一种基于主动学习的面向对象分类方法技术

本发明专利技术涉及一种基于主动学习的面向对象分类方法,所述方法提供了一种评估分割对象混合程度的新指标——明确度，能够将分割对象划分为“明确对象”和“不确定对象”。通过评估不确定对象（混合对象）对分类的影响并结合主动学习技术的优势，确定训练样本中20%的明确对象和80%的不确定对象的分配比例，是最佳比例，继而得到一个高效的主动学习采样策略，最终获得稳定优异的训练样本对象集。本发明专利技术克服了由于OBIA分割技术的限制，分割结果出现大量混合对象，而导致的分类表现不佳、不稳定的问题。

An object-oriented classification method based on active learning

The invention relates to an object-oriented classification method based on active learning. The method provides a new index for evaluating the mixing degree of segmented objects - clarity, which can divide segmented objects into \explicit objects\ and \uncertain objects\. By evaluating the influence of uncertain objects (mixed objects) on classification and combining the advantages of active learning technology, the optimal proportion of 20% clear objects and 80% uncertain objects in the training samples is determined, then an efficient active learning sampling strategy is obtained, and finally a stable and excellent training sample object set is obtained. The invention overcomes the problems of poor classification performance and instability caused by a large number of mixed objects in segmentation results due to the limitation of obia segmentation technology.

【技术实现步骤摘要】
一种基于主动学习的面向对象分类方法
本专利技术涉及一种预定义训练对象的分类方法，特别是涉及一种结合主动学习的面向对象分类方法。
技术介绍
近年来，面向对象的影像分析技术(Object-basedImageAnalysis,OBIA)在VHR(Veryhighresolution)影像采样分类领域已经逐渐形成一种新的范例和方法，它将VHR影像中具有相同语义信息的像素组合成为一个个有意义的地理对象，并通过选择最能代表对象类别的特征建立相应的映射，从而实现对于这些地理对象的分类。但由于OBIA分割技术的限制，使得地理对象往往不能包含只属于一个土地类型的像素，从而出现过分割和欠分割(Under-segmentation)现象。这种混合对象的产生直接导致了一系列难以解决的问题，虽然已经有很多专门针对OBIA分割的研究，并都取得一定的研究成果，特别是多尺度分割算法，已经被广泛的接受并应用，然而混合对象依然没有得到很好的解决，这是OBIA中的亟需解决难题。同时，到目前为止也始终没有一个指标能够对混合对象的混合程度进行很好的评估，这使得在对混合对象分类时，产生本文档来自技高网...

【技术保护点】
1.一种基于主动学习的面向对象分类方法，包括以下步骤：/n步骤1、利用多尺度分割法对高空间分辨率影像进行分割，获得分割对象；/n步骤2、基于步骤1的分割结果，观察实验区域，目视评估实验区土地覆盖情况，对每个土地类型按比例随机采样的样本，并对样本进行土地类型的标签；/n步骤3、对步骤2获得的已标签样本进行有放回的重复2N次随机采样，从已标签样本中随机抽取70-90％的样本作为子训练集；/n步骤4、利用步骤3获得的2N个子训练集，对N个支持向量机分类器和N个随机森林分类器进行训练，获得2N个分类器，使用这2N个分类器分别对步骤1获得的分割对象进行分类，统计每个分割对象的2N个分类结果；/n步骤5、...

【技术特征摘要】
1.一种基于主动学习的面向对象分类方法，包括以下步骤：
步骤1、利用多尺度分割法对高空间分辨率影像进行分割，获得分割对象；
步骤2、基于步骤1的分割结果，观察实验区域，目视评估实验区土地覆盖情况，对每个土地类型按比例随机采样的样本，并对样本进行土地类型的标签；
步骤3、对步骤2获得的已标签样本进行有放回的重复2N次随机采样，从已标签样本中随机抽取70-90％的样本作为子训练集；
步骤4、利用步骤3获得的2N个子训练集，对N个支持向量机分类器和N个随机森林分类器进行训练，获得2N个分类器，使用这2N个分类器分别对步骤1获得的分割对象进行分类，统计每个分割对象的2N个分类结果；
步骤5、对步骤4获得的每个分割对象的分类结果，计算信息熵值，并反向标准化到[0,1]区间，得到每个分割对象的明确度，将明确度为1的分割对象划分为明确对象，不为1的划分为不确定对象；
步骤6、从明确对象中随机抽取最终所需训练样本数的20％，作为主动学习的训练样本集，将根据明确度从小到大排序的不确定对象作为主动学习的候选样本集；
步骤7、将候选样本集中明确度最大的M个样本进行标签，并添加到主动学习训练样本集中，使用主动学习算法对分类模型进行自学习,M取值范围为5-30；
步骤8、重复执行步骤7，直到主动学习的训练样本数达到所需训练样本数，得到最终训练样本，使用最终训练样本训练分类模型，然后用训练后的分类模型对步骤1得到的分割对象分类，并进行基于面积的精度评估。


2.根据权利要求1所述的结合预定义的训练对象和主动学习的面向对象分类方法，其特征在于：步骤1中，使用影像分析软件对高空间分辨率影像进行反复的分割尝试，并观察分割对象的分布特征，选择对实验区分割较好...

【专利技术属性】
技术研发人员：马磊，傅腾宇，李满春，陈振杰，程亮，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32