1 昆明理工大学信息工程与自动化学院, 云南 昆明 650504
2 昆明理工大学材料科学与工程学院, 云南 昆明 650093
特征提取对于太赫兹光谱识别来说至关重要。 传统方法是通过人工选取太赫兹光谱中差异性较大的吸收峰作为特征进行光谱识别, 但当部分物质在太赫兹波段没有明显波峰、 波谷等光谱图形特征时, 这种方式便不再适用。 为此, 研究人员利用统计学习与机器学习方法对高维太赫兹光谱数据进行降维和特征提取。 由于物质的太赫兹光谱数据各维度呈现非线性, 尤其是当不同物质的太赫兹光谱曲线整体非常相似时, 线性处理方法易产生较大误差。 针对这一问题, 提出了一种基于扩散映射(DM)的太赫兹光谱识别方法。 扩散映射能在保持数据内在几何结构的同时对其进行非线性降维, 提取的流形特征区分度较高, 对数据还有聚类效果。 首先用S-G滤波器对Alloxazine等10种物质的太赫兹光谱样本进行滤波, 并用三次样条插值法对截取相同频段后的光谱样本进行统一分辨率处理； 然后利用DM将高维太赫兹光谱数据映射到低维特征空间并提取太赫兹光谱的流形特征； 最后用多分类支持向量机(M-SVM)对十种物质的太赫兹透射光谱进行分类。 实验结果表明, 相比于主成分分析(PCA)和等距映射(ISOMAP), 使用DM提取的太赫兹光谱流形特征具有更高的区分度, 而且DM可以直接得到太赫兹光谱数据本征维数的估计值, 这为相似太赫兹光谱的快速精准识别提供了一条新的途径。
太赫兹光谱 流形学习 谱方法 扩散映射 非线性降维 THz spectroscopy Manifold learning Spectral method Diffusion Maps Nonlinear dimensionality reduction 光谱学与光谱分析
2017, 37(8): 2360
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
江南大学物联网工程学院， 江苏 无锡 214122
苹果粉质化程度是衡量其内部品质的一个重要因素，粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点，能够无损检测苹果内部品质。提出了有监督等距映射（S-Isomap）和支持向量机（SVM）相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维，再用SVM对降维后的数据进行分类。对于未知类别的测试样本，采用BP神经网络建模输出的方法，而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明，对高光谱数据而言，用S-Isomap-SVM得到的检测精度最高。
光谱 高光谱散射图像技术 有监督等距映射 支持向量机 非线性降维 BP神经网络 激光与光电子学进展
2011, 48(10): 101002
1 西安邮电学院 计算机学院，陕西 西安 710121
2 西安电子科技大学 计算机外部设备研究所，陕西 西安 710071
针对多光谱图像数据维数高导致图像色彩再现过程中数据处理复杂度高的问题，提出一种多光谱图像非线性降维方法。首先根据人眼视觉系统特征，用CIE标准观察者色匹配函数对源光谱进行加权，对加权光谱采用主成分分析(PCA)方法降维来提高降维的色度精度及光照变换时的色差稳定性；然后针对因色匹配函数加权降维引起的光谱损失，采用PCA方法对损失的光谱进行降维，补偿因色度精度提升引起的光谱损失，有效提高降维的光谱精度。最后根据应用精度要求用前两步获得的主成分组合形成降维后数据。实验结果显示，提出方法的平均光谱精度为0.013 9，平均色度精度为0.705 8，色差稳定性为1.950 6，比现有的线性变换PCA法和LabPQR法分别提高了14%,15%;47%,68%和82%，表明新方法在光照变换色差稳定性、光谱精度及色度精度三方面均优于现有其他算法。
光谱色彩学 光谱图像非线性降维 主成分分析 多光谱图像 光谱反射比 spectral color science spectral image nonlinear dimensionality reduction principal component analysis multi-spectral image spectral reflectance
江南大学通信与控制工程学院, 江苏 无锡214122
苹果粉质化程度是衡量其内部品质的一个重要因素, 采用了高光谱散射图像技术进行苹果粉质化的无损检测。 针对高光谱散射图像数据量大的特点, 提出了局部线性嵌入(local linear embedded, LLE)和支持向量机(support vector machine, SVM)相结合的用于检测苹果粉质化的新分类方法。 LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法, 能有效计算高维输入数据在低维空间的嵌入流形。 对降维后的高光谱数据采用SVM进行分类。 将LLE-SVM分类方法与传统的SVM分类方法比较, 仿真结果表明, 对高光谱数据而言, 用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度； 降维前后, 分类器的测试精度变化不大, 波动范围不超过5％。 LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。
粉质化 高光谱散射图像技术 局部线性嵌入 非线性降维 支持向量机 Mealiness Hyperspectral scattering image Locally linear embedding Non-linear dimensionality reduction Support vector machine 光谱学与光谱分析
2010, 30(10): 2739
1 桂林电子科技大学 计算机与控制学院,广西 桂林 541004
2 清华大学 中药现代化研究中心,北京 100084
针对样品的近红外(NIR)光谱与其物理化学性质之间存在的非线性关系,提出了一种结合等距映射(Isomap)和偏最小二乘(PLS)的非线性建模新方法。Isomap是一种新的非线性降维方法,属于流形学习方法,能有效地发现高维数据中的本真低维结构。Isomap-PLS建模方法首先用Isomap对高维NIR光谱数据作非线性降维,再用PLS降维并建立校正模型。将Isomap-PLS建模方法分别应用于两个公开的NIR光谱标准数据集,并与PLS单独建模进行比较。结果表明,在两个数据集上,用Isomap-PLS方法建立的校正模型比单独用PLS算法建立的校正模型具有更小的交叉验证均方根误差(RMSECV);对某些性质数据,Isomap-PLS模型比PLS模型的RMSECV值要小2-5倍。因此,Isomap能够有效反映NIR光谱中存在的非线性结构,Isomap-PLS比PLS具有更好的建模与预测能力。
近红外光谱 等距映射 非线性降维 偏最小二乘 Near infrared spectroscopy Isomap Nonlinear dimension reduction PLS
四川大学 电子信息学院图像信息研究所,四川 成都 610064
针对在手写字符识别中由于书写习惯和风格的不同而造成的字符模式不稳定问题,提出了一种基于流形学习的手写体数字识别方法。在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。算法首先利用基于监督的局部线性嵌入(SLLE)对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。对MINST库中手写体数字数据库进行了实验,实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,识别率可达到93.27％;由于具有较好的识别率,能够发现高维空间的低维嵌入流形。
流形学习 监督局部线性嵌入 手写字符识别 非线性降维 manifold learning supervised locally linear embedding(SLLE) handwritten character recognition nonlinear reduction dimensionality
现有头部姿势估计方法主要是基于几何分析和基于外观线性变换的方法,计算复杂、通用性不强。提出一种新的利用非线性的核变换算法进行姿势估计的方法,根据流形学习理论,不同姿势的高维人脸图像存在一低维流形结构,提取该流形结构可估计头部姿势。核主元分析是一种非线性降维算法,能够把这种流形结构嵌入到低维空间。利用核主元分析训练姿势估计曲线,然后把新图像投影到姿势曲线上,利用插值方法估计新投影点对应得姿势角度。核主元分析的方法克服了传统线性估计方法的缺点,实验证明该方法估计效果良好,并给出进一步提高估计效果的途径。
头部姿势估计 核主元分析 流形学习 非线性降维 head pose estimating Kernel principal component analysis manifold learning nonlinear dimension reduction
