[发明专利]一种基于基础超限学习机的高光谱图像分类方法及装置

说明书

本发明公开了一种基于基础超限学习机的联合空间‑光谱信息的高光谱图像分类方法包括：在高光谱数据集中选取训练样本，通过训练样本的光谱信息、空间信息和训练样本的类别矩阵训练超限学习机，计算超限学习机的输出权重；将待测样本输入超限学习机中，根据所述待测样本的光谱信息、空间信息和所述输出权重计算输出矩阵，所述输出矩阵的每一列对应所述待测样本的一个像素点；将所述输出矩阵中目标列的最大值对应的行号作为所述目标列对应像素点的类别。本发明公开的高光谱图像分类方法将光谱信息和空间信息结合，继承了超限学习机的高速性的同时，极大提升了高光谱数据集的分类精度。本发明还公开了一种高光谱图像分类装置，同样能实现上述技术效果。

技术领域

本发明涉及高光谱图像领域，更具体地说，涉及一种基于基础超限学习机的联合空间-光谱信息的高光谱图像分类方法及装置。

背景技术

高光谱图像分类是高光谱图像研究的主要任务，它也是高光谱图像重要的信息获取手段。高光谱图像分类的主要方法是根据待测地物的光谱信息和空间信息将图像中的每个像素划分为不同的类别。目前已经有很多优秀的算法用于解决高光谱图像分类问题，比如支持向量机，k近邻法，半监督学习算法，基于核的学习算法等等，虽然这些算法都取得了比较好的效果，然而由于高光谱中每个像素点的数据结构复杂、数据维度大，同时需要进行分类计算的待测样本巨大，所以在实现高精度的分类的同时减少时间的消耗是一个很大的挑战。

超限学习机是一个单隐层前馈神经网络，一旦它的网络架构固定(即隐藏层节点数量固定)，就不需要调节关于隐藏层的相关参数了，且这些参数是在一定范围内随机产生且独立于训练样本和测试样本的。很多的分段连续函数都可以作为其隐藏节点的激活函数，比如径向基函数，sigmoid函数，正弦函数等等。由于超限学习机算法只包含了最小二乘法，因此它是一种结构非常简单、时间消耗少的方法。

将基础超限学习机扩展到核学习框架中可以进一步提高超限学习机的分类精度。然而由于这些方法都只利用到了高光谱图像的光谱信息，而忽略了非常重要的空间信息，而且相邻的像素点通常都是属于同一个类的，空间信息的浪费使得只利用光谱信息的基于超限学习机的高光谱图像分类算法的分类精度并不是很高。

因此，如何在时间消耗较少的情况下实现高光谱图像高精度的分类是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于基础超限学习机的联合空间-光谱信息的高光谱图像分类方法及装置，在时间消耗较少的情况下实现高光谱图像高精度的分类。

为实现上述目的，本发明实施例提供了一种基于基础超限学习机的联合空间-光谱信息的高光谱图像分类方法，包括：

在高光谱数据集中选取训练样本，通过所述训练样本的光谱信息、空间信息和所述训练样本的类别矩阵训练超限学习机，计算所述超限学习机的输出权重；

将待测样本输入所述超限学习机中，根据所述待测样本的光谱信息、空间信息和所述输出权重计算输出矩阵，所述输出矩阵的每一列对应所述待测样本的一个像素点；

将所述输出矩阵中目标列的最大值对应的行号作为所述目标列对应像素点的类别。

其中，所述在高光谱数据集中选取训练样本之前，还包括：

将高光谱数据集中的数据进行归一化处理。

其中，通过所述训练样本的光谱信息、空间信息和所述训练样本的类别矩阵训练超限学习机，计算所述超限学习机的输出权重，包括：

选取非线性分段函数，并为所述训练样本中的每个像素点随机生成权重值和偏置值；

通过所述权重值、所述偏置值、所述非线性分段函数、所述训练样本的空间信息和光谱信息，计算所述训练样本对应的光谱信息隐藏层输出矩阵和空间信息隐藏层输出矩阵；