樣本自適應多特徵加權的遙感圖像分類方法
2023-09-20 04:14:15
樣本自適應多特徵加權的遙感圖像分類方法
【專利摘要】本發明公開了一種樣本自適應多特徵加權的遙感圖像分類方法，屬於遙感圖像處理【技術領域】。本發明方法針對不同樣本在最近鄰空間特徵分布情況不同而確定各個特徵的權重，並根據每種特徵的分類結果進行多分類器自適應綜合，最終獲得多特徵融合後的分類結果，從而充分發揮各特徵對不同樣本的優勢，使特徵融合結果更佳。本發明方法能夠針對不同測試樣本圖像自適應地選擇不同的特徵權重，發揮各特徵在不同樣本和不同局部特徵空間的分類優勢，提高了分類準確率，最終從整體上提高了分類性能。
【專利說明】樣本自適應多特徵加權的遙感圖像分類方法
【技術領域】
[0001] 本發明涉及一種遙感圖像分類方法，尤其涉及一種多特徵融合的遙感圖像分類方 法，屬於遙感圖像處理【技術領域】。
【背景技術】
[0002] 隨著遙感科學的發展和技術應用的深入，遙感研究正在由定性向定量轉變。傳統 的基於像元的遙感圖像分類主要藉助統計模式識別理論和方法，在技術和應用上已經很 成熟。可單純依靠像元光譜統計信息對遙感影像進行分類有很大的局限性，不但精度低， 而且會產生大量的數據冗餘。高解析度遙感影像能夠提供豐富的地物細節，但各種地物空 間分布複雜，同類物體呈現出很大的光譜異質性，基於像元的分類技術容易造成較多的錯 分、漏分現象，從而導致分類精度較低。
[0003] 近年來，研究者發現對於高解析度遙感圖像中的目標，不同特徵的作用各不相同， 彼此存在互補的現象。綜合考慮圖像的紋理特徵、光譜特徵和形狀信息等多種特徵信息的 遙感影像解譯技術已經得到了廣泛的研究和應用，提高了遙感信息提取的精度和可靠性。 國內外多數學者使用一種算法或者規則將多個分類器進行組合，提高了分類精度。具有代 表性的幾種組合方法有多數投票法、加權綜合法、完全一致法、最大概率類別法、模糊積分 融合法等。下面對最常見的幾種方法進行簡單介紹：
[0004] (1)多數投票法。多數投票法屬於典型的抽象級分類器融合方法，其基本思想是 當各子分類器輸出結果不完全一致時，可以通過投票的方式來決定類別的歸屬問題。多數 投票法基於群體的判斷優於個體的判斷假設，簡單、準確且易操作，由於其判決條件比較苛 亥IJ，結果的可靠性較高，但會出現判決率降低，而且沒有考慮各分類器本身的特性。
[0005] (2)加權綜合法。加權綜合規則下的分類精度明顯高於多數投票規則下的分類精 度。因為加權求和規則本身就是針對多數票規則，一人一票的缺點提出的，在確定各個分 類器的權重時，採用該成員分類器獨立分類的總體精度作為其衡量值，但是關於權重的定 量沒有考慮到特徵的局部特點，即樣本的多樣性，不能合理地衡量成員分類器分類能力的 值。如果能確定更合理的權重，那麼加權求和規則下的組合精度將更高。
[0006] (3)完全一致法。完全一致法要求很嚴格，只有在各個分類器輸出一致的情況下才 輸出結果，否則拒識。因此，在分類器分類不一致的情況下，該方法不能給出很好的分類效 果，不僅沒有考慮到單個特徵對分類的作用，而且沒有合理結合樣本的多樣性，導致分類精 度很低。
[0007] 現有這些多特徵融合的遙感圖像分類方法均未考慮到遙感目標的多樣性，不能充 分利用樣本空間的局部特徵相關性信息，因而分類精度差強人意。
【發明內容】
[0008] 本發明所要解決的技術問題在於克服現有多特徵融合的遙感圖像分類技術的不 足，提供一種樣本自適應多特徵加權的遙感圖像分類方法，針對不同樣本在最近鄰空間特 徵分布情況不同而確定各個特徵的權重，並根據每種特徵的分類結果進行多分類器自適應 綜合，最終獲得多特徵融合後的分類結果，從而充分發揮各特徵對不同樣本的優勢，使特徵 融合結果更佳。
[0009] 本發明的樣本自適應多特徵加權的遙感圖像分類方法，首先利用遙感圖像訓練集 在Q個不同的圖像特徵空間中分別訓練分類模型，得到Q個對應不同圖像特徵的分類器，Q 為大於2的自然數；然後分別利用這Q個分類器對待分類的測試遙感圖像進行分類，得到該 測試遙感圖像的Q組類別預測結果；最後對得到的Q組類別預測結果進行加權綜合，得到該 測試遙感圖像最終的分類結果；具體按照以下方法對得到的Q組類別預測結果進行加權綜 合：
[0010] 步驟1、初始化各圖像特徵的權重Wi為1，i=l，2,…，Q ;
[0011] 步驟2、利用特徵的加權歐氏距離，從遙感圖像訓練集中獲取測試遙感圖像的1(3個 最近鄰樣本，測試遙感圖像X與遙感圖像訓練集樣本y之間的加權歐式距離d按照下式得 到：
[0012]
【權利要求】
1.樣本自適應多特徵加權的遙感圖像分類方法，首先利用遙感圖像訓練集在Q個不同 的圖像特徵空間中分別訓練分類模型，得到Q個對應不同圖像特徵的分類器，Q為大於2的 自然數；然後分別利用這Q個分類器對待分類的測試遙感圖像進行分類，得到該測試遙感 圖像的Q組類別預測結果；最後對得到的Q組類別預測結果進行加權綜合，得到該測試遙感 圖像最終的分類結果；其特徵在於，具體按照以下方法對得到的Q組類別預測結果進行加 權綜合： 步驟1、初始化各圖像特徵的權重A為1，i=l，2,…，Q ; 步驟2、利用特徵的加權歐氏距離，從遙感圖像訓練集中獲取測試遙感圖像的1(3個最近 鄰樣本，測試遙感圖像X與遙感圖像訓練集樣本y之間的加權歐式距離d按照下式得到：
其中，Wi為圖像特徵i對應的權重，Xi和yi分別為測試遙感圖像X與訓練遙感圖像樣 本y的第i個圖像特徵分量； 步驟3、對K3個最近鄰樣本中的每一個，分別以該最近鄰樣本為測試樣本，按照以下方 法計算每個圖像特徵對該最近鄰樣本的分類預測能力： 步驟3-1、利用特徵的加權歐氏距離，從遙感圖像訓練集中獲取測試樣本的&和Κ2個 最近鄰樣本，分別構成該測試樣本的第一鄰域和第二鄰域； 步驟3-2、利用下式計算測試樣本的第一鄰域中的任一樣本屬於各個圖像類別的概 率：
其中，a^_表示測試樣本的第一鄰域中的任一樣本屬於第j種圖像類別的概率， j e {1，2, . . .，J}，J為圖像類別總數，％為測試樣本的第一鄰域中屬於第j種圖像類 別的樣本個數； 步驟3-3、對測試樣本的第二鄰域，利用下式計算各圖像特徵空間中與測試樣本之間的 歸一化歐氏距離在預設距離閾值Ai內的任一樣本屬於各圖像類別的概率：
r 其中，b,;表示在第i個圖像特徵空間中，與測試樣本之間的歸一化歐氏距離在 預設距離閾值Ai內的任一樣本，屬於第j種圖像類別的概率，i e {1，2，...，Q}， je {1，2，...，J} ;N/表示在第i個圖像特徵空間中，與測試樣本之間的歸一化歐氏距離 在預設距離閾值Ai內的屬於第j種圖像類別的樣本個數；在第i個圖像特徵空間中，測試 樣本與其第二鄰域中任一樣本的歸一化歐氏距離為：測試樣本與該樣本間的歐氏距離除以 測試樣本與其第二鄰域中所有樣本的平均歐氏距離； 步驟3-4、利用以上得到的d和b〖，根據下式計算各圖像特徵對測試樣本的分類預測 評估能力：
f 式中，A表示第i個圖像特徵對該測試樣本的分類預測評估能力指數， i e {1,2,..., Q}； 步驟4、分別求取各圖像特徵對所述K3個最近鄰樣本的分類預測評估能力指數的平均 值i，ie {1，2，...，Q}，以其作為各圖像特徵對所述測試遙感圖像的局部分類預測能力， 並利用?更新各圖像特徵的權重&:
其中，c為預設的大於等於0的指數加權因子； 步驟5、重複執行步驟2?步驟4直至滿足預設的迭代終止條件，以當前輸出的各圖像 特徵的權重&與相應的分類器對測試遙感圖像的分類結果？1相乘，得到各圖像特徵所對應 分類器加權後的分類結果：Ρ/ =?Λ，i e {1，2,...，Q};最後取加權概率和最大的類作為所 述測試遙感圖像最終的分類結果。
2. 如權利要求1所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，所述 Q的取值大於等於3,且所述Q個不同的圖像特徵包括視覺詞袋特徵、顏色特徵，以及紋理特 徵。
3. 如權利要求2所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，所述 顏色特徵為顏色直方圖。
4. 如權利要求2所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，所述 紋理特徵為Gabor紋理特徵。
5. 如權利要求1所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，所述 分類模型為支持向量機。
6. 如權利要求1所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，&的 值為9, K2和K3的值均為遙感圖像訓練集中線訓練樣本總數的15%，c的值為18, Λ i的值為 1〇
7. 如權利要求1所述樣本自適應多特徵加權的遙感圖像分類方法，其特徵在於，所述 迭代終止條件為迭代次數達到3次。
【文檔編號】G06K9/62GK104252625SQ201310267634
【公開日】2014年12月31日 申請日期:2013年6月28日 優先權日:2013年6月28日
【發明者】李士進, 常純, 萬定生, 朱躍龍, 馮鈞, 仇建斌 申請人:河海大學