高分辨率遥感影像的多特征多核ELM分类方法

计算机工程与科学

高分辨率遥感影像的多特征多核ELM分类方法

楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3

(1.重庆邮电大学通信与信息工程学院，重庆 400065；2.重庆高校市级光通信与网络重点实验室，重庆 400065；

3.泛在感知与互联重庆市重点实验室，重庆 400065；4.重庆市勘测院，重庆 400020)

收稿日期:2018-11-15 修回日期:2019-01-25 出版日期:2019-10-25 发布日期:2019-10-25
基金资助:
重庆高校创新团队建设计划(CXTDX201601020)

A multi-feature multi-kernel ELM classification

method for high resolution remote sensing images

#br#

CHU Heng1,2,3,4,CAI Heng1,2,3,SHAN De-ming1,2,3

(1.School of Communication and Information Engineering,

Chongqing University of Posts and Telecommunications,Chongqing 400065;

2.Key Laboratory of Optical Communication and Network in Chongqing,Chongqing 400065;

3.Key Laboratory of Ubiquitous Sensing and Networking in Chongqing,Chongqing 400065；

4.Chongqing Survey Institute,Chongqing 400020,China)

Received:2018-11-15 Revised:2019-01-25 Online:2019-10-25 Published:2019-10-25

摘要/Abstract

摘要：

针对高分辨率遥感影像地物分布复杂多变，利用ELM的快速分类性能，提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域；然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息，并提取分割对象的光谱特征与空间特征；最后以多种核函数加权组合的方式构建多核ELM对影像分类，获得最终的分类结果。实验结果表明，所提方法不仅降低了对目标训练样本的要求，同时还提高了分类的准确性、及时性和完整性。

关键词: 高分辨率遥感影像, 极限学习机, 多尺度分割, 区域合并, 核函数

Abstract:

Given the complex and variable distribution of high-resolution remote sensing images and the fast classification performance of the extreme learning machine (ELM), we propose a multi-feature multi-kernel high-resolution remote sensing image classification method based on ELM. Firstly, the original image is roughly divided into several feature regions by the multi-scale segmentation algorithm. Then the object information of typical earth features is obtained by merging the coarse segmentation images according to the region merging criterion, and the spectral features and spatial features of the segmentation objects are extracted. A multi-kernel ELM via weighted combination of kernel functions is used to classify images, and the final classification results are obtained. Experimental results show that the proposed method not only reduces the requirements for the target training samples, but also improves the accuracy, timeliness and integrity of the classification.

Key words: high resolution remote sensing image, extreme learning machine, multi-scale segmentation, region merging, kernel function

楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3. 高分辨率遥感影像的多特征多核ELM分类方法[J]. 计算机工程与科学.

CHU Heng1,2,3,4,CAI Heng1,2,3,SHAN De-ming1,2,3.

A multi-feature multi-kernel ELM classification

method for high resolution remote sensing images

#br#

[J]. Computer Engineering & Science.

[1]	周伯荣, 程伟国, 许镇义, 温秀兰. 基于改进在线极限学习机的短时交通流预测模型研究[J]. 计算机工程与科学, 2022, 44(05): 944-950.
[2]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[3]	董宏成, 文志云, 万玉辉, 晏飞扬, . 基于DPC聚类重采样结合ELM的不平衡数据分类算法[J]. 计算机工程与科学, 2021, 43(10): 1856-1863.
[4]	陈文兵, 李育霖, 陈允杰. 一种基于CNN-SE-ELM的年龄和性别识别模型[J]. 计算机工程与科学, 2021, 43(05): 872-882.
[5]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[6]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[7]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[8]	吕治政, 李扬定, 雷聪. 基于核稀疏表示的属性选择算法[J]. 计算机工程与科学, 2020, 42(01): 166-177.
[9]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.
[10]	颜学龙,汪斌斌. 自适应狼群算法优化ELM的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(02): 246-252.
[11]	王琳琳1，刘敬浩1，付晓梅2. 基于极限学习机与改进K-means算法的入侵检测方法[J]. 计算机工程与科学, 2018, 40(08): 1398-1404.
[12]	蔡国永,毕梦莹,刘建兴. 基于标记信息级联传播树特征的谣言检测新方法[J]. 计算机工程与科学, 2018, 40(08): 1488-1495.
[13]	周华平，袁月. 改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究[J]. 计算机工程与科学, 2017, 39(11): 2145-2152.
[14]	周书仁1,2，曹思思1,2，蔡碧野1,2. 基于改进极限学习机算法的行为识别[J]. 计算机工程与科学, 2017, 39(09): 1749-1757.
[15]	余胜威，曹中清. 基于分数阶达尔文粒子群FODPSO算法的图像分割[J]. 计算机工程与科学, 2016, 38(09): 1836-1842.