基于极限学习机的GF-2影像分类

作者：王明常; 张馨月; 张旭晴; 王凤艳; 牛雪峰; 王红

来源：吉林大学学报(地球科学版), 2018, 48(02): 373-378.

DOI：10.13278/j.cnki.jjuese.20170271

• 极限学习机
• 遥感图像分类
• GF-2影像
• 监督分类
• 支持向量机

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2 480s,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。

• 单位
  湖北大学; 吉林大学; 国土资源部