一种基于训练样本自动优化的遥感影像循环分类方法技术

本发明专利技术涉及一种基于训练样本自动优化的循环分类方法。这种方法充分利用前一次分类结果所提供的精度信息不断调整和优化用于下一次分类的训练样本，然后采用优化后的分类训练样本再次对遥感图像进行自动分类；如此形成一个循环分类过程，直到前后两次的分类精度趋于稳定则停止分类。该方法具有自动优化训练样本、同等量训练样本最大化利用、相比同等分类算法精度高、适用性强等特点。通过验证，该方法适用于遥感分类应用中的多数监督分类方法；尤其是当训练样本中含有很多噪声，需要自动对训练样本进行优化以提高分类精度的情况。在实际应用中，本方法主要应用于涉及大范围的土地覆盖/利用或专题（例如，农作物）的遥感分类。

【技术实现步骤摘要】
一种基于训练样本自动优化的遥感影像循环分类方法
本专利技术属于遥感机器学习分类应用领域，特别涉及采用遥感影像开展土地覆盖/利用、农作物分类的工程应用。
技术介绍
监督分类方法是土地覆盖/利用、农作物等遥感分类应用中常用的方法之一。监督分类方法的一般方法是先在影像上选择合适的训练样本，然后选择合适的机器学习分类器对影像进行分类，最后进行精度评价。研究表明：遥感分类成果的精度与训练样本质量、分类方法、分类后处理方法手段等因素高度相关。然而，随着分类器的性能不断提高和分类后的处理手段多样化，目前提高分类精度的主要方向是如何提高训练样本的质量[朱秀芳,潘耀忠,张锦水,王双,顾晓鹤,&徐超(2007).训练样本对TM尺度小麦种植面积测量精度影响研究(Ⅰ)——训练样本与分类方法间分类精度响应关系研究.遥感学报,826-837]。然而，在实际分类过程中即使是精心选取的分类样本，也存在着大量的噪声和误差，严重地影响了分类的精度。类似的研究例如，朱秀芳分别从质量和数量的角度分析了训练样本对TM尺度的冬小麦测量精度影响，并指出不同分类器对不同质量和数量下的训练样本的不同的响应[朱秀芳,潘耀忠,王本文档来自技高网...

【技术保护点】
1.一种基于训练样本自动优化的遥感影像循环分类方法，主要包含以下步骤：步骤1)：选择遥感影像分类训练样本；步骤2)：遥感影像分类器选择与分类；步骤3)：分类总体精度评价；步骤4)：计算分类训练样本中每个像元的分类正确概率；步骤5)：设置概率阈值优化训练样本；步骤6)：自动循环2‑5步骤，直到前后两次步骤3)计算所得的分类总体精度的差值小于精度阈值就停止循环。

【技术特征摘要】
1.一种基于训练样本自动优化的遥感影像循环分类方法，主要包含以下步骤：步骤1)：选择遥感影像分类训练样本；步骤2)：遥感影像分类器选择与分类；步骤3)：分类总体精度评价；步骤4)：计算分类训练样本中每个像元的分类正确概率；步骤5)：设置概率阈值优化训练样本；步骤6)：自动循环2-5步骤，直到前后两次步骤3)计算所得的分类总体精度的差值小于精度阈值就停止循环。2.如权利要求1所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：所述步骤1)至步骤6)具体为：步骤1)：选择遥感影像分类训练样本：在待分类的遥感影像上为每一个待分类的类型选择训练样本，第k个类型的训练样本的数量记为其中符号T代表这是训练样本；步骤2)：遥感影像分类器选择与分类：在选择分类训练样本的基础上，对遥感影像选择机器学习算法进行分类，得到遥感分类结果图，假设像元总数为N；步骤3)：分类总体精度评价：随机选择独立于分类训练样本的精度评价样本，样本的数量记为nA，其中符号A代表这是分类精度评价样本；然后，构建混淆矩阵对步骤2)中的第1次分类的结果进行精度评价，标记每个样本是否分类正确，正确的标记为“1”，错误的标记为“0”，计算第1次分类类型为c的总体精度OA1(c)；步骤4)：计算分类训练样本中每个像元的分类正确概率：利用分类精度评价的样本，采用logistic回归模型计算图像上每个像元的分类正确率，其中，正确率的回归模型如下：公式中，β0、βk为回归系数，xk(c)为自变量，P(c)为像元的正确率；步骤5)：设置概率阈值优化训练样本：设置概率阈值，在对训练样本进行优化的过程中，假设第i次分类的训练样本的第c类阈值为Pi...

【专利技术属性】
技术研发人员：纪斯宬，顾建宇，陈强，徐玉峰，孙旭，孙晨峰，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32