CN110852371A - 基于累积变异比的集成超限学习机高光谱图像分类方法 - Google Patents
基于累积变异比的集成超限学习机高光谱图像分类方法 Download PDFInfo
- Publication number
- CN110852371A CN110852371A CN201911077574.8A CN201911077574A CN110852371A CN 110852371 A CN110852371 A CN 110852371A CN 201911077574 A CN201911077574 A CN 201911077574A CN 110852371 A CN110852371 A CN 110852371A
- Authority
- CN
- China
- Prior art keywords
- band
- cumulative variation
- cumulative
- wave bands
- variation ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于累积变异比的集成超限学习机高光谱图像分类方法,首先定义了波段的累积变异比函数来确定各波段在分类算法的贡献程度;然后基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择降维;最后,为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决,得到最后的分类结果。采用典型的高光谱数据集进行测试,实验结果表明,本发明提出的方法具有确定参数少,总体分类精度较高的优点,本发明能够有效地提高高光谱图像分类的精度,能够快速地完成高光谱图像分类,能够满足高光谱图像分类精度的需求。
Description
技术领域
本发明属于高光谱图像分类的技术领域,尤其涉及一种基于累积变异比的集成超限学习机高光谱图像分类方法。
背景技术
经过20世纪后半叶的发展,遥感技术在理论、技术及应用方面发生了重大的变化。其中,高光谱图像遥感技术无疑是遥感技术重大变化中十分重要的一个方面。高光谱数据具有更丰富的连续谱段信息,增强了空间信息、光谱信息和辐射信息识别目标区域的能力,被广泛应用到环境监测,岩矿物质识别,精准农业及军事目标监测等很多领域。研究高光谱图像的分类可以更好的挖掘图像的深层信息。但是,高维度的光谱结构也为高光谱图像处理带来了新的挑战,由于邻近波段之间往往存在大量的冗余信息,高维度的数据结构往往会导致“Hughes”现象,即小样本数目与高光谱维数之间的矛盾,并且会增加存储空间与算法计算复杂度上的负担,因此如何在训练样本数量有限的情况下达到理想的分类精度仍然是一个具有挑战性的任务。
支持向量机在高光谱图像空谱综合分类模型中,对几何特征空间下的超像元分割与光谱特征空间下的子空间投影,采用分割后进行特征融合的处理方式,将像元级别转换为面向对象的超像元级别,实现高光谱图像空谱综合分类,得到较高的高光谱图像分类精度。支持向量机存在一下缺点:1)较慢的学习速度;2)受人工干预较强;3)较差的计算可扩展性。一般都需要配合有效的降维算法,才能够获得较高的分类精度,无法在一个框架下既实现特征提取,又实现分类。
超限学习机(Extreme Learning Machine,ELM)是一种单隐层前馈神经网络,由于网络输入权重和隐层节点参数随机选取,因此得到输出权重矩阵并建立网络通过求解隐含层输出权重的伪逆即可。同传统BP神经网络和支持向量机等分类器相比,ELM计算速度较快,可调参数少,拥有更好的识别效率和泛化能力。专利CN107194423A(公布日期2017年09月22日)提出了基于特征随机抽样集成超限学习机的高光谱图像分类方法,该方法计算复杂度较低且容易实现。联合空谱特征并采用平均分组随机抽样方法进行高光谱数据降维,该方法计算复杂度较低且容易实现,但并没有考虑到每一组波段对于高光谱数据分类的贡献程度,导致将每一组样本等同看待,没有对样本进行优化选择处理,从而影响了算法的计算效率。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种基于累积变异比的集成超限学习机高光谱图像分类方法,能够快速地完成高光谱图像分类,能够满足高光谱图像分类精度的需求。
为了解决上述技术问题,本发明提供一种基于累积变异比的集成超限学习机高光谱图像分类方法,包括以下步骤:
步骤1:标准化高光谱数据集,确定类别标签矩阵;
步骤2:计算波段的累积变异比函数并剔除低效波段;
步骤3:利用加权随机选择法进行数据降维;
步骤4:联合空谱特征的集成超限学习机高光谱图像分类。
可选的,所述步骤2的具体过程为:
步骤21:计算所有波段各自的类内累积变异函数并求出其二范数;
步骤22:计算所有波段各自的整体累积变异函数并求出其二范数;
步骤23:通过计算所有波段各自整体累积变异函数的二范数与类内累积变异函数二范数之和的比值计算出所有波段的累积变异比值,确定波段的累积变异比函数。
进一步的,波段类内累积变异函数计算如下:
式中,CNik(t)为第i个波段第k个类别的累积变异函数值;为第i个波段第k个类别的1~t样本均值;Cik(j)为第i个波段第k个类别第j个样本值;Tik为第i个波段第k个类别的样本容量;CLN为类别数目。
进一步的,波段整体累积变异函数计算如下:
波段累积变异比计算如下:
式中,F(i)为第i个波段累积变异比的值;BN为波段数目;
波段整体累积变异函数的范数与波段类内累积变异函数的范数计算如下:
可选的,所述步骤3的具体过程为:
步骤31:将步骤2得到的有效波段进行平均分组;
步骤32:将每组包含的波段的累积变异比函数值求和;
步骤33:将所有有效波段的累积变异比函数值求和;
步骤34:通过计算每组波段的累积变异比函数值之和与所有有效波段的累积变异比函数值之和的比值确定每组波段累积变异权值;
步骤35:利用每组波段累积变异权值乘以随机选择波段总数得到该组被选择波段的数目,并按该数目在每组中随机抽取波段并记录其标签,将所有被选择的波段标签存入标签矢量中。
进一步的,每组波段累积变异权值计算如下:
式中,ρL为第L组波段的累积变异权值;∑FL(i)为第L组的波段累积变异比之和;∑F(i)为所有的波段累积变异比之和;GN为分组个数。
可选的,所述步骤4的具体过程:
步骤41:根据上一步所得到的波段标签矢量,计算出所有空间点的空谱联合特征矢量形成样本空间,并确定弱分类器的数目;
步骤42:在样本空间中随机选择出部分训练样本进行超限学习机学习,形成一个弱分类器;
步骤43:返回步骤3中的步骤35重新随机选择另一组波段标签矢量,完成步骤4中的步骤42,循环产生多个弱分类器,转下一步;
步骤44:将测试样本输入到多个弱分类器中得到测试结果,通过投票表决法确定最后的分类结果。
由上,本发明的基于累积变异比的集成超限学习机高光谱图像分类方法提出了波段的累积变异比进行高光谱波段选择,在一定程度上优化了高光谱的波段。在基于波段累积变异比的基础上,提出了加权随机选择法确定平均分组的每组波段权值和选择波段样本个数,进一步优化了波段样本的选择,并结合空谱特征提出了超限学习机弱分类器的多数投票决策模型。测试表明,该方法无需复杂的优化过程,训练速度快,分类精度高,能够满足高光谱图像分类精度和实时性两方面的需求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明的基于累积变异比的集成超限学习机高光谱图像分类方法的流程图;
图2为本发明实施例Indian Pines高光谱数据集第173波段的累积变异函数曲线图;
图3为本发明实施例Indian Pines高光谱数据集第220波段的累积变异函数曲线图;
图4为Indian pines数据集波段累积变异比曲线图;
图5为Indian pines数据集平均分组情况图;
图6为Indian Pines的总体分类精度与隐层节点数的关系图;
图7为Indian Pines的总体分类精度与组合系数的关系图;
图8为本发明实施例Pavia University高光谱数据集波段累积变异比曲线图;
图9为Pavia University平均分组情况图;
图10为Pavia University的总体分类精度与组合系数的关系图;
图11为本发明实施例Salinas高光谱数据集波段累积变异比曲线图;
图12为Salinas平均分组情况图;
图13为Salinas的总体分类精度与组合系数的关系图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
高光谱图像具有高维度的光谱结构,而且邻近波段之间往往存在大量冗余信息,导致在随机样本选择策略和图像分类过程中出现选择波段算法复杂度较高和不适合小样本的现象。针对该问题,在集成学习算法的基础上,考虑到不同波段在高光谱图像分类过程中起到的作用不同,本发明提出一种基于累积变异比的集成超限学习机高光谱图像分类方法,能够快速地完成高光谱图像分类,能够满足高光谱图像分类精度的需求。
实施例一
实施例一以Indian Pines高光谱数据集为例,使用本发明的基于累积变异比的集成超限学习机高光谱图像分类方法对Indian Pines高光谱数据集中的地物进行分类。
如图1所示,本发明的基于累积变异比的集成超限学习机高光谱图像分类方法,包括以下步骤:
步骤1:标准化高光谱数据集,确定类别标签矩阵;
步骤2:计算波段的累积变异比函数并剔除低效波段,具体过程如下:
1)计算所有波段各自的类内累积变异函数并求出其二范数;
2)计算所有波段各自的整体累积变异函数并求出其二范数;
3)通过计算所有波段各自整体累积变异函数的二范数与类内累积变异函数二范数之和的比值计算出所有波段的累积变异比值,从而确定了波段的累积变异比函数;
波段类内累积变异函数计算如下:
式中,CNik(t)为第i个波段第k个类别的累积变异函数值;为第i个波段第k个类别的1~t样本均值;Cik(j)为第i个波段第k个类别第j个样本值;Tik为第i个波段第k个类别的样本容量;CLN为类别数目。
波段整体累积变异函数计算如下:
式中,CZi(t)为第i个波段的累积变异函数值;为第i个波段的1~t样本均值;Ci(j)为第i个波段第j个样本值;Ti为第i个波段样本容量。值得注意的是波段类内累积变异函数和波段整体累积变异函数中应有
本发明将变异系数进行了改进并综合应用于高光谱数据的降维处理,提出了波段类内累积变异函数、波段整体累积变异函数和累积变异比的概念以及计算公式。计算波段的累积变异比函数并剔除低效波段,变异系数一般是用来表现数据离散程度的一项指标,其优点在于没有量纲,并且不受测量尺度的影响,同时在反应数据离散程度的同时也兼顾了数据平均值的影响,较直接利用标准差更具有优势。
如果波段累积变异比的数值越大于1,则表明采用该波段进行高光谱遥感图像的分类研究效果越理想;如果波段累积变异比的数值越接近于1,则表明采用该波段进行高光谱遥感图像的分类研究效果越不理想。在实际编程计算时,由于波段类内累积变异函数CNik(t)和波段整体累积变异函数CZi(t)是离散取值的,计算两个函数的二范数涉及到积分运算,可以采用离散数据复合求积公式的数值计算方法求出二范数的值。
值得注意的是当样本排列次序发生变化时,可能影响了类内累积变异函数值的分布,但整体累积变异函数同时也发生了相应的改变,在计算波段的累计变异比时,采用的复合求积公式计算二范数的比值是从整体角度来表述二者的差异程度的,所以样本的排列顺序发生变化并不会产生波段的累计变异比的病态问题。
在同一个波段内,波段整体累积变异函数的范数与所有波段类内累积变异函数的范数之和的比值称为波段的累积变异比。本发明采用函数的二范数计算波段累积变异比,波段累积变异比计算如下:
式中,F(i)为第i个波段累积变异比的值;BN为波段数目。
波段整体累积变异函数的范数与波段类内累积变异函数的范数计算如下:
为了详细叙述利用波段累积变异比剔除低效波段过程,本实施例以Indian Pines高光谱数据集中的第173波段和第220波段为例进行说明。图2显示的是第173波段的累积变异函数曲线,波段整体累积变异函数相比于波段类内累积变异函数的波动幅度明显偏大,计算出该波段的波段累积变异比为3.4559,这个结果说明该波段16个类别之间区别比较显著易于分类。图3显示的是220波段的累积变异函数曲线,波段整体累积变异函数的波动幅度相比于波段类内累积变异函数的波动幅度比较接近,计算出该波段的波段累积变异比为1.1592,这个结果接近于1说明该波段不同类别之间区别不太显著,该波段不易于分类,应当剔除。将所有220个波段累积变异比计算出来,从中剔除掉波段累积变异比最接近于1的24个波段,如图4所示。被剔除掉的波段(第1、88、104—109、150—163、219—220波段)正好包括由于水汽噪声影响的20个波段(第104—108、150—163、220波段),结果验证了波段累积变异比用于剔除波段是有效的。
剔除低效波段需要综合考虑三个方面:一个是波段的累积变异比值接近于1;二是得考虑平均分组所需要得波段总数;三是尽量减少信息的损失。剔除掉低效波段后,余下的波段为有效波段,进行下一步研究。
步骤3:利用加权随机选择法进行数据降维过程如下:
1)将步骤2得到的有效波段进行平均分组;
2)将每组包含的波段的累积变异比函数值求和;
3)将所有有效波段的累积变异比函数值求和;
4)通过计算每组波段的累积变异比函数值之和与所有有效波段的累积变异比函数值之和的比值确定每组波段累积变异权值;
5)利用每组波段累积变异权值乘以随机选择波段总数得到该组被选择波段的数目,并按该数目在每组中随机抽取波段并记录其标签,将所有被选择的波段标签存入标签矢量中;
为了给超限学习机融合模型提供高光谱波段的输入信息,并考虑到高光谱的相邻波段具有较强的相似性,剔除掉低效波段后,对余下的有效波段,本发明采用计算复杂度较低的加权随机选择法进行波段选择。具体做法是将高光谱波段进行平均分组,在每一组中利用波段的累积变异比进行该组波段的权值计算,每组的选择波段的方式按照该权值进行随机选择,进一步达到降维的目的。
每组波段累积变异权值计算如下:
式中,ρL为第L组波段的累积变异权值;∑FL(i)为第L组的波段累积变异比之和;∑F(i)为所有的波段累积变异比之和;GN为分组个数。
该权值越大说明该组波段越有利于分类,从该组中选择的波段数应该越多,故在每组中随机选择的波段数目为ρL乘以被选择的波段数目,在实际操作上要保持选择波段数目不能超过该组波段总数,并且所有被选择的信息至少要保留50%以上的有效的原始信息为宜。
在余下的196个有效波段中,为了避免有些有效波段在下面降维过程中漏选,将有效波段平均分成14组每组14个波段,图5显示有效波段的累积变异比分布情况和分组情况。每组按照波段累积变异比值进行加权随机选择波段,选择信息率至少要达到原信息的50%以上,共选出至少98个波段进行超限学习机学习。利用基于累积变异比的加权随机选择法选择每组波段的权值和样本个数详见表2所示。
表2
步骤4:联合空谱特征的集成超限学习机高光谱图像分类,具体过程如下:
1)根据上一步所得到的波段标签矢量,计算出所有空间点的空谱联合特征矢量形成样本空间,并确定弱分类器的数目;
2)在样本空间中随机选择出部分训练样本进行超限学习机学习,形成一个弱分类器;
3)返回步骤3中的第5)步重新随机选择另一组波段标签矢量,完成步骤4中的第2)步,
循环产生多个弱分类器,转下一步;
4)将测试样本输入到多个弱分类器中得到测试结果,通过投票表决法确定最后的分类结果。
式中,QN是空间邻域Q(p,q)含有样本数目;Q(p,q)是p行q列的元素邻域。
G(p,q)的范围可以通过实际案例的具体情况来确定,并且可以通过实验来确定γ的取值。
表1
按照表1选取的样本数目和表2加权随机选择的波段情况,提取空谱特征的邻域范围设定为9×9,实验设定超限学习机分类器个数等于分组个数。为了确定超限学习机隐层节点的最佳数目,将谱特征和空域特征的组合系数γ先取定为0.1,然后研究不同的隐层节点数目对总体分类精度的影响见图6所示,图6可以很明显的发现对于Indian pines高光谱数据集当隐层节点达到450之后,本发明的总体分类精度达到了较高的程度,因此隐层节点设定为450。图7分析了谱特征和空域特征的组合系数γ对各算法的总体分类精度的影响,谱特征和空域特征的结合对分类精度影响较大,随着空域特征权值的不断增加,当1-γ=0.9时,各算法的总体分类精度均达到较高的程度,为了对比方便各算法均选取γ=0.1。利用训练好的若干个弱分类器进行投票表决得到最后的分类结果,将8种方法对应的Indianpines高光谱数据集分类指标值详情列于表1。
实施例二
实施例二利用与实施例一相同的方法处理Pavia University高光谱数据集。图8显示了剔除掉波段累积变异比值最接近于1的三个波段(第68—70波段),图9显示了剔除掉上述三个波段后,余下的100个波段平均分成10组,每组10个波段,实验设定ELM分类器个数等于分组个数,且每组按照波段累积变异比值进行加权随机选择波段,选择信息率至少要达到原信息的50%以上,共选出至少50个波段进行超限学习机学习,利用加权随机选择法选择每组波段的权值和个数见表4所示。按照表3选取的样本数目和表4加权随机选择的波段情况,提取空谱特征的邻域范围设定为9×9。图10分析了谱特征和空域特征的组合系数γ对各算法的总体分类精度的影响,谱特征和空域特征的结合同样对Pavia University高光谱数据集分类精度影响较大,随着空域特征权值不断增加,当1-γ=0.9时,各算法的总体分类精度均达到较高的程度,各算法均选取γ=0.1。利用训练好的若干个弱分类器进行投票表决得到最后的分类结果,将8种方法对应的Pavia University高光谱数据集分类指标值详情列于表3。
表3
表4
实施例三
实施例三同上述实施例的操作,图11显示了Salinas数据集剔除掉波段累积变异比值最接近于1的四个波段(第1—3、204波段),图12显示了Salinas数据集剔除掉上述波段后,余下的200个波段平均分成20组,每组10个波段,实验设定ELM分类器个数等于分组个数。利用加权随机选择法选择每组波段的权值和个数见表6所示。按照表5选取的样本数目和表6加权随机选择的波段情况,提取空谱特征的邻域范围同上述实验。图13分析了谱特征和空域特征的组合系数γ对各算法的总体分类精度的影响,谱特征和空域特征的结合同样对Salinas高光谱数据集分类精度影响较大,随着空域特征权值的不断增加,当1-γ=0.9时,各算法的总体分类精度均达到较高的程度,为了对比方便各算法均选取γ=0.1。利用训练好的若干个弱分类器进行投票表决得到最后的分类结果,将8种方法对应的Salinas高光谱数据集分类指标值详情列于表5。
表5
表6
为验证本发明的有效性,将本发明提出的方法应用于Indian Pines、PaviaUniversity和Salinas三个典型的高光谱的数据集,采用的训练样本个数占比分别为10%、4%和2%,评价准则选用分类精度(class accuracy,记为CA)、总体分类精度(overallaccuracy,记为OA)、平均分类精度(average accuracy,记为AA),Kappa系数和算法耗时。波段提取方法和模型参数设定如上述操作所述。对于仅采用谱特征的四种算法SVM,ELM,GELM,KELM及采用空域特征和谱特征联合的GELM-CK,KELM-CK,SS-EELM算法共8种方法进行了实验对比分析,这些算法在进行对比实验时均剔除低效波段,利用余下相同的有效波段进行对比实验,从表1,表3,表5可以分析得出,本发明提出的高光谱图像分类方法的总体分类精度在Indian Pines、Pavia University和Salinas高光谱数据集分类中分别为98.0%、98.9%和97.9%,对于Salinas数据集,由于同一个类别的地物目标分布相对集中,空谱特性相近,采用KELM-CK算法的分类效果与本发明相当,但在Indian Pines和PaviaUniversity高光谱数据集分类中,由于每一类地物目标分布较广泛,同一类别目标空谱特性差异较大,因此本发明方法有效地提取了特征光谱维度的差异性,优化了特征降维,相比于其他方法得到了较好的分类效果。
因此,从总体性能上看,本发明设计的方法,通过波段的累积变异比进行高光谱波段选择,在一定程度上优化了高光谱的波段。在基于波段累积变异比的基础上,提出了加权随机选择法确定平均分组的每组波段权值和选择波段样本个数,进一步优化了波段样本的选择,并结合空谱特征提出了超限学习机弱分类器的多数投票决策模型。本发明实现了一种基于累积变异比的集成超限学习机高光谱图像分类方法,分类结果较为理想。
其中,表1为本发明实施例Indian Pines高光谱数据集各方法对应的分类指标值详情;表2为Indian pines加权随机选择波段情况。表3为本发明实施例Pavia University高光谱数据集各方法对应的分类指标值详情;表4为Pavia University加权随机选择波段情况。表5为本发明实施例Salinas高光谱数据集各方法对应的分类指标值详情;表6为Salinas加权随机选择波段情况。
本发明首先定义了波段的累积变异比函数来确定各波段在分类算法的贡献程度;然后基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择降维;最后,为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决,得到最后的分类结果。采用典型的高光谱数据集进行测试,实验结果表明,本发明提出的方法具有确定参数少,总体分类精度较高的优点,本发明能够有效地提高高光谱图像分类的精度。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (7)
1.基于累积变异比的集成超限学习机高光谱图像分类方法,其特征在于,包括以下步骤:
步骤1:标准化高光谱数据集,确定类别标签矩阵;
步骤2:计算波段的累积变异比函数并剔除低效波段;
步骤3:利用加权随机选择法进行数据降维;
步骤4:联合空谱特征的集成超限学习机高光谱图像分类。
2.如权利要求1所述的基于累积变异比的集成超限学习机高光谱图像分类方法,其特征在于,所述步骤2的具体过程为:
步骤21:计算所有波段各自的类内累积变异函数并求出其二范数;
步骤22:计算所有波段各自的整体累积变异函数并求出其二范数;
步骤23:通过计算所有波段各自整体累积变异函数的二范数与类内累积变异函数二范数之和的比值计算出所有波段的累积变异比值,确定波段的累积变异比函数。
5.如权利要求1所述的基于累积变异比的集成超限学习机高光谱图像分类方法,其特征在于,所述步骤3的具体过程为:
步骤31:将步骤2得到的有效波段进行平均分组;
步骤32:将每组包含的波段的累积变异比函数值求和;
步骤33:将所有有效波段的累积变异比函数值求和;
步骤34:通过计算每组波段的累积变异比函数值之和与所有有效波段的累积变异比函数值之和的比值确定每组波段累积变异权值;
步骤35:利用每组波段累积变异权值乘以随机选择波段总数得到该组被选择波段的数目,并按该数目在每组中随机抽取波段并记录其标签,将所有被选择的波段标签存入标签矢量中。
7.如权利要求1所述的基于累积变异比的集成超限学习机高光谱图像分类方法,其特征在于,所述步骤4的具体过程:
步骤41:根据上一步所得到的波段标签矢量,计算出所有空间点的空谱联合特征矢量形成样本空间,并确定弱分类器的数目;
步骤42:在样本空间中随机选择出部分训练样本进行超限学习机学习,形成一个弱分类器;
步骤43:返回步骤3中的步骤35重新随机选择另一组波段标签矢量,完成步骤4中的步骤42,循环产生多个弱分类器,转下一步;
步骤44:将测试样本输入到多个弱分类器中得到测试结果,通过投票表决法确定最后的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077574.8A CN110852371B (zh) | 2019-11-06 | 2019-11-06 | 基于累积变异比的集成超限学习机高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077574.8A CN110852371B (zh) | 2019-11-06 | 2019-11-06 | 基于累积变异比的集成超限学习机高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852371A true CN110852371A (zh) | 2020-02-28 |
CN110852371B CN110852371B (zh) | 2023-04-18 |
Family
ID=69598684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077574.8A Active CN110852371B (zh) | 2019-11-06 | 2019-11-06 | 基于累积变异比的集成超限学习机高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852371B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036246A (zh) * | 2020-07-30 | 2020-12-04 | 长安大学 | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
-
2019
- 2019-11-06 CN CN201911077574.8A patent/CN110852371B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
刘万军;李天慧;曲海成;董帅含;尹岫;: "基于DS聚类的高光谱图像集成分类算法" * |
谷雨;徐英;郭宝峰;: "融合空谱特征和集成超限学习机的高光谱图像分类" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036246A (zh) * | 2020-07-30 | 2020-12-04 | 长安大学 | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 |
CN112036246B (zh) * | 2020-07-30 | 2021-08-24 | 长安大学 | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110852371B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Semi-supervised locality preserving dense graph neural network with ARMA filters and context-aware learning for hyperspectral image classification | |
Yang et al. | Deephoyer: Learning sparser neural network with differentiable scale-invariant sparsity measures | |
CN110472817A (zh) | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
Wang | Identification of crop diseases and insect pests based on deep learning | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN108846338A (zh) | 基于面向对象随机森林的极化特征选择及分类方法 | |
CN102819745A (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
Shen et al. | Image recognition method based on an improved convolutional neural network to detect impurities in wheat | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
Pandey et al. | Automatic seed classification by shape and color features using machine vision technology | |
Li et al. | Study on ensemble crop information extraction of remote sensing images based on SVM and BPNN | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
CN110852371B (zh) | 基于累积变异比的集成超限学习机高光谱图像分类方法 | |
Wang et al. | An improved crop disease identification method based on lightweight convolutional neural network | |
Moshou et al. | Crop and weed species recognition based on hyperspectral sensing and active learning | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
Megalingam et al. | Coconut trees classification based on height, inclination, and orientation using MIN-SVM algorithm | |
CN111445543B (zh) | 一种将卷积神经网络编码成光谱透过率的方法 | |
Kavitha et al. | Feature selection method for classifying hyper spectral image based on particle swarm optimization | |
CN112837145A (zh) | 基于改进随机森林的客户信用分类方法 | |
CN111723838A (zh) | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 | |
Barman et al. | Smartphone assist deep neural network model to recognize the high-quality tea using leaf maturity and its effect on leaf chlorophyll |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |