基于极限学习机的GF-2影像分类

摘要：

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中.极限学习机(extreme learning machine,ELM)以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用.本文采用训练速度快、运算量小的极限学习机算法与支持向量机(support vector machines,SVM)算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能.选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类.研究结果表明,极限学习机算法分类图像总体分类精度达到85% 以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值.

关键词：极限学习机、遥感图像分类、GF-2影像、监督分类、支持向量机

所属期刊栏目：48

分类号：P237;P627(摄影测量学与测绘遥感)

资助基金：国家自然科学基金项目41430322;国土资源部城市土地资源监测与仿真重点实验室开放基金项目KF-2016-02-008;区域开发与环境响应湖北省重点实验室开放研究基金项目2015B003 Supported by National Natural Science Foundation of China41430322;Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation,Ministry of Land and ResourcesKF-2016-02-008;Open Research Fund Program of Hubei Province Key Laboratory of Regional Development and Environmental Response2015B003

在线出版日期：2018-05-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：373-378