杨素妨，曾红春

(百色学院，广西 百色 533000)

0 引言

近年来，随着空间技术的发展，影像空间分辨率不断提高，影像数据量呈现爆发式增长，为国家数字城市规划、地理国情监测、智慧城市建设等提供数据保障。仅利用影像的光谱特征进行影像分类，未能充分挖掘影像的多种特征信息，因此影像的分类精度难以满足要求。而将影像的多种特征与高性能的机器学习分类器结合的方法，已逐渐成为目前主流趋势。

常用的分类器有决策树、支撑向量机(support vector matchine，SVM)、随机深林(random forest，RF)、极限学习机(extreme learning machine，ELM)等[1-3]。极限学习机具有训练简便、结构简单，不需要调整隐含层参数信息，仅通过控制最小化训练误差和输出权重实现极限学习机分类器的生成，克服了传统神经网络的容易陷入局部最小、训练速度慢的问题。楚恒等[4]提出多特征多核的ELM分类方法，该方法将影像对象的光谱、空间特征通过简单多种核加权组合的方式进行融合，未能充分体现出不同特征在不同影像对象上的表达优势。王明常等[5]提出利用极限学习机对高分二号遥感影像进行分类，通过多种分类器分类结果的对比，分析极限学习机在高分二号遥感影像上的准确性能，结果表明该方法运行时间快、分类准确率高。Huang等[6]通过类比支持向量机的映射函数与极限学习机隐含层的特征映射，提出改进的核极限学习机分类器，为后续集成算法与极限学习机模型的结合提供一种思路。付琼莹等[7]提出一种选择性极限学习机集成算法，提高了遥感影像的分类精度。……