目的高光譜圖像具有高維度的光譜結(jié)構(gòu),而且鄰近波段之間往往存在大量冗余信息,導致在隨機樣本選擇策略和圖像分類過程中出現(xiàn)選擇波段算法復雜度較高和不適合小樣本的現(xiàn)象。針對該問題,在集成學習算法的基礎(chǔ)上,考慮不同波段在高光譜圖像分類過程中的作用不同,提出一種融合累積變異比和超限學習機的高光譜圖像分類算法。方法定義波段的累積變異比函數(shù)來確定各波段在分類算法的貢獻程度�；诶鄯e變異比函數(shù)剔除低效波段,并結(jié)合空譜特征進行平均分組加權(quán)隨機選擇策略進行數(shù)據(jù)降維。為了進一步提高算法的泛化能力,對降維后提取的空譜特征進行多次樣本重采樣,訓練得到多個超限學習機弱分類器,再將多個弱分類器的結(jié)果通過投票表決法得到最后的分類結(jié)果。結(jié)果實驗使用Indian Pines、Pavia University scene和Salinas這3種典型的高光譜圖像作為實驗標準數(shù)據(jù)集,采用支持向量機（support vector machine,SVM）,超限學習機（extreme learning machine,ELM）,基于二進制多層Gabor超限學習機（ELM with Gabor,GELM）,核函數(shù)超限學習機（ELM wi... 

【文章來源】：中國圖象圖形學報. 2020,25(05)北大核心CSCD

【文章頁數(shù)】：16 頁

【文章目錄】：
0 引言
1 超限學習機基本原理
2 CVQ-EELM模型
    2.1 標準化數(shù)據(jù)集
    2.2 波段的累積變異函數(shù)
    2.3 基于累積變異比的數(shù)據(jù)降維
    2.4 空譜聯(lián)合特征
    2.5 投票法的集成超限學習機組合分類
    2.6 算法的操作過程
3 實驗分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]面向不平衡數(shù)據(jù)流的自適應(yīng)加權(quán)在線超限學習機算法[J]. 梅穎,盧誠波.  模式識別與人工智能. 2019(02)
[2]基于邊緣修正的高光譜圖像超像素空譜核分類方法[J]. 陳允杰,馬辰陽,孫樂,詹天明.  電子學報. 2019(01)
[3]融合空譜特征和集成超限學習機的高光譜圖像分類[J]. 谷雨,徐英,郭寶峰.  測繪學報. 2018(09)
[4]基于深度極限學習機的高光譜遙感影像分類研究[J]. 呂飛,韓敏.  大連理工大學學報. 2018(02)
[5]基于超限學習機的快速癌癥檢測方法[J]. 林宇鵬,謝智歌,徐凱,陳飛,劉利剛.  中國科學技術(shù)大學學報. 2018(02)
[6]變異系數(shù)降維的CNN高光譜遙感圖像分類[J]. 張康,黑保琴,周壯,李盛陽.  遙感學報. 2018(01)
[7]結(jié)合超像元和子空間投影支持向量機的高光譜圖像分類[J]. 冉瓊,于浩洋,高連如,李偉,張兵.  中國圖象圖形學報. 2018 (01)
[8]基于卷積遞歸神經(jīng)網(wǎng)絡(luò)和核超限學習機的3D目標識別[J]. 劉陽陽,張駿,高欣健,張旭東,高雋.  模式識別與人工智能. 2017(12)
[9]深度學習在高光譜圖像分類領(lǐng)域的研究現(xiàn)狀與展望[J]. 張?zhí)栧?李映,姜曄楠.  自動化學報. 2018(06)
[10]面向目標檢測基于稀疏表示的波段選擇方法[J]. 唐意東,黃樹彩,薛愛軍.  電子學報. 2017(10)



本文編號：3179270