一种基于ELM-SVM的遥感图像分类方法.pdf

第49卷第 1期 东 北 师 大 学 报 ( 自 然 科 学 版 ) V01．49No．1 2017年 3月 JournalofNortheastNormalUniversity(NaturalScienceEdition) March2017 [文章编号31000—1832(2017)O1—0053—09 [DOI]10．16163／j．cnki．22—1123／n．2017．01．011 一 种基于 ELM—SVM 的遥感 图像分类方法 古丽娜孜 ·艾力木江 。，乎西旦 ·居马洪 ，孙铁利。，梁 义 (1．伊犁师范学院电子与信息工程学院，新疆 伊宁 835000； 2．东北师范大学地理科学学院，吉林 长春 130024； 3．东北师范大学计算机科学与信息技术学院，吉林 长春 130117) [摘 要] 提出一种极限学习机(ELM)和支持 向量机(SVM)相融合的遥感 图像分类模式．选 取 ELM为基础分类器 ，以SVM 来修正改善分类效率．仿真实验结果表 明，该算法不仅具有较 高的分类精度，而且消除一些训练样本标签对分类的负面影响．结合 ALOS／PALSAR、PSM 图像 与SVM、ANN(ArtificialNeuralNetwork)方法进行对比分析，发现该方法鲁棒性较好． [关键词] 支持 向量机 ；遥感数据；极限学习机；分类精度 [中图分类号] TP391．1 [学科代码] 520·30 [文献标志码] A 近几年，各类商用高空间分辨率遥感图像显著增加．传感器获取的图像信息给测绘、环境监测、资源 调查、灾害管理 军事情报等领域提供很多细节表面信息，而遥感 图像需要转化成与其他数据集兼容的 标准模式口]，遥感图像分类是从图像像素中自动提取分类信息来识别不同地表物的过程[2]．自动获取图 像分类信息的方法主要有监督分类方法和无监督分类方法．然而，光谱混淆问题在很大程度上给这 2种 分类都增加了获取地表物的难度 ，影响分类 的准确性．在过去几年里 ，国内外不少研究工作者不断探索 新 的智能方法和分类技术[3]，试图消除干扰 ，提高分类精度．从遥感数据处理任务 的不 同层面来分析 ， 尤其在监督分类[7]、无监督分类[9。。。、特征提取[1l-la]、目标识别 14-153、变化检测1-16-17等模式识别领域 ，取 得 了令人振奋的成果． 基于统计模式的分类方法 Vapnik提出的支持 向量机 (SVM)方法 ，该方法在非线性分类 问题很受 欢迎并成为研究热点，也是模式识别领域最为活跃 的一个机器学习算法[18-19]，同样在维数高、数据不确 定性等数据处理领域里也显 出了其优势[2 ．SVM 在空间数据处理和分析包括高光谱遥感 图像分 类L2引、空间数据挖掘[2引、对象检测[2、土地覆盖分类[2和道路信息提取[2]等领域都被广泛使用．极限 学习机 (ELM)是 由黄广斌 [2提出来的一种新型神经 网络算法．ELM 具有训练速度快 ，人工干扰较少 ， 对于异质的数据集泛化能力较强等优点[2．缺点是与神经 网络等其他机器学习方法一样 ，ELM也是经 验风险最小化原理上搭建的模型，所以很难避免 “过拟合”现象，从而影响ELM 的应用．其实 ，机器学习 方法都有其优缺点．因此 ，在遥感领域里探索组合学习方法 已成为研究热点[2 ，解决遥感数据不确定性 特征而造成的错分 、漏分现象或降低其精度 ，避免或减少 “椒盐效应”现象，从而达到提高分类精度的 目 标．各类组合技术说 明，有时单靠一种方法去解决某个特定领域分类 问题而获得 的结果往往不理想 ，反 而在某种优化改进或某种组合模式下可得到较好的分类效果．因此 ，根据数据集特征和分类问题的需要 灵活选用或搭配分类算法及参数最优值． 在机器学习领域，一直提倡使用基于结构风险最小化原理的简单有效学习方法．如果学习方法的构 造原理过于复杂，即便带来较高的效率，但所付出的时间、空间代价也是不能忽略的．因此，本文针对提 高分类精度 ，提出一种基于 SVM和 ELM 的简单有效融合模式，保证了算法复杂度和分类精度． [收稿 日期] 2016—04—17 [基金项目] 国家 自然科学基金资助项 目；新疆高校科研计划重点研究项 目(XJED；伊犁师范学院重点