《表4 Quick bird dataset上的最佳分类精度 (Ac) 及对应特征维数 (r)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于推广流形学习的高分辨遥感影像目标分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

传统的流形学习算法均是欧氏框架下基于图像特征向量化表示的降维算法，而协方差描述子所在的空间是非欧和弯曲的黎曼流形，对其进行向量化表示并用欧氏距离进行相似性度量容易丢失有效的结构信息.因此，本文结合黎曼流形理论与核方法，将流形学习算法LPP从欧氏空间推广到黎曼流形上，提出LRK-ASOLPP算法，并应用于高分辨率遥感影像目标分类.1) 提取图像每个像素点处的几何结构特征，计算图像特征的协方差描述子；2) 通过采用Log-Euclidean黎曼核将协方差描述子投影到再生核Hilbert空间；3) 基于流形学习理论，建立黎曼流形上半监督正交局部保持投影算法模型，利用交替迭代更新算法对目标函数进行优化求解，同时获得相似性权矩阵和低维投影矩阵；4) 利用求得的低维投影矩阵计算测试样本的低维投影，并用K–近邻和SVM等分类器对其进行分类.与传统的流形学习算法相比，本文提出的LRK-ASOLPP算法在降维的过程中无需进行图像特征向量化表示，有效保留了数据特征的内蕴几何结构和判别信息，并通过选用无参的Log-Euclidean黎曼核克服了传统核方法中的核参数选择问题.实验结果表明，该算法在高分辨率遥感影像目标分类方面具有良好的分类性能，为后续的图像目标分类与识别研究提供了有效的方法.但该算法还有很大的研究空间，例如采用多核学习法来克服核函数与核参数的选择问题，利用稀疏表示构建相似性权矩阵来克服近邻参数的选择问题等，后续将继续进行相关的研究.