高光谱图像谱 - 空分类的线性与非线性极限学习机

作为一种新的机器学习方法，极限学习机（ELM）因其良好的性能而受到广泛关注。然而，当直接应用于高光谱图像（HSI）分类时，其识别率过低。这是因为 ELM 未利用对 HSI 分类至关重要的空间信息。鉴于此，本文提出了一种通过将 ELM 与环状信念传播（LBP）相结合来实现 HSI 谱 - 空分类的新框架。原始 ELM 是线性的，非线性 ELM（或核 ELM）是对线性 ELM（LELM）的改进。然而，基于大量实验和分析，我们发现对于 HSI 的谱 - 空分类，LELM 是比非线性 ELM 更好的选择。此外，我们利用了使用 HSI 中全部信息的边缘概率分布，并使用 LBP 学习该分布。所提出的方法不仅保持了 ELM 的快速速度，还大大提高了分类精度。在知名 HSI 数据集 Indian Pines 和 Pavia University 上的实验结果证明了该方法的优良性能。