[发明专利]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

说明书

本发明公开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。现有高光谱图像具有图谱合一、光谱分辨率高、光谱范围宽、光谱相关性强等特点，本发明针对高光谱图像分类方法过程复杂且难以实时化的问题，提出基于邻域光谱信息提取空谱特征，为降低算法设计的复杂度，考虑到空谱特征相邻波段间的相关性，先对原始空谱特征向量进行平均分组，然后从每个区间随机选择若干个特征进行组合，利用超限学习机的快速学习能力来训练弱分类器，最后通过投票表决法实现高光谱图像分类。测试表明，该方法无需复杂的优化过程，训练速度快，分类精度高，能够满足高光谱图像分类精度和实时性两方面的需求。

技术领域

本发明属于高光谱遥感图像分类技术领域，涉及一种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。

背景技术

高光谱遥感将成像技术与细分光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，所获取的高光谱图像包含丰富的辐射、空间和光谱三重信息，是多种信息的综合载体。

高光谱图像具有图谱合一、光谱分辨率高、光谱范围宽、光谱相关性强等特点，使得它在目标侦察、地质勘查，海洋环境监测、农业生态调查、植被保护等领域发挥重要的作用。高光谱图像较高的光谱维数和光谱分辨率为地物分类带来巨大的机遇，然而在训练样本有限的情况下，高光谱图像分类处理过程中会遇到Hughes现象，即随着光谱维数的增加，分类精度先增加后降低，存在高的光谱维数和小的样本数目之间的矛盾。

为解决这一问题，可采用特征提取和波段选择等手段对高光谱图像数据进行降维处理。其中特征提取是指根据某种映射规则将高光谱数据投影到一个新的低维特征空间，例如主成分分析(PCA)，独立成分分析(ICA)，流形学习等。波段选择是指按照一定的准则选择具有代表性的波段用于分类，常用的波段分组准则包括波段相关系数、灰度差异、互信息等。此外对分类器进行优化设计也有助于提高高光谱图像数据处理的效率和精度。高光谱图像分类采用的分类器主要包括支持向量机(SVM)、稀疏表示方法、深度学习方法等。

发明内容

本发明的目的是为了解决高光谱图像分类方法过程复杂且难以实时化的问题，提出一种基于特征向量平均分组、随机抽样，与集成超限学习机的高光谱图像分类方法，本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。

为解决上述技术问题，本发明采用的技术方案包括以下步骤：

步骤(1).结合空域信息提取高光谱图像的空-谱联合特征；

步骤(2).融合特征随机抽样、超限学习机与集成学习思想进行分类器训练。

2.1采用随机抽样方法对空-谱特征进行降维处理；

2.2采用具有快速学习能力的超限学习机训练弱分类器；

2.3使用集成学习思想，通过投票表决法将弱分类器组合成强分类器。

利用空间目标邻域的光谱特性具有一定相似性，或属于同一类物质的假设，本发明首先基于目标邻域光谱特征提取特征向量，然后采用集成学习思想设计分类器实现目标类别判定。与传统的集成学习不同，本发明对提取的空-谱特征向量随机抽样重新构建新的特征，利用超限学习机的快速学习能力来训练弱分类器，然后通过投票表决法实现高光谱图像分类。本发明与现有技术相比，其显著优点为：(1)结合空-谱特征能够极大地提高目标识别的准确率。(2)对空-谱特征向量进行平均分组与随机抽样实现特征降维，与基于优化的特征选择方法相比降低了算法设计的复杂度。(3)超限学习机具有可调参数少、训练速度快等优点，采用集成学习思想提高了分类算法的泛化能力和分类精度。

附图说明

图1为基于特征随机抽样和集成超限学习机的高光谱图像快速分类方法流程图；