ELM与SVM在高光谱遥感图像监督分类中的比较研究

论文摘要

在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类的速度与精度。将空间信息提取方法分水岭法与极限学习机(ELM)和支持向量机(SVM)相结合,对两种分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。以意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳三角洲Hyperion高光谱遥感数据进行试验,首先对原始图像数据进行预处理,对不同地物类别选取适当的训练样本作为分类的参考区域,然后对各类别的光谱特征进行分析,并分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。实验结果表明:在分类时间及精度方面,极限学习机(ELM)均优于支持向量机(SVM);在分类过程中引入空间特征信息,可有效提高分类精度。

论文目录

• 1 引 言
• 2 算法原理
•   2.1 极限学习机 （ELM）
•   2.2 支持向量机 （SVM）
•   2.3 基于光谱—空间特征的图像分割方法
• 3 结果分析
•   3.1 试验数据集
•   3.2 训练样本选取
•   3.3 基于光谱特征的实验过程与结果
•   3.4 基于光谱特征与空间特征相结合的实验过程与结果
• 4 结 语

文章来源

类型: 期刊论文

作者: 牟多铎,刘磊

关键词: 高光谱遥感,监督分类,极限学习机,支持向量机,时间与精度

来源: 遥感技术与应用 2019年01期

年度: 2019

分类: 基础科学,信息科技,工程科技Ⅱ辑

专业: 工业通用技术及设备,自动化技术

单位: 长安大学地球科学与资源学院

基金: 陕西省创新能力支撑计划(2018KJXX-062),中央高校基本科研业务费专项资金(300102278303)

分类号: TP751;TP181

页码: 115-124

总页数: 10

文件大小: 1652K

下载量: 527