本文应用机器学习的分类方法。图像数据是一种维度特别大的非结构化数据，每一张图像都是一个矩阵，需要时间复杂度非常低的算法去进行支撑。本文为一个图像分类的应用。通过对遥感图像（遥感图像包含的地图范围比较大）进行分类，得出很大一个地区范围内不同类别地质（河流，山川等）的分布。价值在于有效的判断大范围内的地址分布，为整体的地图数据提供支撑，为地理学家提供有效的数据支撑。
项目应用MATLAB进行算法验证，应用速度很快的分类算法ELM（极限学习机）。下面本文来详细阐述极限学习机在本项目算法分析的作用。不同类别的地质的图像进行一个分类模型的建设。
先来看下遥感图像的地质情况。即数据如下：
遥感图像都是灰度图，不同颜色的地方代表着不同的地质（可能是山川，河流等），地质类型很多，这里只截取4种。以上即是训练的数据。图片为X，为输入，第N类地质的N为Y，为输出。
进而通过以上图像（数据）进行模型建立
ELM的第一步：
与SVM一样，要将数据转化成线性可分情况，即数据线性变化（可以参考我的其他文章）。X通过Sigmoid Function函数
转化成：
MATLAB代码如下:
InputWeight=rand(NumberofHiddenNeurons,NumberofInputNeurons)*2-1;
BiasofHiddenNeurons=rand(NumberofHiddenNeurons,1);
tempH=InputWeight*P; % Release input of training data
ind=ones(1,NumberofTrainingData);
BiasMatrix=BiasofHiddenNeurons(:,ind); % Extend the bias matrix BiasofHiddenNeurons to match the demention of H
tempH=tempH+BiasMatrix;
H = 1 ./ (1 + exp(-tempH));
ELM的第二步：
第二步又到了Y=AX的公式 求解过程了，求出Y和X之间那个关系A的时刻了。不像SVM需要繁琐的求解方法，大家都知道如果是个方阵矩阵，求解直接可以用求逆的方法，但实际的数据基本没有方阵，但是可以用一个数学方法——广义逆。ELM通过矩阵求广义逆的方法实现（黄广斌教授2006年证明有效），极大的减少了运算速度。
MATLAB代码如下:
Hp=pinv(H);%¼ÆËãHµÄMoore-Penrose¹ãÒåÄæ
beta=Hp*y;
此公式的T为输出（Y），HT为输入H（X）的广义逆。B为输入与输出的关系。此处模型已经建立完毕。极限学习机也可以理解成一种特殊的单隐藏层神经网络。
从此有了输入和输出的关系，就可以对遥感图像进行分类了。输入一个遥感图像就可以分辨出图中所有的地质。举个例子如下图像
对此图像进行分类，由于遥感图像为灰度图，最终我们要通过明显图像进行标注出来。
由于本图像只包含六个类别，这里我们把6个类别进行彩色颜色的标记。通过ELM此图为最终的分类结果：
未来输入一张遥感图像即可识别出此区域的不同地质特征
