abstract: A hyperspectral data classification method of combining the independent component analysis(ICA) and relevance vector machine(RVM) is put forward. A method named virtual dimension(VD) is introduced to estimate the dimension of hyperspectral data. On this basis， ICA is used to reduce the dimension， and then RVM is used to classify the data whose dimension has been reduced. The computer simulation results show that the method achieves a high accuracy classification and greatly reduce the classification time.

Keywords: hyperspectral data classification; virtual dimension; independent component analysis; relevance vector machine

0 引 言

高光譜遙感數據一般包含幾十個甚至幾百個波段，為研究人員提供了關于地物更細致的光譜信息，但同時給遙感數據的處理、存儲和傳輸帶來過重負擔，因此利用其波段間存在大量冗余的特點對其進行降維是十分必要的。

降維的主要方法有主成分分析(Principal Components Analysis，PCA)和獨立分量分析(Independent Component Analysis，ICA)。前者是把高光譜數據的方差和信噪比作為測量數據二階統計特性的標準，采用計算特征值累積的方法確定它們占總能量的百分比以決定維數。這個過程存在的問題就是一些小目標對SNR或者主分量貢獻甚微，但卻對圖像理解有至關重要的影響。ICA是利用統計獨立作為目標來分離獨立分量的信號分解技術，有利于小目標、小類別信息的保留，并且獨立分量與高光譜數據中存在的特征是有聯系的[1]。與PCA相比，ICA利用了觀測數據的高階統計信息，可以保護二階統計量降維容易丟失的數據特征，從而更有利于高光譜數據的分析處理[2]。A.Hyvarinen和E.Oja提出了獨……