【技术实现步骤摘要】
一种基于多分类器融合的高分辨率遥感影像分类方法
本专利技术涉及一种基于多分类器融合的高分辨率遥感影像分类方法,特别是一种基于多层次控制的多分类器融合的高分辨率遥感影像分类方法,属于感影像处理
技术介绍
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,并用一定的手段将特征空间划分为互不重叠的子空间,然后将图像中的各个像元划归到各个子空间去。相比于中低分辨率遥感影像,高分辨率遥感影像能够更加清楚地表达地物目标的空间结构与表层纹理特征,可分辨出地物内容更为精细的组成,地物边缘信息也更加清晰,为有效的解义分析提供了条件和基础。高分辨率遥感影像存在以上优势,但是也面临一些挑战。高分辨率遥感影像数据量大,空间分辨率高,单幅影像的数据量就显著增加。细节复杂,由于高分辨率遥感影像信息的高度细节化,在双向反射率因子(BRDF)等影响下,造成同一地物的不同部分灰度可能不一致;加之地物阴影、相互遮盖、云层遮盖等因素,高分辨率遥感影像的“同物异谱”现象更为突出,“同谱异物”现象依旧存在,这为信息提取工作带来了很大困难。当前,遥感影像的分类问题已经成为一个非常活跃的研究方向。在目前的遥感分类应用中,用得较多的是传统的模式识别分类方法,诸如最小距离法、平行六面体法、最大似然法、支持向量机法、等混合距离法(ISOMIX)、循环集群法(ISODATA)等监督非监督分类法。针对遥感应用技术的飞速发展,P.VBaIstad研究了利用神经网络进行遥感影像分类,章杨清等探讨了利用分维向量改进神经网络在遥感模式识别中的分类精度问题,M.A.Fri ...
【技术保护点】
一种基于多分类器融合的高分辨率遥感影像分类方法,其特征在于,包括下述步骤:步骤1数据准备选取需要进行分类的一幅高分辨率遥感影像数据图像I;步骤2训练样本的采集选取感兴趣区域训练样本有两个标准:一是训练样本的数量要足够多,每类至少要有10~100个训练样本数据;二是训练样本避免集中在某个局部位置;步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类图像I数据经过前期预处理,选取ROI样本进行子分类器的训练,然后利用子分类器单独进行影像分类;步骤4基于先验知识的投票法分类器组合遥感分类读取先期获取的单分类器先验参数信息,如果某单分类器的某类别的生产精度和用户精度的均值符合标准a,阈值a设定为85%,则将此类别分类像元作为最终的分类结果;若有两个或两个以上的单分类器标准a,则按照用户精度和生产精度均值从大到小排序,取排序首位的单分类器的分类像元作为最终结果;不符合标准a的剩余分类像元输入到基于先验知识投票法中计算票数,如果某类别的票数比例符合标准b,阈值b设定为90%,则将该分类像元为最终的分类结果;步骤5模糊积分法分类对剩余像元值运用模糊决策样板法进行分类。
【技术特征摘要】
1.一种基于多分类器融合的高分辨率遥感影像分类方法,其特征在于,包括下述步骤:步骤1数据准备选取需要进行分类的一幅高分辨率遥感影像数据图像I;步骤2训练样本的采集选取感兴趣区域训练样本有两个标准:一是训练样本的数量要足够多,每类至少要有10~100个训练样本数据;二是训练样本避免集中在某个局部位置;步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类图像I数据经过前期预处理,选取ROI样本进行子分类器的训练,然后利用子分类器单独进行影像分类;步骤4基于先验知识的投票法分类器组合遥感分类读取先期获取的单分类器先验参数信息,如果某单分类器的某类别的生产精度和用户精度的均值符合标准a,阈值a设定为85%,则将此类别分类像元作为最终的分类结果;若有两个或两个以上的单分类器标准a,则按照用户精度和生产精度均值从大到小排序,取排序首位的单分类器的分类像元作为最终结果;不符合标准a的剩余分类像元输入到基于先验知识投票法中计算票数,如果某类别的票数比例符合标准b,阈值b设定为90%,则将该分类像元为最终的分类结果;步骤5模糊积分法分类对剩余像元值运用模糊决策样板法进行分类;所述步骤4包括如下步骤:读取先期获取的单分类器先验参数信息,如果某单分类器的某类别的生产精度和用户精度的均值符合标准a,则将此类别分类像元作为最终的分类结果;若有两个或两个以上的单分类器标准a,则按照用户精度和生产精度均值从大到小排序,取排序首位的单分类器的分类像元作为最终结果;采用各分类器的用户精度作为投票加权值,最后使用多数投票法对各分类器的分类输出结果进行组合决策,取不符合标准a的剩余分类像元,利用基于先验知识的投票法组合分类,即在进行组合分类之前,对能够反映遥感图像的统计分布的测试样本集进行分类,得到各个分类器在样本集上的分类性能信息——即混淆矩阵,确定用户精度投票加权值,最后使用多数投票法对各分类器的输出结果进行组合决策;混淆矩阵为:式中,为ek将Ci类中的样本识别成Cj的数量;若i=j则为正确识别Ci的数量;若i≠j,则为ek将Ci类中的样本错误识别为Cj类的数量;对ek而言,类别Cj的用户精度pk(X∈Cj)即为分类器对输入X识别结果为ek=j的情况下,X实际为类别Cj的概率,基于先验知识的投票法组合规则:其中,对于某一输入X,Tk(X∈Cj)为类别Cj在分类器ek分类输出中得到的票数,即若输出类别为j,则对类别Cj投出的票数不再为一票,而为该类别的用户精度...
【专利技术属性】
技术研发人员:石爱业,严威,申邵洪,夏晨阳,吴国宝,程学军,文雄飞,陈鹏霄,
申请(专利权)人:河海大学,长江水利委员会长江科学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。