基于SSMFA与kNNS算法的高光谱遥感影像分类

为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于半监督边际费希尔分析（SSMFA）和kNNS的高光谱遥感影像数据分类算法.该方法利用有标记数据和无标记数据的信息获得数据的内在流形结构,通过SSMFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类.在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个有类别标记的样本10个无类别标记的样本的情况下,该方法的总体分类精度能够比MFA＋kNNS提高0.8%~2.5%,比MFA＋kNN提高2.8%~4.5%,比其他算法提高4.0%~7.0%,分类精度有了明显的提高.

基于MFA与kNNS算法的高光谱遥感影像分类

为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于边际费希尔分析(MFA)和kNNS的高光谱遥感影像数据分类算法。该方法利用数据的类别信息,通过MFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类。在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个训练样本的情况下,该方法的总体分类精度能够比其他算法提高3.7%～8.5%,分类精度有了明显的提高。

一种新的隐写分析方法:IKLDA

如何降低高维数据的维数而不损失原有数据的内在信息是机器学习和数据挖掘领域中的热点问题.本文在图嵌入框架的基础上提出一种新的降维分析算法IKLDA(improved kernel Linear discriminant analysis),不仅使得隐藏在图像的信息能被区分出来,而且大大降低了数据的维数,理论分析及实验结果表明IKLDA的降维隐写分析是有效的,比其它传统降维方法效果要好,并且进一步推进了数据挖掘可视化方法在隐写分析的应用.