一種基于多分類器融合的高分辨率遙感影像分類方法
【專利摘要】本發(fā)明公開一種基于多分類器融合的高分辨率遙感影像分類方法，包括下述步驟：首先，在感興趣區(qū)域選取訓練樣本集；其次，利用多個分類器分別對遙感影像進行分類；然后，將地物類別分類精度低于閾值a的區(qū)域采用基于先驗知識的投票法再次進行分類；最后，將地物類別分類精度低于閾值b的區(qū)域運用模糊決策樣板法進行分類，最終得到目標影像的分類結(jié)果。本發(fā)明最大限度地集中單分類器的優(yōu)勢，抑制單分類器的劣勢，降低“同物異譜”、“同譜異物”對分類精度的影響，提高了高分辨率遙感影像分類精度。
【專利說明】一種基于多分類器融合的高分辨率遙感影像分類方法
【技術領域】
[0001]本發(fā)明涉及一種基于多分類器融合的高分辨率遙感影像分類方法，特別是一種基于多層次控制的多分類器融合的高分辨率遙感影像分類方法，屬于感影像處理【技術領域】。
【背景技術】
[0002]遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個像元劃歸到各個子空間去。
[0003]相比于中低分辨率遙感影像，高分辨率遙感影像能夠更加清楚地表達地物目標的空間結(jié)構與表層紋理特征，可分辨出地物內(nèi)容更為精細的組成，地物邊緣信息也更加清晰，為有效的解義分析提供了條件和基礎。高分辨率遙感影像存在以上優(yōu)勢，但是也面臨一些挑戰(zhàn)。高分辨率遙感影像數(shù)據(jù)量大，空間分辨率高，單幅影像的數(shù)據(jù)量就顯著增加。細節(jié)復雜，由于高分辨率遙感影像信息的高度細節(jié)化，在雙向反射率因子(BRDF)等影響下，造成同一地物的不同部分灰度可能不一致；加之地物陰影、相互遮蓋、云層遮蓋等因素，高分辨率遙感影像的“同物異譜”現(xiàn)象更為突出，“同譜異物”現(xiàn)象依舊存在，這為信息提取工作帶來了很大困難。
[0004]當前，遙感影像的分類問題已經(jīng)成為一個非?；钴S的研究方向。在目前的遙感分類應用中，用得較多的是傳統(tǒng)的模式識別分類方法，諸如最小距離法、平行六面體法、最大似然法、支持向量機法、等混合距離法(IS0MIX)、循環(huán)集群法(IS0DATA)等監(jiān)督非監(jiān)督分類法。針對遙感應用技術的飛速發(fā)展，P.V BaIstad研究了利用神經(jīng)網(wǎng)絡進行遙感影像分類，章楊清等探討了利用分維向量改進神經(jīng)網(wǎng)絡在遙感模式識別中的分類精度問題，M.A.Fried和C.E.BrodIey研究了大量適用于遙感影像分類的決策樹結(jié)構。
[0005]傳統(tǒng)的遙感影像計算機分類方法是根據(jù)遙感數(shù)據(jù)的統(tǒng)計值特征與訓練樣本數(shù)據(jù)之間的統(tǒng)計關系來進行地物分類的，其分類精度往往不甚理想。同時，由于地物類型分布方式本身的復雜性，僅利用單一分類規(guī)則對影像進行分類，而不考慮空間位置、色調(diào)特征等構成影像的多種因素也是造成傳統(tǒng)分類方法不理想的原因。加上衛(wèi)星遙感影像數(shù)據(jù)分辨率的提高，同一地物的不同部分灰度可能不一致，遙感影像的“同物異譜”現(xiàn)象更為突出，“同譜異物”現(xiàn)象依舊存在，這為信息提取工作帶來了很大困難。
[0006]對于高分辨率的遙感圖像，盡管各種分類器分類性能有所差異，而且針對某一種類的分類精度不盡相同，但被不同分類器錯分的樣本并非重疊的，即對于某個分類器錯分的樣本，運用其他分類器有可能得到正確的分類結(jié)果。這表明，不同分類器之間存在著分類模式的互補。如何對這些互補信息加以利用，多分類器組合分類思想就是在這種條件下被提出來的。Leland等人在利用雷達影像進行土地覆蓋的分類時，將專家系統(tǒng)分類法和IS0DATA法結(jié)合，取得了較好的分類結(jié)果；柏延臣等利用不限定票數(shù)閉值的多數(shù)投票法分類器組合進行了相同和不同特征集訓練遙感圖像分類研究，結(jié)果發(fā)現(xiàn)，多分類器結(jié)合后總體分類精度高于單個分類器;Warrender和Augustihn使用貝葉斯技術將最大似然法和神經(jīng)網(wǎng)絡法結(jié)合進行遙感影像分類組合，結(jié)果表明組合后分類精度得到了提高；Debeir等在對比利時西部地區(qū)的遙感影像土地利用/覆蓋分類時，比較了自舉與特征子集混合分類器(a mixture of bagging and feature subset classifier, BAGFS)和兩個單分類器(最近鄰法和決策樹法)的分類結(jié)果，結(jié)果顯示BAGFS組合分類器可以一定程度上提高分類精度。
[0007]多分類器融合算法進行遙感圖像分類雖然對分類精度有所提升，但是由于地面地物復雜多樣、數(shù)據(jù)選擇不同、影像處理和分類器算法各異等相關因素的影響致使當前遙感影像分類的效果不是十分理想。

【發(fā)明內(nèi)容】

[0008]發(fā)明目的:針對現(xiàn)有技術中存在的問題，本發(fā)明提供一種基于多分類器融合的高分辨率遙感影像分類方法，該方法采用了結(jié)合投票規(guī)則、先驗規(guī)則、模糊積分融合規(guī)則的多分類器組合規(guī)則，利用模糊積分融合算法解決單一分類器的疑難類別區(qū)分問題，對于無法正確學習的類別樣本，能夠集中學習，將學習的結(jié)果輸出。最大限度的減少單分類器數(shù)量和數(shù)據(jù)冗余，降低“同物異譜”、“同譜異物”對分類精度的影響，提高了高分辨率遙感影像分類精度。
[0009]技術方案:一種基于多分類器融合的高分辨率遙感影像分類方法，包括以下步驟:
[0010]步驟I數(shù)據(jù)準備
[0011]選取需要進行分類的一幅高分辨率遙感影像數(shù)據(jù)I。
[0012]步驟2訓練樣本的采集
[0013]為了保證監(jiān)督分類結(jié)果的精度，選取感興趣區(qū)域(Region Of Interest,R0I)訓練樣本有兩個標準:一是訓練樣本的數(shù)量要足夠多，一般情況下，每類至少要有10?100個訓練樣本數(shù)據(jù)；二是訓練樣本應具有代表性，避免集中在某個局部位置上。
[0014]步驟3利用ML、NN和SVM分類器三個分類器分別對圖像I進行分類
[0015]最大似然法是基于Bayes分類準則的應用最為廣泛的監(jiān)督分類方法。主要依據(jù)光譜性質(zhì)的相似和屬于某類的概率，如果某一類別的概率最大，則將像元定義這一類別。
[0016]人工神經(jīng)網(wǎng)絡分類以其強大的非線性映射能力、自組織、自學習等特性受到人們的歡迎。神經(jīng)網(wǎng)絡模型模擬生物體神經(jīng)元和神經(jīng)脈絡處理信息的過程，涵蓋信息的獲取、提取、解譯、存儲和檢索等功能。它分散地存儲信息，對信息并行處理，具有自學習、自組織等優(yōu)良特點.神經(jīng)網(wǎng)絡的運行包括訓練或?qū)W習階段和預測(應用)階段。
[0017]支持向量機是一種基于統(tǒng)計學機器學習方法。對于非線性分類問題，常見的核函數(shù)有多項式、RBF、Sigmoid函數(shù)等。將SVM有效地推廣到多類，將多類分類問題逐步轉(zhuǎn)化為兩類分類問題，即用多個BSVM組成的多類分類器——Ι-ν-r分類器、1-v-l分類器和多級BSVM分類器。本文選用核函數(shù)為RBF，進行Ι-ν-r分類。
[0018]步驟4基于先驗知識的投票法分類器組合遙感分類
[0019]讀取先期獲取的單分類器先驗參數(shù)信息，如果某單分類器的某類別的生產(chǎn)精度和用戶精度的均值符合標準a，則將此類別分類像元作為最終的分類結(jié)果。若有兩個或兩個以上的單分類器標準a，則按照用戶精度和生產(chǎn)精度均值從大到小排序，取排序首位的單分類器的分類像元作為最終結(jié)果。[0020]不符合標準a的剩余分類像元輸入到基于先驗知識投票法中計算票數(shù)，如果某類別的票數(shù)比例符合標準b，則將該分類像元為最終的分類結(jié)果。
[0021 ] 步驟5模糊積分法分類
[0022]剩余像元值運用模糊決策樣板法進行分類。
[0023]本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點:
[0024]1.本發(fā)明通過多層次控制的多分類器融合算法，首先運用單個分類器對遙感影像進行分類，再進行精度降序排列，分類出部分像元，減少之后分類方法的工作量。
[0025]2.本發(fā)明通過多層次控制的多分類器融合算法整合了基于先驗知識的投票法和模糊積分等較為成熟的理論算法，能夠獲取更高的總體分類精度和更加穩(wěn)定的各類別分類精度。
[0026]3.本發(fā)明多層次控制的設計算法能夠最大限度地集中單分類器的優(yōu)勢，抑制單分類器的劣勢，高效地整合了聯(lián)級和并級多分類器融合算法在有爭議類別判斷上的優(yōu)點。
【專利附圖】

【附圖說明】
[0027]圖1為本發(fā)明實施例的方法實現(xiàn)流程圖。
【具體實施方式】
[0028]下面結(jié)合具體實施例，進一步闡明本發(fā)明，應理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領域技術人員對本發(fā)明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。
[0029]如圖1所示，基于多分類器融合的高分辨率遙感影像分類方法，包括以下步驟:
[0030]步驟I數(shù)據(jù)準備
[0031]選取需要分類的一幅高分辨率遙感影像數(shù)據(jù)。
[0032]步驟2訓練樣本的采集
[0033]為了保證監(jiān)督分類結(jié)果的精度，選取感興趣區(qū)域訓練樣本有兩個標準:一是訓練樣本的數(shù)量要足夠多，一般情況下，每類至少要有10~100個訓練樣本數(shù)據(jù)；二是訓練樣本應具有代表性，避免集中在某個局部位置上。
[0034]分析圖像，定義N類地物樣本，分別為Cl，C2?CN。
[0035]采用ENVI4.8軟件對目標數(shù)據(jù)進行訓練樣本的采集。具體操作步驟為:(I)打開目標影像文件并分析圖像。(2)應用ROI Tools創(chuàng)建感興趣區(qū)域:從主圖像窗口中，選擇 Overlay_>Region of Interest,打開 ROI Tools 對話框。選擇 R0I_Type_>Polygon，在Window中選擇Image,在主圖像窗口中繪制多邊形感興趣區(qū)域。在ROI Tool對話框中，單擊New Region按鈕,新建一個訓練樣本種類,重復以上步驟。(3)評價訓練樣本:在ROI Tools對話框中選擇0ptions->Compute ROI Separability。在文件選擇對話框時,選擇輸入TM圖像文件。在 ROISeparability Calculation 對話框中，單擊 Select All Items 按鈕,選擇所有ROI用于可分離性計算。在ROI Tools對話框中，選擇File->Save R0I，將所有訓練樣本保存。
[0036]步驟3利用ML、NN和SVM分類器三個分類器分別對圖像I進行分類
[0037]圖像數(shù)據(jù)經(jīng)過前期預處理，選取ROI樣本進行子分類器的訓練，然后利用子分類器單獨進行影像分類。
[0038]基于ENVI4.8中提供的分類模塊，分別采用最大似然法，神經(jīng)網(wǎng)絡法和支持向量機法對研究區(qū)遙感影像進行分類。實驗中采用相同的特征訓練數(shù)據(jù)，各方法的參數(shù)設置根據(jù)多次實驗綜合確定，選取結(jié)果較優(yōu)的參數(shù)。
[0039]最大似然法分類具體操作步驟為:(I)在主菜單中，選擇Classification_>Supervised->Likelihood Classification,選擇 TM 分類圖像，單擊 OK 打開 LikelihoodClassification 參數(shù)設置對話框。(2) Select Classes from Region,單擊 Select AllItems按鈕,選擇全部的訓練樣本。(3) Set Probability Threshold:設置似然度的閾值。
(4)Date Scale Factor輸入一個數(shù)據(jù)比例系數(shù)。(5)單擊Preview可以預覽分類結(jié)果。
[0040]神經(jīng)網(wǎng)絡法分類具體步驟:(I)主菜單中選擇Classification->Supervised_>Neural Net Classification,選擇 TM 分類圖像，單擊 OK 打開 Neural Net Classification參數(shù)設置對話框。(2) Select Classes from Regions:單擊 Select All Items 按鈕,選擇全部的訓練樣本。(3)參數(shù)設置。(4)單擊OK按鈕執(zhí)行分類。
[0041]支持向量機法分類具體步驟:(I)在主菜單中，選擇Classification_>Supervised->Support Vector Machine Classification,選擇 TM 分類圖像，單擊 OK 打開 SupportVector Machine Classification參數(shù)設置對話框。(2)Kernel Type下拉列表中選擇Radial Basis Function。(3)參數(shù)設置。(4)單擊OK按鈕執(zhí)行分類。
[0042]計算上述單分類器的誤差矩陣，并統(tǒng)計每個單分類器的總體精度、生產(chǎn)者精度、用戶精度和Kappa系數(shù)等。
[0043]步驟4基于先驗知識的投票法分類器組合遙感分類
[0044]讀取先期獲取的 單分類器先驗參數(shù)信息，如果某單分類器的某類別的生產(chǎn)精度和用戶精度的均值符合標準a，則將此類別分類像元作為最終的分類結(jié)果。若有兩個或兩個以上的單分類器標準a，則按照用戶精度和生產(chǎn)精度均值從大到小排序，取排序首位的單分類器的分類像元作為最終結(jié)果。
[0045]提取不符合標準a的剩余分類像元輸入到加權投票法中計算票數(shù)。
[0046]在獲取單分類器分類結(jié)果和性能的基礎上，采用基于先驗知識的投票法進行研究區(qū)遙感影像分類。采用各分類器的用戶精度作為投票加權值，最后使用多數(shù)投票法對各分類器的分類輸出結(jié)果進行組合決策，取不符合標準a的剩余分類像元，利用基于先驗知識的投票法組合分類，即在進行組合分類之前，對能夠反映遙感圖像的統(tǒng)計分布的測試樣本集進行分類，得到各個分類器在樣本集上的分類性能信息——即混淆矩陣，確定用戶精度投票加權值，最后使用多數(shù)投票法對各分類器的輸出結(jié)果進行組合決策?；煜仃嚍?
[0047]
【權利要求】
1.一種基于多分類器融合的高分辨率遙感影像分類方法，其特征在于，包括下述步驟: 步驟1數(shù)據(jù)準備 選取需要進行分類的一幅高分辨率遙感影像數(shù)據(jù)圖像I; 步驟2訓練樣本的采集 選取感興趣區(qū)域訓練樣本有兩個標準:一是訓練樣本的數(shù)量要足夠多，每類至少要有10~100個訓練樣本數(shù)據(jù)；二是訓練樣本避免集中在某個局部位置； 步驟3利用ML、NN和SVM分類器三個分類器分別對圖像I進行分類圖像I數(shù)據(jù)經(jīng)過前期預處理，選取ROI樣本進行子分類器的訓練，然后利用子分類器單獨進行影像分類； 步驟4基于先驗知識的投票法分類器組合遙感分類 讀取先期獲取的單分類器先驗參數(shù)信息，如果某單分類器的某類別的生產(chǎn)精度和用戶精度的均值符合標準a，閾值a設定為85%，則將此類別分類像元作為最終的分類結(jié)果；若有兩個或兩個以上的單分類器標準a，則按照用戶精度和生產(chǎn)精度均值從大到小排序，取排序首位的單分類器的分類像元作為最終結(jié)果； 不符合標準a的剩余分類像元輸入到基于先驗知識投票法中計算票數(shù)，如果某類別的票數(shù)比例符合標準b，閾值b設定為90%，則將該分類像元為最終的分類結(jié)果； 步驟5模糊積分法分類 對剩余像元值運用模糊決策樣板法進行分類。
2.根據(jù)權利要求1所述的基于多分類器融合的高分辨率遙感影像分類方法，其特征在于，所述步驟4包括如下步驟: 讀取先期獲取的單分類器先驗參數(shù)信息，如果某單分類器的某類別的生產(chǎn)精度和用戶精度的均值符合標準a，則將此類別分類像元作為最終的分類結(jié)果；若有兩個或兩個以上的單分類器標準a，則按照用戶精度和生產(chǎn)精度均值從大到小排序，取排序首位的單分類器的分類像元作為最終結(jié)果； 采用各分類器的用戶精度作為投票加權值，最后使用多數(shù)投票法對各分類器的分類輸出結(jié)果進行組合決策，取不符合標準a的剩余分類像元，利用基于先驗知識的投票法組合分類，即在進行組合分類之前，對能夠反映遙感圖像的統(tǒng)計分布的測試樣本集進行分類，得到各個分類器在樣本集上的分類性能信息——即混淆矩陣，確定用戶精度投票加權值，最后使用多數(shù)投票法對各分類器的輸出結(jié)果進行組合決策；混淆矩陣為:
V” w⑷…"⑷ ηψ X ~
nW "12,ι\Μ "1(Μ+1)
Jk) Jk)Jk) Jk) CMk =:: , ； , } fk = lX...R式中，4 ?.*?.I I ) --...V *
?(*) Jk)…Jk)
_nMl nMlnMM nM(M+\)_為ek將Ci類中的樣本識別成Cj的數(shù)量；若i = j則為正確識別Ci的數(shù)量；若i古j，則nf、為ek將Ci類中的樣本錯誤識別為&類的數(shù)量；對ek而言，類別的用戶精度Pk (X e Cj)即為分類器對輸入X識別結(jié)果為ek = j的情況下，X實際為類別的概率，
3.根據(jù)權利要求1所述的基于多分類器融合的高分辨率遙感影像分類方法，其特征在于，所述步驟5包括如下步驟: 設Ω為特征空間，C= IC1, C2，…CJ是L個分類器，W1, W1，…，W。表示c個目標類別，用Ci (X) = [(Iil(X),…，屯。(X)]表示第i個分類器Ci的輸出，(Iij(X) e [O, I];對于給定的樣本X，X e Ω，定義分類器的聯(lián)合決策剖面的矩陣為:
【文檔編號】G06K9/62GK103489005SQ201310461945
【公開日】2014年1月1日 申請日期:2013年9月30日 優(yōu)先權日:2013年9月30日
【發(fā)明者】石愛業(yè), 嚴威, 申邵洪, 夏晨陽, 吳國寶, 程學軍, 文雄飛, 陳鵬霄 申請人:河海大學, 長江水利委員會長江科學院