基于小波核主成分分析的相关向量机高光谱图像分类_赵春晖.pdf

第34卷第8期电子与信息学报Vol.34No.8
2012年8月JournalofElectronics&InformationTechnologyAug.2012

基于小波核主成分分析的相关向量机高光谱图像分类

赵春晖*张燚王玉磊
(哈尔滨工程大学信息与通信工程学院哈尔滨150001)

摘要：相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法，然而算法本身存在对于高维大样
本数据训练时间过长、分类精度不高的问题。针对这些问题，该文提出一种基于新型核主成分分析的RVM分类方
法。该方法首先将核函数引入到主成分分析中，然后应用小波核函数代替传统核函数，利用小波核函数的多分辨率
分析特点，进一步提高核主成分分析(KPCA)非线性映射能力，最终将新型核主成分分析算法与相关向量机相结合，
对高光谱图像进行分类。仿真实验结果表明，将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预
处理后，类内类间距离比降低20%，方差整体增幅较大，最终将处理后的数据应用于相关向量机的高光谱图像分
类中，分类精度提升3%~5%。
关键词：高光谱图像分类；相关向量机；核函数主成分分析；小波核函数
中图分类号：TP751.1文献标识码：A文章编号：1009-5896(2012)08-1905-06
DOI:10.3724/SP.J.1146.2011.01282

RelevantVectorMachineClassificationofHyperspectralImage
BasedonWaveletKernelPrincipalComponentAnalysis
ZhaoChun-huiZhangYiWangYu-lei
(CollegeofInformationandCommunicationEngineering,HarbinEngineeringUniversity,Harbin150001,China)

Abstract:HyperspectralimageclassificationbytheRelevanceVectorMachine(RVM)isarelativelynew
hyperspectralimageclassificationmethod,howeverthismethodexistssomeshortcomingssuchaswhenthesample
dataislargeandhighdimension,thetrainingtimewillbequitlongandtheclassificationaccuracyisnotsogood.
Tosolvetheseproblems,thispaperproposesaRVMclassificationmethodbasedonthenewKernelPrincipal
ComponentAnalysis(KPCA).ThismethodusesthekernelfunctionintothePCAandreplacedthetraditional
kernelfunctionwiththewaveletkernelfunction.Byusingthefeatureofmultiresolutionanalysis,thenewmethod
improvesthenonlinearmappingcapabilityofKPCAandtheexperimentcompletestheRVMhyperspectralimage
classificationbasedonthewaveletkernelfunctionPCA,Andthenthedifferenteffectsofthehyperspectralimage
classificationbetweenthetraditionalPCAandthewaveletkernelPCAareanalyzedandcompared.Theresults
showthatbyusingtheWKPCAmethod,theEuclideandistanceofAVIRIShyperspectralimagedatabetweenthe
differentcategoriesandthesamecategoriesislower20%andthevariancehasbeensharprised.Theclassification
accuracy,byusingtheRVM,improvesthe3%~5%.
Keywords:Hyperspectralimageclassification;RelevantVectorMachine(RVM);KernelPrincipalCompone