基于ISOMAP的高光谱遥感数据的降维与分类

为挖掘高光谱遥感数据内在的非线性结构特性，采用全局化流形学习算法等距特征映射（ISOMAP）对高光谱遥感数据进行非线性降维，并取得了优于常用的最小噪声分离（MNF）变换方法的结果，具有更好的数据压缩性能。将光谱角相似性度量方法用于ISOMAP算法，取得良好的降维效果。通过把ISOMAP降维算法和k-最邻近分类器相结合对降维后子空间特征进行分类，实验表明：ISOMAP利用较少的特征维数获得比MNF更高的分类精度，并达到较高稳定的分类精度，尤其对难以区分、光谱相似的两类别问题，ISOMAP的特征维数能够有效的提高两类别的可分性。