基于ELM的遥感影像城市道路提取

计算机工程与科学

基于ELM的遥感影像城市道路提取

蔡衡1,2,3，楚恒1,2,4，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:2019-03-12 修回日期:2019-05-30 出版日期:2020-01-25 发布日期:2020-01-25
基金资助:
重庆高校创新团队建设计划(CXTDX201601020)

ELM-based urban road extraction

from remote sensing images

CAI Heng1,2,3,CHU Heng1,2,4,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:2019-03-12 Revised:2019-05-30 Online:2020-01-25 Published:2020-01-25

摘要/Abstract

摘要：

针对高分辨率遥感影像中复杂场景道路提取不理想问题，利用极限学习机ELM的快速学习能力，提出了一种基于ELM的城市道路提取方法。首先，利用改进的布谷鸟搜索CS算法自适应地选择ELM的隐含层节点数，以提高模型的稳定性；其次，引入数据样本蕴含的判别信息，弥补ELM学习不够充分问题，进而提高ELM分类性能；最后，结合数学形态学处理，对提取道路进行优化，获得最终的道路提取效果。遥感影像道路提取实验结果表明，所提方法不仅增强了网络的稳定性，同时还提高了道路提取的精确度，能较好地提取出道路信息。

关键词: 高分辨率遥感影像, 极限学习机, 布谷鸟搜索, 判别信息, 数学形态学

Abstract:

Aiming at the unsatisfactory road extraction of complex scenes and the fast learning ability of Extreme Learning Machine (ELM) in high-resolution remote sensing images, an ELM-based urban road extraction method is proposed. Firstly, the improved Cuckoo Search algorithm (CS) is used to adaptively select the number of hidden layer nodes of the ELM, in order to improve the stability of the model. Secondly, the discriminant information in the data sample is introduced to make up for the insufficient ELM learning, thus improving the ELM classification performance. Finally, the mathematical morphology processing is used to optimize the extracted road so as to obtain the final road extraction effect. The road extraction test results of remote sensing image show that the proposed method not only enhances the stability of the network, but also improves the accuracy of road extraction, and can extract road information better.

Key words: high resolution remote sensing image, Extreme Learning Machine (ELM), Cuckoo Search(CS), discriminant information, mathematical morphology

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.

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

ELM-based urban road extraction

from remote sensing images

[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]	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.
[6]	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.
[7]	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, 2019, 41(10): 1816-1822.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	安静，张贵仓，刘燕妮. 基于多尺度top-hat变换的自适应彩色图像增强[J]. 计算机工程与科学, 2017, 39(07): 1317-1321.
[13]	林要华1，王维2. 基于逐维策略的布谷鸟搜索增强算法[J]. 计算机工程与科学, 2017, 39(01): 165-172.
[14]	周杭霞，叶佳骏，任欢. 基于快速自编码的RELM的文本分类[J]. J4, 2016, 38(05): 871-876.
[15]	阮志毅，沈有建，刘凤玲. 基于数学形态学的模糊集理论在车牌字符识别中的运用[J]. J4, 2016, 38(03): 562-568.