融合累积变异比和集成超限学习机的高光谱图像分类

发布时间：2021-05-10 11:16

　　目的高光谱图像具有高维度的光谱结构,而且邻近波段之间往往存在大量冗余信息,导致在随机样本选择策略和图像分类过程中出现选择波段算法复杂度较高和不适合小样本的现象。针对该问题,在集成学习算法的基础上,考虑不同波段在高光谱图像分类过程中的作用不同,提出一种融合累积变异比和超限学习机的高光谱图像分类算法。方法定义波段的累积变异比函数来确定各波段在分类算法的贡献程度。基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择策略进行数据降维。为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决法得到最后的分类结果。结果实验使用Indian Pines、Pavia University scene和Salinas这3种典型的高光谱图像作为实验标准数据集,采用支持向量机（support vector machine,SVM）,超限学习机（extreme learning machine,ELM）,基于二进制多层Gabor超限学习机（ELM with Gabor,GELM）,核函数超限学习机（ELM wi... 

【文章来源】：中国图象图形学报. 2020,25(05)北大核心CSCD

【文章页数】：16 页

【文章目录】：
0 引言
1 超限学习机基本原理
2 CVQ-EELM模型
    2.1 标准化数据集
    2.2 波段的累积变异函数
    2.3 基于累积变异比的数据降维
    2.4 空谱联合特征
    2.5 投票法的集成超限学习机组合分类
    2.6 算法的操作过程
3 实验分析
4 结论


【参考文献】：
期刊论文
[1]面向不平衡数据流的自适应加权在线超限学习机算法[J]. 梅颖,卢诚波.  模式识别与人工智能. 2019(02)
[2]基于边缘修正的高光谱图像超像素空谱核分类方法[J]. 陈允杰,马辰阳,孙乐,詹天明.  电子学报. 2019(01)
[3]融合空谱特征和集成超限学习机的高光谱图像分类[J]. 谷雨,徐英,郭宝峰.  测绘学报. 2018(09)
[4]基于深度极限学习机的高光谱遥感影像分类研究[J]. 吕飞,韩敏.  大连理工大学学报. 2018(02)
[5]基于超限学习机的快速癌症检测方法[J]. 林宇鹏,谢智歌,徐凯,陈飞,刘利刚.  中国科学技术大学学报. 2018(02)
[6]变异系数降维的CNN高光谱遥感图像分类[J]. 张康,黑保琴,周壮,李盛阳.  遥感学报. 2018(01)
[7]结合超像元和子空间投影支持向量机的高光谱图像分类[J]. 冉琼,于浩洋,高连如,李伟,张兵.  中国图象图形学报. 2018 (01)
[8]基于卷积递归神经网络和核超限学习机的3D目标识别[J]. 刘阳阳,张骏,高欣健,张旭东,高隽.  模式识别与人工智能. 2017(12)
[9]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠.  自动化学报. 2018(06)
[10]面向目标检测基于稀疏表示的波段选择方法[J]. 唐意东,黄树彩,薛爱军.  电子学报. 2017(10)



本文编号：3179270