提升遥感图像分类精度：基于相似度与极限学习机的方法

本文主要探讨了如何提升遥感图像的分类精度，通过结合遥感图像的相似性测度和极限学习机这一先进的机器学习技术。极限学习机以其快速收敛能力和良好的泛化性能，被应用于遥感图像处理领域，旨在利用这些特性来提取和利用图像之间的相似性作为关键特征。作者李健伟、廖伟兴和马镇威针对这一问题，在《微型计算机应用》杂志2019年第35卷第1期上发表了他们的研究成果。 在研究中，他们首先提出了将遥感图像相似性作为分类特征的策略，这种策略能够更好地捕捉和表达图像之间的空间和纹理模式，从而提高分类的准确性。极限学习机在此过程中起到了核心作用，它通过高效的训练算法能够在数据集上迅速找到最佳模型参数，减少了过拟合的风险，增强了模型对新数据的适应能力。 为了评估这种方法的有效性，作者选择分类精度和Kappa系数作为评价指标。分类精度直观地反映了分类结果与实际类别的一致性，而Kappa系数则考虑到了随机猜测的可能性，提供了更为全面的评估。研究结果显示，基于相似性测度和极限学习机的遥感图像分类方法显著提高了分类精度，这对于遥感图像分析和理解具有重要意义，为遥感图像的自动化分类提供了新的思路和实用工具。 本文的贡献在于提出了一种创新的遥感图像分类方法，它不仅提高了分类的准确性，还展示了极限学习机在遥感图像处理中的潜力。对于遥感科学、地理信息系统以及环境监测等领域，这项研究的结果具有实际应用价值，并可能推动相关领域的技术进步。