为了统一大多数经典的特征提取方法,提出了一种利用高维数据的几何性质进行降维的图嵌入框架。图嵌入的目标是通过构造一个本征图用于描述数据中有价值的统计或几何特征,同时构建一个惩罚图用于描述数据中需要抑制的统计或几何特征;
本征图和惩罚图的构建可扩展到线性空间、核空间和张量空间。许多起源于统计或几何理论的算法经过改写后都可以统一到图嵌入框架下, 主要区别在于本征图和惩罚图的构建方式不同。
在高光谱图像的特征提取中,基于统计特性构建的图不能揭示出数据的内在结构,对于非线性数据不能得到好的效果,而基于几何理论构建的图能很好地揭示出数据的内在流形结构,提取出有效的鉴别特征,改善分类精度。目前,数据的几何特性大部分都采用邻域关系来表征,如 k 近邻法或ε 近邻法,然而,如何有效地定义邻域选取方式和邻域大小是这类方法面临的一大挑战。
图嵌入低维嵌入空间的目标函数可以定义为:
其中m是常数,LI是图G的拉普拉斯矩阵,H是尺度归一化的约束矩阵,可以是图GP的拉普拉斯矩阵。LI和 H可以表示为