基于KPCA和FCM的HJ-1A星遥感数据分类

作     者：白杨 赵银娣 

作者机构：中国矿业大学环境与测绘学院徐州221116 国土环境与灾害监测国家测绘局重点实验室徐州221116 

出 版 物：《国土资源遥感》 (Remote Sensing for Land & Resources)

年 卷 期：2013年第25卷第1期

页      面：71-76页

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金项目(编号:40901221) 中国博士后科学基金项目(编号:20090450182) 江苏省普通高校研究生科研创新计划项目(编号:CXLX12_0955) 江苏高校优势学科建设工程项目(编号:SZBF2011-6-B35)共同资助 

主　　题：HJ-1A星 主成分分析(PCA) 核主成分分析(KPCA) 累积贡献率 模糊C均值分类 

摘      要：为提高对环境与灾害监测预报小卫星1A(HJ-1A)星遥感数据分类的精度,首先将HJ-1A星HSI高光谱数据和CCD多光谱数据进行GS(Gram-Schmidt)融合,然后利用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel PCA,KPCA)分别对融合后的高光谱图像进行降维处理。KPCA降维时采用高斯、线性和多项式3种核函数,根据特征提取效果评价结果,选择累积贡献率较大的多项式核函数。最后,分别对融合后的高光谱图像、PCA主成分图像和基于多项式核函数的KPCA主成分图像进行模糊C均值分类。实验结果表明,KPCA对融合后高光谱图像的特征提取得到了较好的效果,同时提高了分类精度和效率。