[发明专利]基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法

说明书

本发明公开了一种基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法，包括下列步骤：首先构建多个ELM基分类器，并为每个ELM基分类器构建一个训练数据集；然后基于各ELM基分类器的训练数据集分别对T个ELM基分类器进行训练，得到各训练数据集中的训练样本的分类预测结果；再基于分类预测结果对构建的ELM基分类器集进行修剪处理；最后对待分类的高光谱遥感影像，提取每个像素点的光谱特征，得到待分类对象的特征数据并输入到修剪处理后保留的分类器集合中各ELM基分类器中，对待分类的高光谱遥感影像进行集成分类判决，输出待分类的高光谱遥感影像的分类结果。本发明实现了一种提升分类精度、分类处理效率的高光谱遥感影像土地利用覆盖的优化分类方法。

技术领域

本发明属于空间信息技术领域，具体涉及基于极限学习机(Extreme LearningMachine,ELM)的高光谱遥感影像分类优化方法。

背景技术

高光谱影像数据包含丰富的信息，具有多波段、高分辨率、邻近宽带相关性和冗余性等优点，因此对地物进行辨识和精细分类的能力比其它遥感影像更强。鉴于高光谱影像的巨大优势，利用它进行土地利用覆盖分类已成为遥感影像土地利用覆盖分类中的研究热点。然而，高光谱遥感影像在促进土地利用覆盖分类取得快速发展和突破的同时，也为我们带来了一些技术难题，主要包括多波段带来的数据量大，处理复杂，效率低等问题，因此如何充分有效的利用这些海量复杂的遥感数据为土地利用分类服务成为了一个极大的挑战。

在利用遥感影像进行土地覆盖分类的研究中，研究人员起初多是采用目视解译和传统的模式识别分类方法，诸如最小距离法、最大似然法、ISODATA方法等。目视解译操作简单，但耗费时间较长，并且存在个人差异导致分类不准确；而模式识别分类方法虽然克服了目视解译的一些不足，但却不善于提取空间信息，灵活性也较差。后来，随着遥感技术和计算机技术的不断发展，许多新的分类方法逐渐涌现，主要有人工神经网络(ArtificialNeural Network,ANN)分类法、支持向量机(Support Vector Machine,SVM)分类法、模糊数学(Fuzzy Theory)分类法以及专家系统分类法等遥感图像计算机分类方法，从算法上进行改进以提高分类精度，但效果仍不是特别理想，仍存在处理规模过大、计算复杂以及极易陷入极小值等问题，尤其是在分类效率和速度上已很难满足当前应用的需求，无法很好的解决高光谱遥感影像用于土地利用分类的诸多难题。

极限学习机(Extreme Learning Machine,ELM)算法是新加坡南洋理工大学的黄广斌教授于2006年提出的一种快速机器学习算法，属于单隐层前馈神经网络，它的显著优势在于学习速度快，泛化性能良好以及在分类过程中能够达到较高的分类精度和极少的人工干预，因此备受研究学者们的广泛青睐。近年来，ELM凭借其众多优点已广泛应用于人脸识别、故障诊断、图像分类、气象预测等领域，ELM也逐渐应用于高光谱遥感影像土地利用分类，有效克服了该领域所面临的发展瓶颈，在分类效率和速度上具有显著优势，极大促进了土地利用分类方法的发展。

目前，将ELM应用于高光谱遥感影像分类的研究成果和资料还不够充足，因此对其做进一步的研究能够丰富和验证现有成果，对该领域的发展具有重要的意义。此外，基于ELM的高光谱遥感影像分类方法虽然在分类速度和效率上具有显著优势，但ELM本身存在不稳定性，鲁棒性较差的缺点，并且由于未能充分发掘利用高光谱遥感影像丰富的信息所带来的分类精度偏低等问题仍亟待解决。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法，提升分类精度。

本发明的基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法，包括下列步骤：

步骤1：构建多个ELM基分类器，并为每个ELM基分类器构建一个训练数据集：

对作为训练样本的高光谱遥感影像中提取每个像素点的光谱特征，得到每个训练样本的光谱特征数据；