基于局部自适应尺度集成学习的高分辨率影像分类方法技术

本发明专利技术公开了一种基于局部自适应尺度集成学习的高分辨率影像分类方法，包括步骤：获取工作区的样本和高分辨率遥感影像；通过不同分割尺度下影像对象平均局部同质性的变化率曲线，获取若干个优选尺度分割结果；计算不同优选尺度分割结果下每个分割对象的分类特征，构建整幅影像的覆盖特征矩阵；计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度；整幅影像的局部自适应尺度的集成学习并分割影像；构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类。其显著效果是：巧妙的避开了在基于对象分类范式中最佳分割参数的选择问题，实现了不同尺度下分类信息的集成，提高了高分率遥感影像的地物识别精度。度。度。

【技术实现步骤摘要】
基于局部自适应尺度集成学习的高分辨率影像分类方法


[0001]本专利技术涉及到遥感图像识别以及基于对象分类方法
，具体涉及一种基于局部自适应尺度集成学习的高分辨率影像分类方法。

技术介绍

[0002]微电子技术的发展让遥感传感器可获取的影像分辨率越来越高。在中国，2014年升空的高分2号已经可以同时获取1m的全色波段数据和4m的多光谱数据。2016年，美国发射的WorldView
‑
4卫星更是将全色波段的空间分辨率提升至0.3m。遥感图像分辨率的逐步提升为现实世界地物向遥感图像映射提供了更好的细节表达，同时也让基于对象分析(Object Oriented Image Analysis，OBIA)的分类方法变得越来越普遍。OBIA分类是指将遥感影像分割后的对象作为一个研究单元，该影像对象可以是一个像元，也可以是多个像元的集合体，然后从该单元的综合特征信息出发对该影像对象进行归属判定，从而提取影像上的信息。
[0003]图像的分割不仅是OBIA分类范式的核心，也是OBIA的第一步。分割过程根据光谱特征、几何特征、纹理特征等将影像划分成多个光谱相似的、空间相邻且有实际语义的单元，并认为单元内所有像素具备相同属性以形成同质对象。这些单元在一定程度上和具有清晰语义的现实世界中的地物相对应。当前已知的分割算法已多达上千种，但由于通用的分割理论比较欠缺，因此在图像分割方法领域仍有待研究。如何从众多方法中选择一个合适的分割方法，或对某个分割算法确定一个最佳的分割参数成为有待解决的问题。
[0004]在所有分割参数中，分割尺度参数控制分割后对象的相对大小最为重要。在以往的一些研究中，部分学者通过各种监督学习的方式在一定程度上得到了一个相对理想的分割尺度，但在参数优化以及选取过程中仍存在一些问题：大多数方法太过于注重寻找某一个最优的尺度参数来分割图像，而忽略了分割图像的最终目的是为了提高分类精度。这里首先要澄清一般研究中所描述的最优尺度是什么，最优尺度的“最优”指得是针对所有地物在全幅影像上最优，而不是一个能将所有影像对象和具有清晰现实世界语义的地物完美对应的尺度。因此尺度参数没有“绝对最好”这一说法。地表覆盖类型往往非常复杂，不同地物所对应的分割尺度都有所差异，当使用某单一最优尺度时，可以做到凸显某种地类信息，但又不可避免的会损伤到其它地类的信息，所以很难定义单个或者某个最优的分割尺度参数。因此，一幅图像是允许出现几个最优尺度的，不同的最优尺度对应了不同地物的语义显著区域。把“最优尺度”称为“优选尺度”或许更为合适。相比尺度，生产人员其实更愿意关心精度，只要最终的分类精度足够高，其实是可以不关心尺度选择这个中间过程是如何运行的，甚至允许分类过程中一幅图像上出现多个优选尺度。因此如何将多个尺度参数同时集成进图像分割和地物识别工作中是当前的一个难点。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的是提供一种基于局部自适应尺度集成学习的
高分辨率影像分类方法，首先通过不同分割尺度下的平均局部同质性筛选得到优选尺度集；再在不同优选分割尺度上进行集成学习，通过计算不同优选分割尺度下的特征贡献度累计值来获取被计算单元对应的局部自适应尺度，从而在图像全域形成不同局部向不同尺度的映射逻辑关系；最后在分割结果下实现最终的地物分类与识别。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]一种基于局部自适应尺度集成学习的高分辨率影像分类方法，其关键在于：包括以下步骤：
[0008]步骤1：明确待分类地物体系，获取工作区的样本和高分辨率遥感影像；
[0009]步骤2：通过不同分割尺度下影像对象平均局部同质性的变化率曲线，获取若干个优选尺度分割结果；
[0010]步骤3：通过用户经验法和特征选择算法集成多类特征，并计算不同优选尺度分割结果下每个分割对象的分类特征，构建整幅影像的覆盖特征矩阵；
[0011]步骤4：计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度，并按照大小进行排序；
[0012]步骤5：进行整幅影像的局部自适应尺度的集成学习，并根据局部自适应尺度分割影像；
[0013]步骤6：构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类，选取测试精度最高的结果作为分类结果完成地物最终的分类提取。
[0014]进一步的，步骤1中工作区内若存在植被类地物，则获取的高分辨遥感影像的时相还应该包含植被类地物的多个关键物候期，并通过波段合成制作输入影像。
[0015]进一步的，步骤2中所述优选尺度分割结果的获取步骤如下：
[0016]步骤2
‑
1：超参数设置，并根据超参数确定的不同的分割尺度，利用MRS方法对输入影像进行循环分割；
[0017]步骤2
‑
2：计算不同分割尺度下分割结果的平均局部同质性，同时以尺度参数为横轴，构建不同分割尺度下影像对象平均局部同质性的变化函数；
[0018]步骤2
‑
3：计算不同分割尺度下影像对象平均局部同质性变化函数的变化率，并构建变化率曲线；
[0019]步骤2
‑
4：在变化率曲线选择若干个明显峰值点所指向的尺度参数作为优选尺度参数，以这些优选尺度参数下的图像分割结果作为优选分割结果。
[0020]进一步的，所述不同分割尺度下分割结果的平均局部同质性的计算公式为：
[0021][0022]其中，LV为目标尺度层计算的平均局部同质性，σ
ij
表示位于第i行第j列的像元的局部同质性，通过像素所在分割对象的标准差计算得到，I、J为获取的高分辨率遥感影像的行列数。
[0023]进一步的，所述不同分割尺度下影像对象平均局部同质性变化函数的变化率的计算公式为：
[0024][0025]其中，RLV为目标尺度层相较于低于目标尺度层一级的尺度层的平均局部同质性的变化率，LV表示在目标尺度层计算的平均局部同质性，LV
‑1表示在低于目标尺度层一级的尺度层所计算的平均局部同质性。
[0026]进一步的，步骤3中所述覆盖特征矩阵的构建步骤如下：
[0027]步骤3
‑
1：基于用户经验法和特征选择算法确定并优化待分类特征的类型和数目；
[0028]步骤3
‑
2：循环计算每个优选分割结果下影像对象的不同特征的具体特征值；
[0029]步骤3
‑
3：将每个优选分割结果下影像对象的特征值赋给其覆盖像素，得到整幅影像的覆盖特征矩阵。
[0030]进一步的，步骤4中覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度的计算步骤如下：
[0031]步骤4
‑
1：根据随机森林算法构建多棵分类树；
[0032]步骤4
‑
2：计算每棵分类树上每个节点上的基尼指数；
[0033]步骤4
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部自适应尺度集成学习的高分辨率影像分类方法，其特征在于，包括以下步骤：步骤1：明确待分类地物体系，获取工作区的样本和高分辨率遥感影像；步骤2：通过不同分割尺度下影像对象平均局部同质性的变化率曲线，获取若干个优选尺度分割结果；步骤3：通过用户经验法和特征选择算法集成多类特征，并计算不同优选尺度分割结果下每个分割对象的分类特征，构建整幅影像的覆盖特征矩阵；步骤4：计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度，并按照大小进行排序；步骤5：进行整幅影像的局部自适应尺度的集成学习，并根据局部自适应尺度分割影像；步骤6：构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类，选取测试精度最高的结果作为分类结果完成地物最终的分类提取。2.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法，其特征在于，步骤1中工作区内若存在植被类地物，则获取的高分辨遥感影像的时相还应该包含植被类地物的多个关键物候期，并通过波段合成制作输入影像。3.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法，其特征在于，步骤2中所述优选尺度分割结果的获取步骤如下：步骤2
‑
1：超参数设置，并根据超参数确定的不同的分割尺度，利用MRS方法对输入影像进行循环分割；步骤2
‑
2：计算不同分割尺度下分割结果的平均局部同质性，同时以尺度参数为横轴，构建不同分割尺度下影像对象平均局部同质性的变化函数；步骤2
‑
3：计算不同分割尺度下影像对象平均局部同质性变化函数的变化率，并构建变化率曲线；步骤2
‑
4：在变化率曲线选择若干个明显峰值点所指向的尺度参数作为优选尺度参数，以这些优选尺度参数下的图像分割结果作为优选分割结果。4.根据权利要求3所述的基于局部自适应尺度集成学习的高分辨率影像分类方法，其特征在于，所述不同分割尺度下分割结果的平均局部同质性的计算公式为：其中，LV为目标尺度层计算的平均局部同质性，σ
ij
表示位于第i行第j列的像元的局部同质性，通过像素所在分割对象的标准差计算得到，I、J为获取的高分辨率遥感影像的行列数。5.根据权利要求3或4所述的基于局部自适应尺度集成学习的高分辨率影像分类方法，其特征...

【专利技术属性】
技术研发人员：汤曾伟，丁忆，肖禾，王亚林，李政，马泽忠，罗鼎，钱文进，李朋龙，刘建，范文武，曾远文，曾攀，舒文强，秦瑛歆，
申请(专利权)人：重庆市地理信息和遥感应用中心，
类型：发明
国别省市：