Optimized extreme learning machine for urban land cover classification using hyperspectral imagery

Abstract

This work presents a new urban land cover classification framework using the firefly algorithm (FA) optimized extreme learning machine (ELM). FA is adopted to optimize the regularization coefficientC and Gaussian kernel s for kernel ELM. Additionally, effectiveness of spectral features derived from an FA-based band selection algorithm is studied for the proposed classification task. Three sets of hyperspectral databases were recorded using different sensors, namely HYDICE, HyMap, and AVIRIS. Our study shows that the proposed method outperforms traditional classification algorithms such as SVM and reduces computational cost significantly.

Keywords

extreme learning machine / firefly algorithm / parameters optimization / hyperspectral image classification

References

[1] Bao Y, Tian  Q, Chen M  (2015a). A weighted algorithm based on normalized mutual information for estimating the chlorophyll-a concentration in inland waters using geostationary ocean color imager(GOCI) data. Remote Sens, 7(9): 11731–11752

[2] Bao Y, Tian  Q, Chen M ,  Lin H (2015b). An automatic extraction method for individual tree crowns based on self-adaptive mutual information and tile computing. Int J Digit Earth, 8(6): 495–516

[3] Bazi Y, Alajlan  N, Melgani F ,  AlHichri H ,  Malek S ,  Yager R R  (2014). Differential evolution extreme learning machine for the classification of hyperspectral images. IEEE Geosci Remote Sens Lett, 11(6): 1066–1070

[4] Bioucas-Dias J, Plaza  A, Camps-Valls G ,  Scheunders P ,  Nasrabadi N ,  Chanussot J  (2013). Hyperspectral remote sensing data analysis and future challenges. IEEE Geosci Remote Sens Mag, 1(2): 6–36

[5] Camps-Valls G, Tuia  D, Bruzzone L ,  Benediktsson J A  (2014). Advances in hyperspectral image classification: earth monitoring withstatistical learning methods. IEEE Signal Process Mag, 31(1): 45–54

[6] Chang C I (2003). Hyperspectral Imaging: Techniques for Spectral Detection and Classification. New York: Kluwer Academic/Plenum Publishers, 13–15

[7] Chen C, Li  W, Su H ,  Liu K (2014). Spectral-spatial classification of hyperspectral image based on kernel extreme learning machine. Remote Sens, 6(6): 5795–5814

[8] Cheng G, Zhu  F, Xiang S ,  Wang Y, Pan  C (2016). Semisupervised hyperspectral image classification via discriminant analysis and robust regression. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(2): 595–608 doi:10.1109/JSTARS.2015.2471176

[9] Cortes C, Vapnik  V (1995). Support vector networks. Mach Learn, 20(3): 273–297

[10] de Morsier F, Borgeaud  M, Gass V ,  Thiran J-P ,  Tuia, D (2016). Kernel low-rank and sparse graph for unsupervised and semi-supervised classification of hyperspectral images. IEEE Trans Geosci Remote Sens, 54(6):1–11

[11] Hu F, Xia  G, Wang Z ,  Huang X ,  Zhang L ,  Sun H (2015). Unsupervised feature learning via spectral clustering of multi-dimensional patches for remotely sensed scene classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(5): 2015–2030

[12] Huang G B, Ding  X, Zhou H  (2010). Optimization method based extreme learning machine for classification. Neurocomputing, 74(1‒3): 155–163

[13] Huang G B, Wang  D, Lan Y  (2011). Extreme learning machines: a survey. Int J Mach Learn & Cyber, 2(2): 107–122

[14] Huang G B, Zhu  Q Y, Siew  C K (2006). Extreme learning machine: theory and applications. Neurocomputing, 70(1‒3): 489–501

[15] Li W, Du  Q, Zhang F ,  Hu W (2015). Collaborative representation based nearest neighbor classifier for hyperspectral imagery. IEEE Geosci Remote Sens Lett, 12(2): 389–393

[16] Lin J, Huang  B, Chen M ,  Huang Z  (2014). Modeling urban vertical growth using cellular automata-Guangzhou as a case study. Appl Geogr, 53: 172–186

[17] Liu Q, He  Q, Shi Z  (2008). Extreme support vector machine classifier. Lect Notes Comput Sci, 5012: 222–233

[18] Lv Q, Niu  X, Dou Y ,  Xu J, Lei  Y(2016). Classification of hyperspectral remote sensing image using hierarchical local-receptive-field-based extreme learning machine. IEEE Geoscience and Remote Sensing Letters, 13(3):1–5

[19] Melgani F, Bruzzone  L (2004). Classification of hyperspectral remote sensing images with support vector machines. IEEE Trans Geosci Rem Sens, 42(8): 1778–1790

[20] Pal M, Maxwell  A E, Warner  T A (2013). Kernel-based extreme learning machine for remote-sensing image classification. Remote Sens Lett, 4(9): 853–862

[21] Ratle F, Camps-Valls  G, Weston J  (2010). Semisupervised neural networks for efficient hyperspectral image classification. IEEE Trans Geosci Rem Sens, 48(5): 2271–2282

[22] Samat A, Du  P, Liu S ,  Li J, Cheng  L (2014). E2LMs: ensemble extreme learning machines for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4): 1060–1069

[23] Senthilnath J, Omkar  S N, Mani  V (2011). Clustering using firefly algorithm: performance study. Swarm Evol Comput, 1(3): 164–171

[24] Su H, Yong  B, Du Q  (2016). Hyperspectral band selection using improved firefly algorithm. IEEE Geosci Remote Sens Lett, 13(1): 68–72

[25] Tan K, Zhou  S, Du Q  (2015). Semi-supervised discriminant analysis for hyperspectral imagery with block-sparse graph. IEEE Geosci Remote Sens Lett, 12(8): 1765–1769

[26] Xue Z, Du  P, Su H  (2014). Harmonic analysis for hyperspectral image classification integrated with PSO optimized SVM. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6): 2131–2146

[27] Yang X, He  X (2013). Firefly algorithm: recent advances and applications. Int J Swarm Intelligence, 1(1): 36–50 doi:10.1504/IJSI.2013.055801

[28] Yang X S (2009). Firefly Algorithms for Multimodal Optimization. Stochastic Algorithms: Foundations and Applications. Berlin Heidelberg: Springer-Verlag, 169–178

[29] Zhang L, Zhang  L, Tao D ,  Huang X  (2012). On combining multiple features for hyperspectral remote sensing image classification. IEEE Trans Geosci Rem Sens, 50(3): 879–893

[30] Zhang L, Zhang  Q, Zhang L ,  Tao D, Huang  X, Du B  (2015). Ensemble manifold regularized sparse low-rank approximation for multiview feature embedding. Pattern Recognit, 48(10): 3102–3112

[31] Zhen Z, Zhen  H, Li P  (2000). The parameters selection of genetic algorithms in texture classification. Acta Geodaetica et Cartographica Sinica, 29(1): 36–39

Acknowledgments

This paper was partially supported by National Natural Science Foundation of China (Grant Nos. 41571325 and 41201341), the Open Research Fund of Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences (2014LDE003), and the Fundamental Research Funds for the Central Universities (2015B16814 and 2014B08514).

RIGHTS & PERMISSIONS

2016 Higher Education Press and Springer-Verlag Berlin Heidelberg