ELM与SVM在高光谱遥感图像 监督分类中的比较研究

• 作者: 刘磊 牟多铎
• 来源期刊: 遥感技术与应用
• 学科: 地球科学
• 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
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 数据与图像处理
• 页码范围: 115-124
• 页数: 10页
• 分类号: P237
• 语种: 中文
• DOI: 10.11873/j.issn.1004-0323.2019.1.0115

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘磊	长安大学地球科学与资源学院	29	219	9.0	13.0
2	牟多铎	长安大学地球科学与资源学院	1	4	1.0	1.0