[發明專利]基于特征隨機抽樣集成超限學習機的高光譜圖像分類方法

有效

• 申請號: 201710357950.3
• 申請日: 2017-05-19
• 公開（公告）號: CN107194423B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 徐英;谷雨;馮秋晨;郭寶峰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N20/10
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 杜軍

本發明公開基于特征隨機抽樣集成超限學習機的高光譜圖像分類方法。現有高光譜圖像具有圖譜合一、光譜分辨率高、光譜范圍寬、光譜相關性強等特點，本發明針對高光譜圖像分類方法過程復雜且難以實時化的問題，提出基于鄰域光譜信息提取空譜特征，為降低算法設計的復雜度，考慮到空譜特征相鄰波段間的相關性，先對原始空譜特征向量進行平均分組，然后從每個區間隨機選擇若干個特征進行組合，利用超限學習機的快速學習能力來訓練弱分類器，最后通過投票表決法實現高光譜圖像分類。測試表明，該方法無需復雜的優化過程，訓練速度快，分類精度高，能夠滿足高光譜圖像分類精度和實時性兩方面的需求。

技術領域

本發明屬于高光譜遙感圖像分類技術領域，涉及一種基于特征隨機抽樣集成超限學習機的高光譜圖像分類方法。

背景技術

高光譜遙感將成像技術與細分光譜技術結合在一起，在對目標的空間特征成像的同時，對每個空間像元經過色散形成幾十乃至幾百個窄波段以進行連續的光譜覆蓋，所獲取的高光譜圖像包含豐富的輻射、空間和光譜三重信息，是多種信息的綜合載體。

高光譜圖像具有圖譜合一、光譜分辨率高、光譜范圍寬、光譜相關性強等特點，使得它在目標偵察、地質勘查，海洋環境監測、農業生態調查、植被保護等領域發揮重要的作用。高光譜圖像較高的光譜維數和光譜分辨率為地物分類帶來巨大的機遇，然而在訓練樣本有限的情況下，高光譜圖像分類處理過程中會遇到Hughes現象，即隨著光譜維數的增加，分類精度先增加后降低，存在高的光譜維數和小的樣本數目之間的矛盾。

為解決這一問題，可采用特征提取和波段選擇等手段對高光譜圖像數據進行降維處理。其中特征提取是指根據某種映射規則將高光譜數據投影到一個新的低維特征空間，例如主成分分析(PCA)，獨立成分分析(ICA)，流形學習等。波段選擇是指按照一定的準則選擇具有代表性的波段用于分類，常用的波段分組準則包括波段相關系數、灰度差異、互信息等。此外對分類器進行優化設計也有助于提高高光譜圖像數據處理的效率和精度。高光譜圖像分類采用的分類器主要包括支持向量機(SVM)、稀疏表示方法、深度學習方法等。

發明內容

本發明的目的是為了解決高光譜圖像分類方法過程復雜且難以實時化的問題，提出一種基于特征向量平均分組、隨機抽樣，與集成超限學習機的高光譜圖像分類方法，本方法能夠快速地完成高光譜圖像分類，能夠滿足高光譜圖像分類精度的需求。

為解決上述技術問題，本發明采用的技術方案包括以下步驟：

步驟(1).結合空域信息提取高光譜圖像的空-譜聯合特征；

步驟(2).融合特征隨機抽樣、超限學習機與集成學習思想進行分類器訓練。

2.1采用隨機抽樣方法對空-譜特征進行降維處理；

2.2采用具有快速學習能力的超限學習機訓練弱分類器；

2.3使用集成學習思想，通過投票表決法將弱分類器組合成強分類器。

利用空間目標鄰域的光譜特性具有一定相似性，或屬于同一類物質的假設，本發明首先基于目標鄰域光譜特征提取特征向量，然后采用集成學習思想設計分類器實現目標類別判定。與傳統的集成學習不同，本發明對提取的空-譜特征向量隨機抽樣重新構建新的特征，利用超限學習機的快速學習能力來訓練弱分類器，然后通過投票表決法實現高光譜圖像分類。本發明與現有技術相比，其顯著優點為：(1)結合空-譜特征能夠極大地提高目標識別的準確率。(2)對空-譜特征向量進行平均分組與隨機抽樣實現特征降維，與基于優化的特征選擇方法相比降低了算法設計的復雜度。(3)超限學習機具有可調參數少、訓練速度快等優點，采用集成學習思想提高了分類算法的泛化能力和分類精度。

附圖說明

圖1為基于特征隨機抽樣和集成超限學習機的高光譜圖像快速分類方法流程圖；