南阳理工学院电子与电气工程学院，河南 南阳473004
由于多重反射和散射，高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础，因此提取精度不高。针对高光谱图像的非线性结构，提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性，将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息，然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明，提出的方法对高光谱图像端元提取具有良好的效果，性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。
图像处理 高光谱图像 端元提取 非线性降维 图像欧氏距离 拉普拉斯特征映射 image processing hyperspectral imagery endmember extraction nonlinear dimensional reduction image Euclidean distance Laplacian Eigenmaps
1 复旦大学 电子工程系, 上海 200433
2 复旦大学 波散射与遥感信息重点实验室, 上海 200433
提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.
高光谱遥感图像 非线性降维 图像欧氏距离 分类 hyperspectral imagery nonlinear dimensional reduction image Euclidean distance classification
