基于相关向量机的高光谱影像混合像元分解  

Relevance Vector Machine for Hyperspectral Imagery Unmixing

作　　者：杨国鹏[1,2] 周欣[3] 余旭初[1] 陈伟[1] 

机构地区：[1]信息工程大学测绘学院,河南郑州450052 [2]空军装备研究院情报所,北京100085 [3]信息工程大学信息工程学院,河南郑州450002

出　　处：《电子学报》2010年第12期2751-2756,共6页Acta Electronica Sinica

基　　金：国家高技术研究发展计划(No.2006AA701309)

摘　　要：提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.We brought forward a hyperspectral imagery unmixing methods based on the posterior probability of relevance vector machine.In the hyperspectral imagery unmixing methods based on the posterior probability of support vector machine,the posterior probability have to be got by sigmoid function approximately,and the model need to set regularization coefficient by cross-validation.Relevance vector machine is a sparse model in the Bayesian framework,its mathematics model doesn＇t have regularization coefficient and its kernel functions don＇t need to satisfy Mercer＇s condition.In this paper,we firstly analyzed the disadvantages of the support vector machine for hyperspectral imagery unmixing,introduced the sparse Bayesian model and the model parameters inference,and selected the fast sequential sparse Bayesian learning algorithm.Through the unmixing experiments of PHI imagery,the advantages of the relevance machine for hyperspectral imagery unmixing were given out.

关 键 词：高光谱影像 混合像元分解 稀疏贝叶斯模型 相关向量机 

分 类 号：TP753[自动化与计算机技术—检测技术与自动化装置]