一种基于多分类器融合的高分辨率遥感影像分类方法技术

本发明专利技术公开一种基于多分类器融合的高分辨率遥感影像分类方法，包括下述步骤：首先，在感兴趣区域选取训练样本集；其次，利用多个分类器分别对遥感影像进行分类；然后，将地物类别分类精度低于阈值a的区域采用基于先验知识的投票法再次进行分类；最后，将地物类别分类精度低于阈值b的区域运用模糊决策样板法进行分类，最终得到目标影像的分类结果。本发明专利技术最大限度地集中单分类器的优势，抑制单分类器的劣势，降低“同物异谱”、“同谱异物”对分类精度的影响，提高了高分辨率遥感影像分类精度。

【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.Fried和C.E.BrodIey研究了大量适用于遥感影像分类的决策树结构。传统的遥感影像计算机分类方法是根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的，其分类精度往往不甚理想。同时，由于地物类型分布方式本身的复杂性，仅利用单一分类规则对影像进行分类，而不考虑空间位置、色调特征等构成影像的多种因素也是造成传统分类方法不理想的原因。加上卫星遥感影像数据分辨率的提高，同一地物的不同部分灰度可能不一致，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。对于高分辨率的遥感图像，尽管各种分类器分类性能有所差异，而且针对某一种类的分类精度不尽相同，但被不同分类器错分的样本并非重叠的，即对于某个分类器错分的样本，运用其他分类器有可能得到正确的分类结果。这表明，不同分类器之间存在着分类模式的互补。如何对这些互补信息加以利用，多分类器组合分类思想就是在这种条件下被提出来的。Leland等人在利用雷达影像进行土地覆盖的分类时，将专家系统分类法和ISODATA法结合，取得了较好的分类结果；柏延臣等利用不限定票数闭值的多数投票法分类器组合进行了相同和不同特征集训练遥感图像分类研究，结果发现，多分类器结合后总体分类精度高于单个分类器；Warrender和Augustihn使用贝叶斯技术将最大似然法和神经网络法结合进行遥感影像分类组合，结果表明组合后分类精度得到了提高；Debeir等在对比利时西部地区的遥感影像土地利用/覆盖分类时，比较了自举与特征子集混合分类器(amixtureofbaggingandfeaturesubsetclassifier,BAGFS)和两个单分类器(最近邻法和决策树法)的分类结果，结果显示BAGFS组合分类器可以一定程度上提高分类精度。多分类器融合算法进行遥感图像分类虽然对分类精度有所提升，但是由于地面地物复杂多样、数据选择不同、影像处理和分类器算法各异等相关因素的影响致使当前遥感影像分类的效果不是十分理想。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于多分类器融合的高分辨率遥感影像分类方法，该方法采用了结合投票规则、先验规则、模糊积分融合规则的多分类器组合规则，利用模糊积分融合算法解决单一分类器的疑难类别区分问题，对于无法正确学习的类别样本，能够集中学习，将学习的结果输出。最大限度的减少单分类器数量和数据冗余，降低“同物异谱”、“同谱异物”对分类精度的影响，提高了高分辨率遥感影像分类精度。技术方案：一种基于多分类器融合的高分辨率遥感影像分类方法，包括以下步骤：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I。步骤2训练样本的采集为了保证监督分类结果的精度，选取感兴趣区域(RegionOfInterest，ROI)训练样本有两个标准：一是训练样本的数量要足够多，一般情况下，每类至少要有10～100个训练样本数据；二是训练样本应具有代表性，避免集中在某个局部位置上。步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类最大似然法是基于Bayes分类准则的应用最为广泛的监督分类方法。主要依据光谱性质的相似和属于某类的概率，如果某一类别的概率最大，则将像元定义这一类别。人工神经网络分类以其强大的非线性映射能力、自组织、自学习等特性受到人们的欢迎。神经网络模型模拟生物体神经元和神经脉络处理信息的过程，涵盖信息的获取、提取、解译、存储和检索等功能。它分散地存储信息，对信息并行处理，具有自学习、自组织等优良特点.神经网络的运行包括训练或学习阶段和预测（应用）阶段。支持向量机是一种基于统计学机器学习方法。对于非线性分类问题，常见的核函数有多项式、RBF、Sigmoid函数等。将SVM有效地推广到多类，将多类分类问题逐步转化为两类分类问题，即用多个BSVM组成的多类分类器——1-v-r分类器、1-v-1分类器和多级BSVM分类器。本文选用核函数为RBF，进行1-v-r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，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，则将该分类像元为最终的分类结果。步骤5模糊积分法分类剩余像元值运用模糊决策样板法进行分类。本专利技术与现有的技术相比具有以下优点：1.本专利技术通过多层次控制的多分类器融合算法，首先运用单个分类器对遥感影像进行分类，再进行精度降序排列，分类出部分像元，减少之后分类方法的工作量。2.本专利技术通过多层次控制的多分类器融合算法整合了基于先验知识的投票法和模糊积分等较为成熟的理论算法，能够获取更高的总体分类精度和更加稳定的各类别分类精度。3.本专利技术多层次控制的设计算法能够最大限度地集中单分类器的优势，抑制单分类器的劣势，高效地整合了联级和并级多分类器融合算法在有争议类别判断上的优点。附图说明图1为本专利技术实施例的方法实现流程图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，基于多分类器融合的高分辨率遥感影像分类方法，包括以下步骤：步骤1数据准备选取需要本文档来自技高网...

【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：