[发明专利]基于超像素轮廓和改进PSO-ELM的空谱主动学习高光谱分类方法

权利要求书

1.一种基于超像素轮廓和改进PSO-ELM的空谱主动学习高光谱分类方法，其特征在于，包括如下步骤：

步骤1：输入高光谱遥感影像原始数据集；

步骤2：对输入的高光谱遥感影像原始数据集进行归一化处理，得到归一化后的高光谱遥感影像数据集；

步骤3：利用主成分分析法提取高光谱影像的光谱信息，得到前F个主成分图像作为后续图像，具体方法为：

步骤3.1：计算归一化后高光谱遥感影像数据集的协方差矩阵；

步骤3.2：根据协方差矩阵，求得对应的特征值和特征向量，得到特征值大的前F个主成分图像，并将得到主成分图像作为后续使用图像；

步骤4：通过构造扩展超像素轮廓ESPP来整合主成分图像的光谱和空间信息；

步骤5：根据步骤4构建的ESPP得到的主成分图像空谱特征获取超像素数据D_AL，使其适用于主动学习；

步骤6：将自适应粒子群算法与极限学习机ELM相结合，提出了一种改进的极限学习机模型，这种改进的极限学习机ELM模型采用自适应粒子群算法来选择输入权值，以提高泛化性能和单隐层前馈神经网络SLFN的调节效果；

步骤7：从步骤5中得到的主成分图像空谱特征的超像素数据D_AL中随机选取少数样本并分配类别标签对步骤6中的改进ELM模型进行训练，当前训练样本的标签保留在标签池L中；

步骤8：将已选择的样本从所有样本集中移除，其余的样本保存在一个未标记的样本池U中；在每次迭代中，利用基于不确定性、多样性组合条件设计的查询函数对样本的信息量进行评估，根据样本信息量的大小，从U中选择一批信息量大的样本分配它们的类别标签并被附加到标签池L中来更新L；

步骤9：使用更新后的L对改进的ELM模型进行再训练，直到满足迭代停止条件；

步骤10：使用训练后的模型对超像素进行数据分类，得到每个类别，并将每个类别分别赋值给本类别所包含的每个像素点，达到了高光谱遥感图像分类的目的。

2.根据权利要求1所述的基于超像素轮廓和改进PSO-ELM的空谱主动学习高光谱分类方法，其特征在于，所述步骤3.1的具体方法为：

步骤3.1.1：将归一化后高光谱遥感影像数据集记为：

其中，m＝A×B为一个A行B列的高光谱影像的像素点个数，n表示高光谱影像的波段数，x_mn表示第n个波段的第m个像素点；n个波段也代表具有n个特征；

步骤3.1.2：计算第i个波段所有像素的均值，如下公式所示：

其中，1≤k≤m，1≤i≤n，为第i个波段所有像素的均值，x_ki表示第i个波段的第k个像素点值；

步骤3.1.3：计算高光谱影像数据集的协方差矩阵C，如下公式所示：

其中，T为矩阵转置运算，x_k表示第k个像素点。