[发明专利]基于累积变异比的集成超限学习机高光谱图像分类方法

说明书

本发明公开了一种基于累积变异比的集成超限学习机高光谱图像分类方法，首先定义了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；然后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降维；最后，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，得到最后的分类结果。采用典型的高光谱数据集进行测试，实验结果表明，本发明提出的方法具有确定参数少，总体分类精度较高的优点，本发明能够有效地提高高光谱图像分类的精度，能够快速地完成高光谱图像分类，能够满足高光谱图像分类精度的需求。

技术领域

本发明属于高光谱图像分类的技术领域，尤其涉及一种基于累积变异比的集成超限学习机高光谱图像分类方法。

背景技术

经过20世纪后半叶的发展，遥感技术在理论、技术及应用方面发生了重大的变化。其中，高光谱图像遥感技术无疑是遥感技术重大变化中十分重要的一个方面。高光谱数据具有更丰富的连续谱段信息，增强了空间信息、光谱信息和辐射信息识别目标区域的能力，被广泛应用到环境监测，岩矿物质识别，精准农业及军事目标监测等很多领域。研究高光谱图像的分类可以更好的挖掘图像的深层信息。但是，高维度的光谱结构也为高光谱图像处理带来了新的挑战，由于邻近波段之间往往存在大量的冗余信息，高维度的数据结构往往会导致“Hughes”现象，即小样本数目与高光谱维数之间的矛盾，并且会增加存储空间与算法计算复杂度上的负担，因此如何在训练样本数量有限的情况下达到理想的分类精度仍然是一个具有挑战性的任务。

支持向量机在高光谱图像空谱综合分类模型中，对几何特征空间下的超像元分割与光谱特征空间下的子空间投影，采用分割后进行特征融合的处理方式，将像元级别转换为面向对象的超像元级别，实现高光谱图像空谱综合分类，得到较高的高光谱图像分类精度。支持向量机存在一下缺点：1)较慢的学习速度；2)受人工干预较强；3)较差的计算可扩展性。一般都需要配合有效的降维算法，才能够获得较高的分类精度，无法在一个框架下既实现特征提取，又实现分类。

超限学习机(Extreme Learning Machine，ELM)是一种单隐层前馈神经网络，由于网络输入权重和隐层节点参数随机选取，因此得到输出权重矩阵并建立网络通过求解隐含层输出权重的伪逆即可。同传统BP神经网络和支持向量机等分类器相比，ELM计算速度较快，可调参数少，拥有更好的识别效率和泛化能力。专利CN107194423A(公布日期2017年09月22日)提出了基于特征随机抽样集成超限学习机的高光谱图像分类方法，该方法计算复杂度较低且容易实现。联合空谱特征并采用平均分组随机抽样方法进行高光谱数据降维，该方法计算复杂度较低且容易实现，但并没有考虑到每一组波段对于高光谱数据分类的贡献程度，导致将每一组样本等同看待，没有对样本进行优化选择处理，从而影响了算法的计算效率。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于累积变异比的集成超限学习机高光谱图像分类方法，能够快速地完成高光谱图像分类，能够满足高光谱图像分类精度的需求。

为了解决上述技术问题，本发明提供一种基于累积变异比的集成超限学习机高光谱图像分类方法，包括以下步骤：

步骤1：标准化高光谱数据集，确定类别标签矩阵；

步骤2：计算波段的累积变异比函数并剔除低效波段；

步骤3：利用加权随机选择法进行数据降维；

步骤4：联合空谱特征的集成超限学习机高光谱图像分类。

可选的，所述步骤2的具体过程为：

步骤21：计算所有波段各自的类内累积变异函数并求出其二范数；

步骤22：计算所有波段各自的整体累积变异函数并求出其二范数；