基于累积变异比的集成超限学习机高光谱图像分类方法技术

本发明专利技术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，本发明专利技术提出的方法具有确定参数少，总体分类精度较高的优点，本发明专利技术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。

Hyperspectral image classification method based on cumulative variance ratio

【技术实现步骤摘要】
基于累积变异比的集成超限学习机高光谱图像分类方法
本专利技术属于高光谱图像分类的
，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。
技术介绍
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本文档来自技高网...

【技术保护点】
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：/n步骤1：标准化高光谱数据集，确定类别标签矩阵；/n步骤2：计算波段的累积变异比函数并剔除低效波段；/n步骤3：利用加权随机选择法进行数据降维；/n步骤4：联合空谱特征的集成超限学习机高光谱图像分类。/n

【技术特征摘要】
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。


3.如权利要求2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，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。


4.如权利要求3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，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；
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；

【专利技术属性】
技术研发人员：尹玉萍，魏林，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21