曹海春

(山西工程职业学院，太原 030031)

0 引言

随着近年来我国航天技术、计算机技术的快速发展，影像的空间分辨率不断提高，大量卫星影像被用于国土资源调查、地理国情监测、国土规划、抢险救灾等领域。

随着影像分辨率的提高，影像上地物目标的表达变得更加丰富，细节特征突出，加大了精细目标识别分类的优势，但也带来了相同地物目标光谱差异变大，增加了地物不可分性。同时，不同地物目标出现相似性增强，导致不同地物的光谱相似性增大。空间分辨率的提高必然导致局部相同地物的信息冗余，增加数据处理的计算量和复杂程度。较高的空间分辨率增加相邻地物边缘微小差别的分辨能力，同时也可能带来“海量数据灾难”，导致地物边界分辨模糊、地物分类精度下降等问题。因此，构建适用高空间分辨率的分类器是遥感影像分类的重点。集成学习[1]、模糊神经网络(fuzzy neural network，FNN)[2]、支持向量机(support vector machine，SVM)[3]、极限学习机(extreme learning machine，ELM)[4]等影像分类算法的提出和应用促进了高分辨率遥感影像分类的发展。其中ELM分类器在极快的模型学习训练过程中提供良好的泛化性能，有效缓解“海量数据灾难”等影响，且能够在小样本、地物分布复杂多变的高空间分辨率遥感影像上提高影像的分类精度，在高分辨率遥感影像数据分类领域应用越来越广泛。此外，高空间分辨率遥感影像上局部地物像元并非无序排列、相互独立的光谱特征向量，局部像元往往属于同一地物，具有相似的特性[5]。……