谢福鼎，盖虹羽，杨 俊

(辽宁师范大学 城市与环境学院，辽宁 大连 116029) E-mail：351521039@qq.com

1 引 言

高光谱遥感的最主要特点是图谱合一，其获取的地面空间图像能够融合地物的图像维和光谱维信息，得到每个地物的连续光谱信息，因此研究人员可根据获取的信息进行地物识别和分类.由于高光谱遥感数据的光谱维数高，相邻波段间的相关性强，传统的分类方法容易造成维数灾难，导致分类精度不高.同时光谱分辨率高，导致很多异物同谱的地物在高维空间中可能距离很近，呈云团状成簇分布，这些云团之间并不是呈线性分布的，这种非线性的结构被称为"流形".因此，如何有效地提取出高光谱遥感数据中的地物特征，并且挖掘出其中蕴含的流形，是实现地物准确分类的关键.[1，2]

在处理高维数据的研究中，国内外学者提出了一系列算法，传统的线性降维方法有主成分分析(Principal component analysis，PCA)，线性判别分析(Linear discriminant analysis，LDA)，多维尺度变换(Multidimensional scaling，MDS)[3-5]等.其核心思想是找到一种线性特征变换将高维特征空间变换至低维特征空间，并同时保持样本的某些特性不变.非线性流形算法有等距映射(Isometric feature mapping，Isomap)，拉普拉斯特征映射(Laplacian eigenmaps，LE)，局部线性嵌入(Locally-linear embedding，LLE)，局部保持投影(Locality preserving projection，LPP)[6-9]等.文献[10]提出了边际Fisher分析(Marginal Fisher Analysis，MFA)，有效利用了数据的类别信息，基于图嵌入框架，通过两个图来描述类内的紧密型和类间的分离性，获得线性映射函数，将数据从高维空间投影到低维空间.但由于对遥感影像全部标记较为困难，文献[11]使用半监督算法对MFA进行改进……