于慧伶, 霍镜宇, 张怡卓, 蒋 毅

(1.东北林业大学 a.信息与计算机工程学院； b.机电工程学院，哈尔滨 150040； 2.黑龙江省计算中心，哈尔滨 150001)

0 引 言

城市植被是城市平衡、协调发展的重要组成部分，对构建生态城市起着举足轻重的作用。近年来，随着高光谱技术的发展，高光谱技术已经广泛地应用于城市植被的精确获取和动态监测[1]。高光谱图像具有数据量大、数据维数高和数据冗余性强等特点[2]。如果直接对获取的用于城市植被提取的高光谱图像数据进行分类，庞大的数据量不仅会影响运行的速度，也会降低分类器的泛化能力，影响分类的精度，从而无法得到理想的分类结果[3]。高光谱图像分类常常需要先进行数据降维等预处理操作[4]。

目前，高光谱图像降维主要分为线性降维和非线性降维两类。线性降维主要包括主成分分析法(Principal Component Analysis，PCA)和线性判别式分析(Linear Discriminant Analysis，LDA)及相应的改进算法等[5]。非线性降维主要包括局部线性嵌入算法(Locally Linear Embedding，LLE)和等距离映射算法(Isometric Mapping，Isomap)及相应的改进算法等[6]。白杨等[7]提出了一种改进的K2DPCA方法，但这种方法需要较多的主成分来重新构建原始的高光谱图像，降维效果并不理想。张鹏强等[8]提出了基于核半监督判别分析的方法，在训练样本较少的情况下可以将特征空间中的样本数据更好地聚类，但是在训练样本较多的情况下，该算法的分类精度不是很高。杨磊等[9]利用基于流形学习的非线性降维算法对高光谱图像进行特征提取，实验结果表明，Isomap算法降维时间较长，LLE和拉普拉斯特征映射算法(Laplacian Eigenmaps，LE)需要更多的特征波段才能得到较好的分类效果。……