基于极限学习机的多特征融合在高光谱图像分类中的应用

高光谱图像（HSI）分类是遥感领域中的一个普遍问题。 HSI分类的基本挑战包括训练样本数量少，高光谱数据的维数高以及合适的空间光谱特征。 在本文中，我们提出了一种基于极限学习机（ELM）的HSI分类的多特征融合新方法。 我们通过主成分分析（PCA）提取光谱特征，并通过局部二值模式（LBP），Gabor特征和扩展多属性轮廓（EMAP）提取空间特征。 然后，基于极限学习机模型，利用概率投票融合多种特征。 在真实HSI上的实验表明，该方法优于现有方法，适用于训练样本量较小的情况