• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Geoscience and Remote Sensing Symposium >Multiple features fusion for hyperspectral image classification based on extreme learning machine
【24h】

Multiple features fusion for hyperspectral image classification based on extreme learning machine

机译：基于极限学习机的多特征融合高光谱图像分类

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Hyperspectral image (HSI) classification is a popular issue in the domain of remote sensing. The fundamental challenges in HSI classification include small number of training samples, high dimensionality of the hyperspectral data and suitable spatial-spectral features. In this paper, we propose a novel multiple features fusion method for HSI classification based on extreme learning machines (ELM). We extract spectral feature via the principal component analysis (PCA), and extract spatial features via local binary pattern (LBP), Gabor feature and extended multiattribute profile (EMAP). Then we utilize probability voting to fuse the multiple features based on extreme learning machine model. Experiment on real HSI demonstrates that the proposed method is superior to some existing methods and it is suitable for small training sample size conditions.
机译：高光谱图像（HSI）分类是遥感领域的热门问题。 HSI分类的基本挑战包括训练样本数量少，高光谱数据的维数高以及合适的空间光谱特征。在本文中，我们提出了一种基于极限学习机（ELM）的HSI分类的多特征融合新方法。我们通过主成分分析（PCA）提取光谱特征，并通过局部二进制模式（LBP），Gabor特征和扩展多属性轮廓（EMAP）提取空间特征。然后基于极限学习机模型，利用概率投票融合多种特征。在真实HSI上的实验表明，该方法优于某些现有方法，适用于小样本训练条件。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号