基于特征融合的极限学习机图像分类方法

摘要：

针对遥感图像分类结果受外界因素影响大、实时性较差等问题,提出一种融合图像卷积神经网络(Convolutional Neural Networks,CNN)特征和尺度不变特征变换(Scale Invariant Feature Transformation,SIFT)特征,结合极限学习机(Extreme Learn-ing Machine,ELM)对遥感图像进行分类的方法.上述方法将CNN提取的整体特征和SIFT提取的局部特征相结合,并通过数据预处理降低了阴影、光照等外界因素对分类性能的影响;同时,通过图像信息熵改进的主成分分析(Principal Compo-nents Analysis,PCA)对融合后的特征降维,减少了数据维度的同时大大减少了数据降维过程中的计算量,提高了分类的实时性.最后,将得到的图像特征输入ELM分类器进行分类.用卫星遥感图像进行了仿真研究,结果表明该方法能有效提高图像分类准确率,具有良好的泛化性及实时性.

关键词：图像分类、卷积神经网络、尺度不变特征变换、特征融合、极限学习机、降维

所属期刊栏目：38

分类号：TP183(自动化基础理论)

在线出版日期：2021-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：388-392