使用基于局部接收场的核极限学习机对高光谱图像进行监督分类

在本文中,我们提出了一种基于局部接受域(LRF)的内核极限学习机(KELM)方法,用于高光谱图像(HSI)分类。 作为单层前馈神经网络,内核ELM已成功用于HSI的分类。 考虑到HSI的空间域中的局部相关性,在输入层中将局部随机卷积节点作为LRF引入。 通过在主成分图像上使用基于LRF的卷积ELM特征学习,该方法可以自动学习丰富的特征层次。 将所有学习到的丰富特征层次结构压缩为紧凑特征,然后使用内核ELM获得最终分类结果。 在广泛使用的真实HSI数据集上的实验结果表明,该方法优于几种众所周知的分类方法。