5、高光谱图像中的PCA、核PCA与降维

高光谱图像中的PCA、核PCA与降维

在高光谱图像分析中，特征提取和降维是重要的步骤，有助于减少数据维度、提高分类准确性。本文将探讨PCA、核PCA（KPCA）和聚类导向的KPCA等方法在高光谱图像特征提取和降维中的应用，并分析它们的性能。

1. 研究背景与方法

• 分类技术 ：采用模糊k - NN分类技术处理高光谱图像中的模糊性。
• 特征数量实验 ：由于所需的转换特征数量事先未知且因数据集而异，实验对4到30个特征（步长为2）进行了测试。
• 评估指标 ：计算总体分类准确率（OA）、kappa系数（κ）、类可分离性（S）和熵（E），以评估特征提取方法的有效性。

2. 实验结果分析

2.1 累积特征值

以印度松树数据集为例，PCA、KPCA和聚类导向的KPCA方法的累积特征值（代表数据的累积方差）如下表所示：
| 主成分数量 | PCA（累积%） | KPCA（累积%） | 聚类导向的KPCA（累积%） |
| — | — | — | — |
| 2 | 72.32 | 57.74 | 63.18 |
| 4 | 85.89 | 68.11 | 73.74 |
| 6 | 96.69 | 76.41 | 81.54 |
| 8 | 98.37 | 83.37 | 88.62 |
| 10 | 99.06 | 87.16 | 91.97 |
| 12 | 99.23 | 89.7