{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,17]]，“日期-时间”：“2024-06-17T18:30:00Z”，“时间戳”：1718649000763}，“引用-计数”：50，“发布者”：“MDPI AG”，“问题”：“1”，“许可证”：[{“开始”：{-date-parts“：[[2018,12,25]]，”日期-时间“：”2018-12-25T00:00:00Z“，“时间戳”：1545696000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“奖项”：[“61402424，61773355，61403351”]}“”：“国家科技重大专项”，“doi-asserted-by”：“publisher”，“award”：[“2016ZX05014003-003”]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[”遥感“]，“abstract”：“在存在大量噪声和冗余光谱特征的情况下，降维（DR）模型对于提取高光谱图像数据分析的低维特征具有重要意义。在众多DR技术中，图嵌入判别分析框架已经证明了其对HSI特征约简的有效性。基于该框架，许多基于表示的模型被开发用来学习相似图，但这些方法大多忽略了空间信息，导致DR模型的性能不理想。在本文中，我们首先提出了一种新的有监督DR算法，称为空间感知协作图鉴别分析（SaCGDA），该算法在最近开发的空间感知协作表示（SaCR）的启发下，将一种简单而有效的空间约束引入到基于协作图的鉴别分析（CGDA）中为了使样本在数据流形上的表示更加平滑，即相似的像素共享相似的表示，我们进一步添加了谱拉普拉斯正则化，并提出了拉普拉斯正规化SaCGDA（LapSaCGDA），其中，两个光谱和空间约束可以有效利用HSI中嵌入的固有几何结构。在三个HSI数据集上的实验验证了所提出的SaCGDA和LapSaCGDA优于其他最先进的方法<\/jats:p>“，”DOI“：”10.3390\/rs111010029“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2018,12,26]]，”日期时间“：”2018-12-26T09:29:54Z“，”时间戳“：1545816594000｝，”page“：”29“，”source“：”Crossref“，”由count引用“：16，”title“：[”拉普拉斯正则化空间感知协作图用于高光谱图像的判别分析“]，”前缀“：”10.3390“，”卷“：”11“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0001-6783-2176“，”authenticated-ORCID“：false，”给定“：”Xinwei“，”家庭“：”江“，”sequence“：”first“，”affiliation“：[[{“name”：“中国地质大学计算机学院，武汉430074”}]}，{“given”：“Xin”，“family”：“Song”，“sequence”：“additional”，“affiliation“：[{“name”：“中国地质大学计算机科学学院，武汉430074”}]}，{“given”：“永善”，“family”：“Zhang”，“sequence”：“additional”，“affiliance”：[{“name”：“中国地质大学计算机学院，武汉480074”{]}authenticated-orcid“：false，”given“：”Junjun“，”family“：”Jiang“，”sequence“：”additional“，”affiliation“：[{“name”：“哈尔滨工业大学计算机科学与技术学院，哈尔滨150001”}]}，{“given”：“Junbin”，“family”：“Gao”，“sequence”：“additional”，“affiliance”：[{name“：”商业分析学科，悉尼大学商学院，悉尼大学，悉尼，新南威尔士州2006，澳大利亚“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-0020-6503”，“authenticated-ORCID”：false，“given”：”志华“，“family”：“Cai”，“sequence”：“additional”，“affiliation”：[{“name”：“中国地质大学计算机科学学院，中国武汉430074“}]}]，“成员”：“1968”，“在线发布”：{“日期部分”：[[2018,12,25]]}，“引用”：[{“key”：“ref_1”，“doi-asserted-by”：“crossref”，”unstructured“：”Zhang，Y.，Wu，K.，Du，B.，Zhang and L.，Hu，X.（2017）通过自适应联合稀疏表示和带位置信息的多任务学习进行高光谱目标检测。遥感，9.“，”DOI“：”10.3390\/rs9050482“}，{“key”：“ref_2”，“DOI-asserted-by”：“crossref”，“首页”：“8”，“DOI”：“10.1109\/MGRS.2016.2616418”，“article-title”：“高光谱图像的高级光谱分类器：综述”，“volume”：”5“author”：“Ghamisi”，“year”：“2017”，“journal-title“：”IEEE Geosci.Remote Sens.Mag.“}”，{“键”：“ref_3”，“doi-asserted-by“：”crossref“，”unstructured“：”Ma，J.，Wu，J.、Zhao，J.和Jiang，J、Zhou，H.以及Sheng，Q.Z.（2018）。流形正则化下具有鲁棒变换学习的非刚性点集配准。IEEE传输。神经网络。学习。系统。，新闻界。“，”DOI“：”10.1109\/TNNLS.2018.2872528“}，{“key”：”ref_4“，”DOI-asserted-by“：”crossref“，”first page“：”7053“，“DOI”：“10.1007\/s00500-016-2247-2”，“article-title”：“SVM还是深度学习？遥感图像分类的比较研究”，“volume”：“21”，“author”：“Liu”，“year”：“2017”，“journal-title“：”Soft Compute.“}”，{”key“：“ref_5”“，”DOI-asserted-by“：”crossref“，”first page“：”22“，”DOI“：”10.1109\/MGRS.2016.2540798“，”article-title“：”遥感数据深度学习：最新技术教程“，”volume“：“4”，”author“：”Zhang“，”year“：”2016“，”journal-title”：“IEEE Geosci。遥感杂志“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first page“：“213”，”doi“：”10.1007\/s00500-016-2246-3“，”article-title“：”光谱-空间多特征深度学习用于高光谱遥感图像分类“，”volume“：doi-asserted-by“：”crossref“，”first page“：”115“，”doi“：”10.1016\/j.patrec.2015.09.010“，”article-title“：”高光谱遥感图像中基于表征的分类和检测调查“，”volume“：“83”，”author“：”Li“，“year”：“2016”，“journal-title”：“Pattern Recognit”。莱特。“}，{”key“：”ref_8“，”doi-asserted-by“：”crossref“，”first page“：5“，”doi“：”10.1109\/JSTARS.2013.2290316“，”article-title“：基于判别分析的高光谱图像光谱空间分类”，“卷”：“7”，“作者”：“袁”，“年份”：“2014年”，“期刊标题”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_10“，”doi-asserted-by“：”crossref“，”首页“：”404“，”doi“：”10.1109\/LGRS.2016.2645708“，”article-title“：”高光谱遥感图像分类的空间感知协作表示“，”volume“：ref_11“，”doi-asserted-by“：”crossref“，”first page“：”1760“，”doi“：”10.1109\/LGRS.2017.2734680“，“article-title”：“用于高光谱图像分类的监督高斯过程潜在变量模型”，“volume”：“14”，“author”：“Jiang”，“year”：“2017”，“journal-title“：”IEEE Geosci。遥感快报。“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”first-pages“：”15“，”doi“：”10.1109\/MGRS.2018.2793873“，”article-title“：”基于判别分析的高光谱图像分类降维：最新进展综述和不同技术的实验比较“，”volume“：“6”，”author“：”Li“，“year”：“2018”，“期刊标题“：”IEEE Geosci。Remote Sens.Mag.”}，｛“key”：“ref_13”，“非结构化”：“Bishop，C.M.（2006）。模式识别和机器学习，施普林格。”｝，｛“key”：“ref_14”，“第一页”：“11”，“文章标题”：“稳健的主成分分析？”，“卷”：“58”，“作者”：“Li”，“年份”：“2011”，“期刊标题”：“J.ACM”｝，｛“key”：“ref_15”，“doi断言”：“crossref”，“第一页”：“265”，“DOI“：”10.1198\/106186006X113430“，”article-title“：”稀疏主成分分析“，”volume“：”15“，”author“：”Zou“，”year“：”2006“，”journal-title”：“J.Compute。图表。Stat.“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”first page“：“2224”，”doi“：”10.1109 \/JSTARS.2013.2279693“，”article-title“：”（半）监督概率主成分分析用于高光谱遥感图像分类“，”volume“：。遥感器“}，{“key”：“ref_17”，“unstructured”：“Kutluk，S.，Kayanbol，K.，and Akan，A.（9月，1月29日）。使用混合概率主成分分析模型对高光谱图像进行分类。第24届欧洲信号处理会议论文集，匈牙利布达佩斯。”10.1109\/LGRS.2017.2686878“，“article-title”：“基于张量主成分分析的高光谱图像光谱空间特征提取”，“volume”：“14”，“author”：“Ren”，“year”：“2017”，“journal title”：《IEEE Geosci》。遥感快报。“}，{”key“：”ref_19“，”doi-asserted-by“：”crossref“，”first-page“：”40“，”doi“：”10.1109\/TPAMI.2007.250598“，”article-title“：”图形嵌入和扩展：降维的一般框架“，”volume“：“29”，“author”：“Yan”，“year”：“2007”，“journal-title”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，”{“key”：“ref_20”，“doi-assert-by”“：”crossref“，”第一页“：”55“，”DOI“：”10.1109\/MSP.2013.2279894“，”article-title“：”基于流形学习的高光谱数据分类特征提取：流形学习进展综述“，”volume“：”31“，”author“：”Lunga“，”year“：”2014“，”journal-title”：“IEEE Signal Process。Mag.“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”first-pages“：”4435“，”doi“：”10.1109\/TGRS.2018.282040“，”article-title“：”遥感图像配准的引导局部保持特征匹配“，”volume“：“56”，”author“：”Ma“，“year”：“2018”，“journal-title”：“IEEE Trans.Geosci.remote Sens.”}，”{“key”：“ref_22”，“unstructured”：“”Van der Maaten，L.、Postma，E.O.和Van den Herik，H.J.（2008）。《维度缩减：比较评论》，蒂尔堡大学。技术报告。“｝，｛”key“：”ref_23“，”doi asserted by“：”crossref“，”first page“：”331“，”doi“：”10.1016\/j.patcog.2009.05.005“，”文章标题“：”人脸识别应用的稀疏保留投影“，”volume“：”43“，”author“：”Qiao“，”year“：”2010“，”期刊标题“：”Pattern Recognicet.“｝，｛”key“：”ref_24“，”doi asserted by“：”crossref“，”first page“：”20“，”doi“：”10.1016\/j.patcog.2014.07.009“，“article-title”：“一种基于协作表示的特征提取投影方法”，“volume”：“48”，“author”：“Yang”，“year”：“2015”，“journal-title“：“Pattern Recognit”。“}，{”key“：”ref_25“，”doi-asserted-by“：”crossref“，”first page“：“1900”，”doi“：”10.1109\/TCYB.2015.2457611“，”article-title“：”Low-Rank Preserving Projections“，”volume“：：”46“，”author“：”Lu“，“year”：“2016”，”journal-title”：“IEEE Trans.Cybern.”862“，”doi“：”10.1109\/TGRS.2008.2005729“，”文章标题“：”用正则化线性判别分析对高光谱图像进行分类”，“卷”：“47”，“作者”：“Bandos”，“年份”：“2009年”，“期刊标题”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_27“，”doi-asserted-by“：”crossref“，”first page“：“503”，”doi“：”10.1109\/LGRS.2007.900751“，”article-title“：”Modified Fisher\u2019s linear discriminant analysis for hyperspectric images“，”volume“:”4“，”author“：”Du“，“year”：“2007”，“journal-title”：“IEEE Geosci.Remote Sens.Lett.”}，”{“key”：“ref_28”，“first page.”：“1027”，“article-title“：“通过本地fisher判别分析对多模态标记数据进行降维”，“数量”：“8”，“作者”：“杉山”，“年份”：“2007年”，“期刊标题”：“J.Mach。学习。研究“}，{”key“：”ref_29“，”doi-asserted-by“：”crossref“，”first page“：“3262”，”doi“：”10.1109\/JSTARS.2018.2847042“，”article-title“：”使用空间正则化局部图判别嵌入降低高光谱图像的维数“，”volume“:”11“，”author“：”Hang“，”year“：”2018“，”journal-title”：“IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.”}，}“key“：”ref_30“，”doi asserted by“：”crossref“，”首页“：”3872“，”doi“：”10.1109\/TGRS.2013.2277251“，”文章标题“：”基于稀疏图的高光谱图像判别分析“，”卷“：”52“，”作者“：”Ly“，”年份“：”2014“，”期刊标题“：”IEEE Trans。地质科学。遥感“}，{”key“：”ref_31“，”doi-asserted-by“：”crossref“，”first page“：“686”，”doi“：”10.1109\/LGRS.2016.2536658“，”article-title“：”基于加权稀疏图的高光谱图像降维“，”volume“：“：”crossref“，”第一页“：”2688“，”DOI“：”10.1109 \/JSTARS.2014.2315786“，”article-title“：”高光谱图像的基于图形的协同判别分析“，”volume“：”7“，”author“：”Ly“，”year“：”2014“，”journal-title”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_33“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen，M.，Wang，Q.，and Li，X.（2018）.高光谱图像分类的图形学习判别分析.Remote Sens.，10.“，”doi“：”10.3390\/rs10060836“}10.1109\/TGRS.2016.2536685“，“文章标题”：“高光谱图像判别分析的稀疏低阶图”，“卷”：“54”，“作者”：“李”，“年份”：“2016”，“期刊标题”：”IEEE Trans。地质科学。遥感“}，{”key“：”ref_35“，”doi-asserted-by“：”crossref“，”first page“：“934”，”doi“：”10.1109\/TCYB.2016.2533430“，”article-title“：”光谱-空间共享线性回归用于高光谱图像分类“，”volume“：，“第一页“：”2341“，”DOI“：”10.1109\/JSTARS.2014.2360694“，”article-title“：”使用光谱\u2013空间复合核判别分析进行高光谱图像分类“，”volume“：”8“，”author“：”Li“，”year“：”2015“，”journal-title”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”first page“：“1712”，”doi“：”10.1109\/LGRS.2014.2306689“，”article-title“：”使用局部线性嵌入基于稳健空间信息的高光谱图像降维“，”volume“：‘11’，”author“：”Fang“，”year“：”2014“，”journal-title”：“IEEE Geosci.Remote Sens。莱特。“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first page“：“583”，”doi“：”10.1109\/JSTARS.2015.2498664“，”article-title“：”光谱和空间信息的融合，用于通过本地图形对高光谱遥感图像进行分类“，”volume“：‘9’，”author“：”Liao“，“year”：“2016”，”journal-title”：“IEEE J.Sel.Top.Appl.Earth Obs.remote Sens.”}，}“”key“：”ref_39“，”doi-asserted-by“：”crossref“，”first-page“：”4581“，”doi“：”10.1109\/TGRS.2018.2828029“，”article-title“：”SuperPCA:超像素PCA方法，用于高光谱图像的无监督特征提取“，”volume“：“56”，“author”：“Jiang”，“year”：“2018”，“journal-title”：“IEEE Trans。地质科学。遥感器。“}，{”key“：”ref_40“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen，Z.，Jiang，J.，Jiang.，X.，Fang，X.和Cai，Z.（2018）。基于传播滤波器的高光谱图像光谱空间特征提取。传感器，18.“，“doi”：“10.3390\/s18061978”}，}“key”：“ref_41”，“doi-assert-by”：“crossref.”，“first page”：”1082“，”doi“：”10.1109\/TGRS.2014.2333539“，“文章标题”：“基于空间和光谱正则化局部判别嵌入的高光谱图像分类降维”，“卷”：“53”，“作者”：“周”，“年份”：“2015”，“期刊标题”：。地质科学。遥感。“}，{”key“：”ref_42“，”doi-asserted-by“：”crossref“，”unstructured“：”Yuan，H.，Lu，Y.，Yang，L.，Luo，H.和Tang，Y.Y.（2013年1月13日\u201315）。高光谱图像分类的光谱-空间线性判别分析。瑞士洛桑IEEE国际控制论会议论文集。“，doi”：“10.1109 \/CYBConf.2013.6617430“}，{“key”：“ref_43”，“doi-asserted-by”：“crossref”，“unstructured”：“Luo，F.，Du，B.，Zhang，L.，Zhanng，L.和Tao，D.（2018）.使用空间谱超图判别分析进行高光谱图像特征学习.IEEE Trans.Cybern.，in press.”，“doi”：“10.1109”\/TCYB.2018.2810806“}doi-asserted-by“：”crossref“，”unstructured“：”Luo，F.，Huang，H.，Duan，Y.，Liu，J.，and Liao，Y.（2017）。用于高光谱图像降维的局部几何结构特征。遥感，9.“，”DOI“：”10.3390\/rs9080790“}，{“key”：”ref_45“，”DOI-asserted-by“：”crossref“，”first page“：”1579“，“DOI”：”10.1109\/TGRS.2017.2765364“，”article-title“：”2013光谱空间高光谱图像分类的最新进展：概述和新指南“，”volume“：“56”，“author”：“He”，“year”：“2018”，“journal-title”：“”IEEE传输。地质科学。遥感“}，{”key“：”ref_46“，”doi-asserted-by“：”crossref“，”first page“：“2200”，”doi“：”10.1109\/JSTARS.2014.2306956“，”article-title“：”高光谱图像分类的联合课堂协作表示“，”volume“：doi-asserted-by“：”crossref“，”first page“：”3519“，”doi“：”10.1016\/j.patcog.2013.05.017“，”article-title“：”正则化向量场学习，稀疏近似，用于消除失配”，“volume”：“46”，“author”：“Jiayi”，“year”：“2013”，“journal-title”：“Pattern Recognit”。“}，{”key“：”ref_48“，”doi-asserted-by“：”crossref“，”first-page“：”100“，”doi“：”10.1016\/j.inffus.2016.02.001“，”article-title“：”通过梯度转移和总变差最小化实现非稀疏和可见图像融合“，”volume“：“31”，”author“：”Jiayi“，”year“：”2016“，”journal-title，“首页”：“477”，“DOI”：“10.1109\/TGRS.2013.2241773”，“文章标题”：“用于高光谱分类的最近正则化子空间”，“卷”：“52”，“作者”：“Li”，“年份”：“2014”，“期刊标题”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_50“，”unstructured“：”Romay，D.M.G.（2018年12月25日）。高光谱遥感场景。在线获取：http://\/alweb.ehu.es\/ccwintco\/index.php？title=Hyperspectral_Remote_Sensing_Scenes.“}]，”container-title“：[”Remote“]，”original-title:[]，“language”：“en”，“link”：[{“URL”：“https:\/\/www.mdpi.com/2072-4292\/11\/29\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,6,15]]，”date-time“：“2024-06-15T04:16:16Z”，”timestamp“：1718424916000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\\\ http://www.mdpi.com//2072-4292\/11\/29“}}”副标题“：[]，”简短标题“：[]，”发布“：{”日期部分“：[[2018,12,25]]}，”引用计数“：50，”日志发布“：}”问题“：“1”，”在线发布“：”日期部分：[“2072-4292”]，“ISSN-type”：[{“value”：“2072~4292”，“type”:“electronic”}]，“subject”：[]，“已发布”：{“日期部分”：[[2018,12,25]]}}