基于稀疏鉴别嵌入的高光谱遥感影像分类

稀疏保持投影(SPP)是一种基于l1图的新型降维算法,它利用样本间的稀疏重构关系建图,但是SPP为非监督算法,分类效果受到限制。针对此问题,本文提出了一种新的稀疏流形学习算法-稀疏鉴别嵌入(SDE)。该算法在利用样本的稀疏重构关系建图时引入了样本的类别信息,并通过优化目标函数来得到投影矩阵,使得不同类的数据点在低维嵌入空间中尽可能地分散开。SDE通过结合数据稀疏性及类间流形结构的优点,不仅保留样本间的稀疏重构关系,而且通过引入训练样本的类别信息实现稀疏鉴别特征提取,更有利于分类。在Urban和Washington DC Mall数据集上的实验结果表明:SDE算法比其他算法的分类性能有明显的提升,在每类随机选取16个训练样本的情况下,SDE算法的分类精度分别达到了73.47%和98.35%。

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。

基于鉴别稀疏保持嵌入的人脸识别算法

鉴于近年来稀疏表示(Sparse representation,SR)在高维数据例如人脸图像的特征提取与降维领域的快速发展,对原始的稀疏保持投影(Sparsity preserving projection,SPP)算法进行了改进,提出了一种叫做鉴别稀疏保持嵌入(Discriminant sparsity preserving embedding,DSPE)的算法.通过求解一个最小二乘问题来更新SPP中的稀疏权重并得到一个更能真实反映鉴别信息的鉴别稀疏权重,最后以最优保持这个稀疏权重关系为目标来计算高维数据的低维特征子空间.该算法是一个线性的监督学习算法,通过引入鉴别信息,能够有效地对高维数据进行降维.在ORL库、Yale库、扩展Yale B库和CMU PIE库上的大量实验结果验证了算法的有效性.