基于ELM自编码器改进的高光谱图像特征学习算法研究

高光谱图像是光谱与图像信息的结合,是20世纪以来遥感技术中发展最为突出的方向之一,它为医疗、矿物勘探、农业等领域发展做出重大贡献。而数据量大、结构复杂、冗余信息与噪声多,是处理高光谱数据的一大难点。本文旨在研究能够消除噪声、充分挖掘数据信息、处理速度快的高光谱特征学习算法,以实现对高光谱图像数据可靠且高效的处理。本文研究了极限学习机与自编码器的相关原理。极限学习机具有速度快、泛化能力强的特点,基于极限学习机的自编码器可利用极限学习机的优势快速学习出数据的特征。针对高光谱数据,本文分析了高光谱图像的空间特征与光谱特征,并针对性地介绍了MH预测算法。为了提高高光谱图像的特征提取效率与分类精度,本文基于ELM-AE算法设计了:(1)基于高斯白噪声与空谱联合的MH-ELM-DAE高光谱特征学习算法;(2)基于深度学习与空谱联合的MH-HELM-AE高光谱特征学习算法。本文在4个数据集上用两个算法进行实验,验证改进算法的效果,并将Indiana Pines数据集的实验结果与其他算法的结果对比。实验结果表明,本文改进的MH-ELM-DAE和MH-HELM-AE算法对原始数据的特征提取效果提升较大。在与其他算法的对比中,两个改进算法在精度方面表现优异,且在精度可靠的前提下,速度大幅领先其他算法。因此,本文改进的算法可以为高光谱数据处理提供可靠精度,同时加快特征提取速度,降低对硬件资源的消耗,丰富了高光谱数据处理的研究内容。