[发明专利]基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法

摘要

本发明公开了一种基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法，包括下列步骤：首先构建多个ELM基分类器，并为每个ELM基分类器构建一个训练数据集；然后基于各ELM基分类器的训练数据集分别对T个ELM基分类器进行训练，得到各训练数据集中的训练样本的分类预测结果；再基于分类预测结果对构建的ELM基分类器集进行修剪处理；最后对待分类的高光谱遥感影像，提取每个像素点的光谱特征，得到待分类对象的特征数据并输入到修剪处理后保留的分类器集合中各ELM基分类器中，对待分类的高光谱遥感影像进行集成分类判决，输出待分类的高光谱遥感影像的分类结果。本发明实现了一种提升分类精度、分类处理效率的高光谱遥感影像土地利用覆盖的优化分类方法。

主权项

1.基于ELM的高光谱遥感影像土地利用覆盖的优化分类方法，其特征在于，包括下列步骤：步骤1：构建多个ELM基分类器，并为每个ELM基分类器构建一个训练数据集：对作为训练样本的高光谱遥感影像中提取每个像素点的光谱特征，得到每个训练样本的光谱特征数据；从所欲训练样本中选择N个具有代表性的训练样本作为初始训练集，基于初始训练集的各训练样本的光谱特征数据和真实分类标签得到初始训练数据集；对所述初始训练数据集中每次随机有放回抽取n个样本组成一个训练数据集，循环T次，得到T个不同的训练数据集，其中T表示构建的ELM基分类器数量，其中n＜N；将T个训练数据集分配给构建的T个ELM基分类器，得到每个ELM基分类器训练数据集；步骤2：基于各ELM基分类器的训练数据集分别对T个ELM基分类器进行训练，得到每个训练数据集中的训练样本的分类预测结果；基于分类预测结果对构建的T个ELM基分类器进行修剪处理：步骤201：对每个ELM基分类器分别训练多次，每次训练完成后，基于当前分类预测结果判断分类精度是否小于预设阈值a，若是，则删除当前ELM基分类器；步骤202：基于未删除的ELM基分类器得到初始分类器集合；步骤203：对上一个待检测分类器集合中的ELM基分类器进行集成，分别计算删除待检测分类器集合中的其中一个ELM基分类器后的集成分类误差，将所述集成分类误差作为当前被删除的ELM基分类器的检测度量值；其中，上一个待检测分类器集合的初始值为初始分类器集合；所述集成分类误差基于对训练样本的集成分类判决的分类结果与训练样本的真实类别标签获得；步骤204：删除检测度量值最小的ELM基分类器得到当前待检测分类器集合，并将删除的ELM基分类器检测度量值作为当前待检测分类器集合的度量值；若当前待检测分类器集合只存在1个ELM基分类器，则执行步骤205；否则循环执行步骤203至204；步骤205：将度量值最小的待检测分类器集合作为修剪处理后保留的分类器集合；步骤3：对待分类的高光谱遥感影像，提取每个像素点的光谱特征，得到待分类对象的特征数据；再将待分类对象的特征数据输入到修剪处理后保留的分类器集合中各ELM基分类器中，对待分类的高光谱遥感影像进行集成分类判决，输出待分类的高光谱遥感影像的分类结果；其中，基于多个ELM基分类器进行集成分类判决时，确定当前分类对象的分类结果的方式具体为：统计各ELM基分类器对分类对象的分类结果的类别投票，若存在某个类别的投票结果为100％，则直接该类别作为集成分类判决的分类结果；否则计算每个ELM基分类器的局部置信度，并依据局部置信度判断分类结果：若存在唯一一个局部置信度高于给定的阈值c的ELM基分类器，则直接将该ELM基分类器的分类结果作为集成分类判决的分类结果；若局部置信度高于给定的阈值c的ELM基分类器数量大于1或者所有的局部置信度均低于c，则从所有ELM基分类器中选择分类精度最高的ELM基分类器的分类结果作为集成分类判决的分类结果。