文献类型：期刊文章

作　　者：蒋强[1] 陈凯[1] 王德元[2]

JIANG Qiang;CHEN Kai;WANG De-yuan(Shenyang Ligong University,Shenyang Liaoning 110000,China;Shenyang Feichi Electrical Co.Ltd.,Shenyang Liaoning 110000,China)

机构地区：[1]沈阳理工大学,辽宁沈阳110000 [2]沈阳飞驰电气设备有限公司,辽宁沈阳110000

出　　处：《计算机仿真》

年　　份：2021

卷　　号：38

期　　号：3

起止页码：388-392

语　　种：中文

收录情况：BDHX、BDHX2020、JST、ZGKJHX、核心刊

摘　　要：针对遥感图像分类结果受外界因素影响大、实时性较差等问题,提出一种融合图像卷积神经网络(Convolutional Neural Networks,CNN)特征和尺度不变特征变换(Scale Invariant Feature Transformation,SIFT)特征,结合极限学习机(Extreme Learning Machine,ELM)对遥感图像进行分类的方法。上述方法将CNN提取的整体特征和SIFT提取的局部特征相结合,并通过数据预处理降低了阴影、光照等外界因素对分类性能的影响;同时,通过图像信息熵改进的主成分分析(Principal Components Analysis,PCA)对融合后的特征降维,减少了数据维度的同时大大减少了数据降维过程中的计算量,提高了分类的实时性。最后,将得到的图像特征输入ELM分类器进行分类。用卫星遥感图像进行了仿真研究,结果表明该方法能有效提高图像分类准确率,具有良好的泛化性及实时性。

关 键 词：图像分类 卷积神经网络 尺度不变特征变换 特征融合  极限学习机 降维

分 类 号：TP183]