基于多标签共享子空间学习和内核脊回归的空谱分类算法

作     者：郭利强 孟庆超 GUO Li-qiang;MENG Qing-chao

作者机构：洛阳师范学院教育科学学院河南洛阳471000 洛阳师范学院信息技术学院河南洛阳471000 

出 版 物：《光子学报》 (Acta Photonica Sinica)

年 卷 期：2020年第49卷第5期

页      面：115-127页

核心收录：

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：河南省高等学校青年骨干教师培养计划(No.2019GGJS201) 

主　　题：高光谱图像分类 内核脊回归 多标签 共享子空间学习 奇异值分解 

摘      要：针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题,提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不可分特征映射到高维空间中,实现分类特性在高维空间下的有效分离,以提高地物相近特性的区分精度;同时将高维样本数据映射到低维共享子空间中,在低维环境下以多类标为指导,引入低秩矩阵建立类别标签与共享空间的预测关系,挖掘多标签间的共同特性,提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数,一定程度上加速参数求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果表明,与其他同类算法相比,在低样本比例下,本文算法在总体分类精度、平均分类精度和Kappa系数等评价指标上至少提高4.76%、4.24%和5.19%,与非内核化的算法相比,本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.