用于高效高光谱图像分类的多尺度上下文感知集成深度 KELM附Matlab代码

最新推荐文章于 2025-11-30 19:11:04 发布

原创最新推荐文章于 2025-11-30 19:11:04 发布 · 971 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#分类 #matlab #数据挖掘

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

高光谱图像（Hyperspectral Image, HSI）在众多领域如矿物资源开发、精准农业、环境地球科学等发挥着关键作用。其丰富的光谱信息能够精确反映地物在不同波长下的反射率特征，为地物识别与分类提供了有力支撑。然而，高光谱图像数据具有高维度、复杂光谱特征以及有限的标记训练样本等特性，这使得高准确率的分类成为一项极具挑战性的任务。

传统的机器学习方法，如随机森林、贝叶斯模型和核方法等，在处理高光谱图像时存在一定局限性。以支持向量机（SVM）为例，尽管在有限标记样本情况下展现出不错的分类性能，但这些传统方法仅能利用浅层的光谱 - 空间特征，难以充分挖掘高光谱图像的潜在信息。为了克服这一缺陷，深度神经网络（DNNs）被引入高光谱图像分类领域。DNNs 能够自动学习高光谱图像的深层特征，在一定程度上提升了分类效果。但在高维度与小样本规模的条件下，DNN 容易出现过拟合现象，并且由于其深度特征学习过程，训练时间较长，计算成本高昂，在实时性要求较高的应用场景中，其性能受到明显制约。

为了有效应对上述挑战，多尺度上下文感知集成深度核极限学习机（Multi - scale Context - Aware Ensemble Deep Kernel Extreme Learning Machine, MCA - EDKELM）方法应运而生。该方法旨在充分挖掘高光谱图像的多尺度上下文信息，将深度学习强大的特征提取能力与核极限学习机（Kernel Extreme Learning Machine, KELM）高效的分类特性相结合，从而在保障分类精度的同时，显著提高计算效率。

高光谱图像的空间上下文信息对于提升分类精度意义重大。不同尺度的上下文信息蕴含着不同的地物特征与邻域关系。小尺度上下文信息侧重于捕捉地物的局部细微特征，如纹理、形状等；大尺度上下文信息则更能体现地物的全局结构以及空间分布关系，比如地物的整体布局、周边地物的类别等。通过整合不同尺度的空间信息，多尺度上下文感知能够更全面、准确地描述地物特征。在区分具有相似光谱特征的地物时，小尺度上下文信息可发挥关键作用；而在消除噪声干扰、增强分类鲁棒性方面，大尺度上下文信息效果显著。

传统的极限学习机（Extreme Learning Machine, ELM）作为一种单隐层前馈神经网络，具备训练速度快、泛化能力强等优势。但由于其隐层节点参数是随机生成的，可能无法充分适配高光谱图像复杂的特征。核极限学习机（KELM）通过引入核函数，将输入数据映射到高维特征空间，有效增强了 ELM 的特征提取能力，从而更好地处理高光谱图像数据。

MCA - EDKELM 方法主要包含以下几个核心步骤：

多尺度特征提取：针对高光谱图像的特点，精心设计多尺度特征提取模块。该模块可借助卷积神经网络（Convolutional Neural Network, CNN）、残差网络（Residual Network, ResNet）等深度学习模型，对不同尺度的图像块进行特征提取。例如，利用小尺寸（如 3x3）的卷积核提取局部纹理特征，通过大尺寸（如 7x7 或 11x11）的卷积核获取全局上下文特征。为降低计算量，还可采用通道注意力机制或空间注意力机制，有针对性地强化重要特征，抑制无关特征，提高特征提取的效率与质量。