專利名稱：一種范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合的遙感影像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)遙感影像處理與模式識(shí)別領(lǐng)域，是一種范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合的遙感影像分類方法。本發(fā)明能夠重復(fù)利用并優(yōu)化整合已有的遙感樣本數(shù)據(jù)和分類知識(shí)，特別適合實(shí)地采樣困難、訓(xùn)練樣本時(shí)效性較差等情況下的有監(jiān)督遙感影像分類問(wèn)題，在遙感信息處理系統(tǒng)、遙感影像自動(dòng)解譯等領(lǐng)域均可有廣泛的應(yīng)用。
背景技術(shù)：
有監(jiān)督分類方法是遙感影像分類工作采用的主要方法，而多數(shù)有監(jiān)督分類方法是建立在訓(xùn)練樣本充足可靠的前提假設(shè)之下的(Stathakis，D.，& Vasilakos，A.(2006).Comparison ofcomputational intelligence based classification techniques for remotely sensed optical imageclassification.IEEE Transactions on Geoscience and Remote Sensing，44(8)，2305-2318)。但在實(shí)際應(yīng)用中，遙感影像的樣本采集工作需要消耗大量的人力、物力和財(cái)力，時(shí)間跨度較大，特別對(duì)于沼澤、濕地等人為實(shí)地考察困難的地區(qū)更是如此(Baraldi，A.，Bruzzone，L.，& Blonda，P.(2005).Quality assessment of classification and cluster maps without ground truth knowledge.IEEE Transactions on Geoscience and Remote Sensing，43(4)，857-872)。一方面，遙感樣本的數(shù)量有限且更新頻率較低，難以適應(yīng)有監(jiān)督分類的需要，嚴(yán)重地影響了分類的準(zhǔn)確程度。另一方面，缺乏有效手段對(duì)已有采樣數(shù)據(jù)和分類知識(shí)進(jìn)行合理重用和優(yōu)化，造成了資源的極大浪費(fèi)(Foody，G.M.，Mathur，A.，Sanchez-Hernandez，C.，& Boyd，D.S.(2006).Training set sizerequirements for the classification of a specific class.Remote Sensing of Environment，104(1)，1-14)。雖然無(wú)監(jiān)督分類方法可在一定程度上回避訓(xùn)練樣本的問(wèn)題，但無(wú)監(jiān)督分類方法對(duì)初始聚類中心的依賴程度過(guò)大，分類效果不穩(wěn)定。
目前，針對(duì)上述問(wèn)題的解決手段多為基于最大期望(EM)的統(tǒng)計(jì)方法，如Cascade分類方法(Bruzzone，L.，& Cossu，R.(2002).A multiple-cascade-classifier system for a robust andpartially unsupervised updating of land-cover maps.IEEE Transactions on Geoscience and RemoteSensing，40(9)，1984-1996)，這些方法的工作原理為以一幅已分類的遙感影像信息為基礎(chǔ)，同時(shí)結(jié)合未分類遙感影像的未知類別數(shù)據(jù)，求取滿足最大期望條件的統(tǒng)計(jì)分類器參數(shù)；利用這些求得的參數(shù)構(gòu)建分類器，對(duì)未分類影像進(jìn)行分類操作。這些方法存在如下不足(1)要求數(shù)據(jù)滿足正態(tài)分布前提，而實(shí)際遙感數(shù)據(jù)的分布情況復(fù)雜、難以保證正態(tài)性質(zhì)；(2)要求類別數(shù)目已知且固定不變，而實(shí)際應(yīng)用中經(jīng)常出現(xiàn)同物異譜現(xiàn)象(即同種類別內(nèi)部存在特征差異的子類別)，子類別的數(shù)目難以確定；(3)主要針對(duì)兩幅影像之間的操作，其運(yùn)算量較大且缺少解決多幅影像的有效策略。

發(fā)明內(nèi)容
本發(fā)明的目的是解決訓(xùn)練樣本較少情況下的遙感影像監(jiān)督分類問(wèn)題和對(duì)已有遙感樣本、分類知識(shí)的整合優(yōu)化問(wèn)題。提出一種范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合的遙感影像分類方法。
本發(fā)明的技術(shù)方案如下該方法包括四個(gè)主要部分范例構(gòu)建、范例檢索、范例重用和修正、范例庫(kù)更新。本發(fā)明的具體步驟如下1.構(gòu)建新范例將未分類遙感影像的時(shí)空特征(覆蓋范圍和獲取時(shí)間)作為新范例的時(shí)空特征；將未分類遙感影像的樣本數(shù)據(jù)集合(尚無(wú)類別信息)作為新范例的樣本數(shù)據(jù)集合。經(jīng)上述兩步操作得到反映未分類遙感影像特征的新范例。
2.進(jìn)行時(shí)空特征檢索以新范例的時(shí)空特征為依據(jù)，利用時(shí)空相似性函數(shù)從遙感影像的覆蓋范圍重合程度、遙感影像獲取時(shí)間的近似程度兩方面進(jìn)行時(shí)空特征檢索操作，檢索出范例庫(kù)中與新范例在覆蓋范圍和獲取時(shí)間兩方面均滿足設(shè)定閾值要求的范例集合。
3.進(jìn)行內(nèi)容特征精選利用初步檢索出的范例中的分類模板對(duì)新范例樣本數(shù)據(jù)進(jìn)行分類操作。以每個(gè)范例得到的相應(yīng)分類結(jié)果為依據(jù)，利用中心權(quán)值向量計(jì)算每個(gè)范例對(duì)應(yīng)的各個(gè)類別的檢索能量函數(shù)。對(duì)每個(gè)類別求取具有最小檢索能量函數(shù)的范例索引值，以此建立精選后的范例索引集。
4.以精選后的范例索引集為基礎(chǔ)構(gòu)建初始分類方案將索引值對(duì)應(yīng)的范例中相應(yīng)類別的分類模板(包括Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值和與之對(duì)應(yīng)的模式中心權(quán)值)提取出來(lái)，重組為初始分類方案。
5.以新范例中的數(shù)據(jù)特征為依據(jù)，修正初始分類方案(1)將分類模板中各類別(含子類別)的中心權(quán)值作為Fuzzy c-means分類器的初試聚類中心，這樣可以保證每個(gè)聚類中心都能夠?qū)?yīng)一個(gè)確定的類別標(biāo)識(shí)。
(2)按照Fuzzy c-means迭代算法對(duì)新范例中的數(shù)據(jù)進(jìn)行聚類操作，算法收斂后得到根據(jù)新范例數(shù)據(jù)特征調(diào)整的各類別(含子類別)聚類中心，同時(shí)也得到新范例數(shù)據(jù)的初始分類結(jié)果。
(3)將收斂后的Fuzzy c-means的聚類中心作為分類方案的模式中心權(quán)值；利用新范例數(shù)據(jù)的初始分類結(jié)果重新訓(xùn)練分類方案中Fuzzy ARTMAP的網(wǎng)絡(luò)權(quán)值。至此得到修正后的遙感影像分類方案。
6.利用遙感影像分類方案中的Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值對(duì)遙感影像進(jìn)行分類操作，分類算法按照Fuzzy ARTMAP網(wǎng)絡(luò)的分類算法。得到遙感影像分類結(jié)果。
7.將新范例的時(shí)空特征(由第(1)步獲得)、修正后的遙感影像分類方案(由第(5)步獲得)和分類后的遙感影像數(shù)據(jù)(由第(6)步獲得)作為將要存儲(chǔ)的范例的主要組成部分，將此范例存入范例庫(kù)中以備下一次分類操作參考，完成范例庫(kù)的更新操作。
本發(fā)明的有益效果是將范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)兩種方法的優(yōu)勢(shì)互補(bǔ)。范例推理為已有遙感數(shù)據(jù)和分類知識(shí)的重用、整合和優(yōu)化提供了高效的方法指導(dǎo)，既可以處理兩幅遙感影像之間的知識(shí)利用，也特別適合多時(shí)相大數(shù)據(jù)量的遙感影像處理操作；Fuzzy ARTMAP網(wǎng)絡(luò)具有子類別動(dòng)態(tài)生成、權(quán)值類別清晰對(duì)應(yīng)等特性，可以增強(qiáng)范例推理方法的知識(shí)提取和歸納能力。本發(fā)明所提分類方法沒有對(duì)樣本分布情況的特殊要求，能夠充分重用和優(yōu)化已有的樣本數(shù)據(jù)和分類知識(shí)，同時(shí)注重與未分類遙感影像的信息相融合，生成合適的分類方案，能較好地解決訓(xùn)練樣本較少情況下的遙感影像監(jiān)督分類問(wèn)題并且較大地提高分類精度。


圖1是本發(fā)明的運(yùn)行流程圖。
圖1中，范例構(gòu)建部分用于設(shè)計(jì)樣本數(shù)據(jù)和分類模板(知識(shí))的存儲(chǔ)形式，同時(shí)建立反映未分類影像的新范例；范例檢索部分能夠從范例庫(kù)中檢索出最適合當(dāng)前影像分類問(wèn)題的范例集合，并從中提取出構(gòu)建分類方案的范例索引集；范例重用和修正過(guò)程能夠根據(jù)范例索引集建立起針對(duì)當(dāng)前影像的分類方案，同時(shí)對(duì)分類方案進(jìn)行評(píng)價(jià)和修正使之符合當(dāng)前影像的分類要求；范例庫(kù)更新將分類方案以范例的形式存儲(chǔ)于范例庫(kù)，實(shí)現(xiàn)了對(duì)新影像信息的學(xué)習(xí)功能。
圖2——圖5為本發(fā)明實(shí)施方案中多光譜遙感影像及其分類結(jié)果比較圖。
圖2為本發(fā)明實(shí)施方案中未分類多光譜遙感影像，獲取時(shí)間為2003年8月28日，覆蓋范圍為46°09′N～47°22′N；123°24′E～124°29′E；圖3為SVM方法的分類結(jié)果；圖4為Cascade方法的分類結(jié)果；圖5為采用本發(fā)明得到的分類結(jié)果。
具體實(shí)施例方式
為了更好地理解本發(fā)明的技術(shù)方案，以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步描述。
本發(fā)明以圖2所示多光譜遙感影像為例，按照?qǐng)D1所示的方法流程對(duì)其進(jìn)行分類操作，具體實(shí)施步驟如下1.范例構(gòu)建過(guò)程范例庫(kù)中的每個(gè)范例都對(duì)應(yīng)一幅遙感影像，其標(biāo)準(zhǔn)結(jié)構(gòu)由三部分構(gòu)成(見公式(1))時(shí)空特征、數(shù)據(jù)集合和分類模板集合。
C＝(Φ，D，P)(1)其中，C表示范例，Φ表示時(shí)空特征，D表示樣本數(shù)據(jù)集合，P表示分類模板集合。范例中各部分都包括具體的內(nèi)容，如公式(2)-(4)所示Φ＝(LA，T) (2)其中，LA表示范例對(duì)應(yīng)影像的覆蓋范圍，T表示對(duì)應(yīng)影像的獲取時(shí)間。
D＝{xi}；i∈[1，N] (3)其中，xi表示數(shù)據(jù)集合中的樣本，N表示數(shù)據(jù)集合中的樣本總數(shù)。
P＝(W，V)＝{(Wj，Vj)|WjW，VjV；j∈[1，L]}＝{(wjh，vjh)|wjh∈Wj，vjh∈Vj；h∈πj，j∈[1，L]} (4)其中，W表示Fuzzy ARTMAP網(wǎng)絡(luò)的權(quán)值向量，V表示附加的與W一一對(duì)應(yīng)的中心權(quán)值向量。πj表示屬于第j類的子類集合，L表示類別總數(shù)，wjh表示屬于第j類中第h子類的FuzzyARTMAP網(wǎng)絡(luò)權(quán)值，vjh表示與wjh對(duì)應(yīng)的中心權(quán)值。
本發(fā)明利用Fuzzy ARTMAP網(wǎng)絡(luò)的權(quán)值可判讀特性(各個(gè)節(jié)點(diǎn)對(duì)應(yīng)的權(quán)值表示特定的類別或子類特征)，將Fuzzy ARTMAP網(wǎng)絡(luò)的權(quán)值向量作為分類模板。因?yàn)镕uzzy ARTMAP網(wǎng)絡(luò)在訓(xùn)練過(guò)程中采用模糊交集運(yùn)算符，權(quán)值向量單調(diào)遞減并不反映模式中心的移動(dòng)，所以Fuzzy ARTMAP網(wǎng)絡(luò)的權(quán)值不能直接反映輸入模式的中心。本發(fā)明引入了新的模式中心權(quán)值向量V(參見公式(4))，在FuzzyARTMAP訓(xùn)練的同時(shí)調(diào)整中心權(quán)值vjh=vjh+1Nh(x-vjh);h∈πj,j∈[1,L]---(5)]]>其中，Nh表示被分為第j類第h子類的樣本個(gè)數(shù)，L，vjh和πj的定義參見公式(4)。
按照公式(1)-(4)構(gòu)建已知影像對(duì)應(yīng)的范例；對(duì)于新范例對(duì)應(yīng)的未分類影像，只需提取其無(wú)類別信息的樣本數(shù)據(jù)即可，而新范例的分類模板可由后面的步驟自動(dòng)生成。
2.范例檢索過(guò)程本發(fā)明采用雙層檢索策略，即時(shí)空特征檢索和內(nèi)容特征精選。經(jīng)過(guò)范例檢索過(guò)程生成最匹配范例索引集，為分類方案的建立提供依據(jù)。表1所示為范例庫(kù)中已有范例的時(shí)空特征信息。
①按照公式(6)進(jìn)行范例的時(shí)空特征檢索Ξ={Ck|S(LAnewILAk)S(LAnew)≥BLA,|Tnew-Tk|≤BT;k∈[1,k]}---(6)]]>其中，Ξ表示范例庫(kù)中與新范例在空間覆蓋范圍和時(shí)間上足夠相似的范例集合(表1中含下劃線部分為符合要求的范例)，LAnew表示新范例對(duì)應(yīng)的未分類影像的覆蓋范圍，LAk表示范例庫(kù)中第k個(gè)范例對(duì)應(yīng)影像的覆蓋范圍，S(·)表示覆蓋面積計(jì)算函數(shù)，LAnew∩LAk表示未分類影像與范例k對(duì)應(yīng)影像覆蓋范圍的重合部分，BLA表示覆蓋范圍相似程度閾值，Tnew表示未分類影像的獲取時(shí)間，Tk表示范例k對(duì)應(yīng)影像的獲取時(shí)間，BT表示影像獲取時(shí)間相似性閾值。為便于進(jìn)一步表達(dá)和推導(dǎo)，用公式(7)定義范例集Ξ的索引集合ΓΓ＝{τ|Cτ∈Ξ} (7)其中，Γ表示范例集Ξ的索引集合，τ表示集合Ξ中范例Cτ的索引值。
表1 范例庫(kù)中已有范例的時(shí)空特征信息

表中下劃線部分為經(jīng)過(guò)時(shí)空特征檢索后符合要求的范例②利用范例集合Ξ中每一個(gè)范例Cτ的分類模板對(duì)新范例中的未分類數(shù)據(jù)進(jìn)行分類，分類算法采用Fuzzy ARTMAP網(wǎng)絡(luò)的分類算法，得到由Cτ提供的臨時(shí)分類結(jié)果Dτ={Dfτ;τ∈Γ,j∈[1L]}={Djhτ|Djhτ⊆Djτ;τ∈Γ,j∈[1L],h∈πjτ}---(8)]]>
其中，Dτ表示由范例τ提供的臨時(shí)分類結(jié)果集合，Djτ表示Dτ中屬于j類的臨時(shí)分類結(jié)果集合，πjτ表示Dτ中屬于類別j的子類別集合，Djhτ表示屬于類別j中子類別h的臨時(shí)分類結(jié)果集合。
③根據(jù)上步得到的臨時(shí)分類結(jié)果，計(jì)算Ξ中每個(gè)范例的檢索能量函數(shù)Ejτ=1NjτΣh∈πjτΣx∈Djhτ||x-vjhτ||2;τ∈Γ,j∈[1,L]---(9)]]>其中，Ejτ表示范例τ中類別j的檢索能量函數(shù)，Njτ表示對(duì)應(yīng)范例τ的臨時(shí)分類結(jié)果中屬于類別j的樣本數(shù)目，πjτ和Djhτ的定義參見公式(8)，vjhτ表示范例τ的第j類中h子類的中心權(quán)值，L和Γ分別參見公式(4)和公式(7)。
④以上述步驟得到的結(jié)果為基礎(chǔ)，進(jìn)行內(nèi)容特征精選操作，生成范例庫(kù)中最匹配范例索引集Ψ={ψj|ψj=argminτ∈Γ{Ejτ};j∈[1,L]}---(10)]]>其中，Ψ表示范例庫(kù)中的最匹配范例索引集，ψj表示分類方案中第j類分類模板對(duì)應(yīng)的范例索引值。Γ參見公式(7)，Ejτ參見公式(9)，L參見公式(4)。表2所示為實(shí)際操作中經(jīng)過(guò)上述范例檢索過(guò)程得到的最匹配范例索引集。
表2 經(jīng)時(shí)空特征檢索和內(nèi)容特征精選的雙層檢索策略后得到的最匹配范例索引集

3.范例重用和修正過(guò)程根據(jù)最匹配范例索引集Ψ，按照公式(11)-(13)構(gòu)建分類方案PS=(WS,VS)={(WjS,VjS);j∈[1,L]}]]>={(wjhS,vjhS)|wjhS∈WJS,vjhS∈VjS;h∈πjS,j∈[1,L]}]]>(11)wjS=wjhψj,vjhS=vjhψj;h∈πjψj,ψj∈Ψ,j∈[1,L]---(12)]]>PS={(w}jhψj,vjhψj)|wjhψj∈WJψj,vjhψj∈VJψj;h∈πjψj,ψj∈Ψ,j∈[1,L]}---(13)]]>
其中，PS表示分類方案，WS和VS分別表示PS中的Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值集合和與之對(duì)應(yīng)的模式中心權(quán)值集合，WjS和VjS分別表示W(wǎng)S和VS中屬于類別j的子集，wjhS和vjhS分別表示W(wǎng)jS和VjS中屬于子類別h的權(quán)值向量，πjS表示分類方案中屬于類別j的子類別集合，L參見公式(4)，Ψ和ψj參見公式(10)，Wjψj和Vjψj分別表示范例ψj中屬于類別j的Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值子集和與之對(duì)應(yīng)的模式中心權(quán)值子集，wjhψj和vjhψj分別表示W(wǎng)jψj和Vjψj中屬于子類別h的權(quán)值向量。
本發(fā)明采用兩階段范例修正策略，即部分監(jiān)督聚類和分類模板調(diào)整①部分監(jiān)督聚類。將分類方案的中心權(quán)值向量VS(參見公式(11))作為一個(gè)Fuzzy c-means分類器的初始聚類中心Z={Zr|Zr(0)=vjhS;h∈πjS,j∈[1,L],r∈[1,NS]}---(14)]]>其中，Z表示Fuzzy c-means分類器的聚類中心向量，zr表示Fuzzy c-means分類器的第r個(gè)聚類中心，注意Fuzzy c-means分類器的聚類中心可以獨(dú)立地對(duì)應(yīng)子類別，NS表示VS包含的中心權(quán)值個(gè)數(shù)，vjhS，πjS參見公式(11)，L參見公式(4)。
公式(14)所示的這種初始化形式能夠保證Fuzzy c-means分類器的每一個(gè)聚類中心都對(duì)應(yīng)一個(gè)確定的類別歸屬，并使得Fuzzy c-means的聚類結(jié)果具有明確的類別信息。
利用初始化后的Fuzzy c-means分類器對(duì)新范例中的樣本數(shù)據(jù)集進(jìn)行聚類操作。Fuzzyc-means分類器收斂后可得到根據(jù)新范例中數(shù)據(jù)特征優(yōu)化調(diào)整的類別中心向量，同時(shí)可以得到新范例中樣本數(shù)據(jù)的初步分類結(jié)果。
②分類模板調(diào)整。根據(jù)公式(14)建立起的聚類中心與類別(或子類)之間的對(duì)應(yīng)關(guān)系，將Fuzzy c-means收斂后的聚類中心賦值給分類方案的中心權(quán)值向量VS={vjhS|vjhS=Zr(n);h∈πjS,j∈[1,L],r∈[1,NS]}---(15)]]>其中，VS，vjhS，πjS參見公式(11)，L參見公式(4)，NS參見公式(14)。
利用新范例中樣本數(shù)據(jù)的初步分類結(jié)果重新訓(xùn)練分類方案中Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值WS，至此得到了修正后的分類方案。將重新訓(xùn)練后的Fuzzy ARTMAP網(wǎng)絡(luò)作為未分類影像的分類器。圖5為利用本發(fā)明得到的分類結(jié)果圖。
4.范例庫(kù)更新以范例的形式存儲(chǔ)新影像的相關(guān)信息，將新范例的時(shí)空特征、新范例中已分類的樣本數(shù)據(jù)和修正后的分類方案作為存儲(chǔ)范例的三個(gè)主要組成部分
CR＝(Φnew，D′new，P′S) (16)其中，CR表示范例庫(kù)將要存儲(chǔ)的范例，Φnew表示新范例的時(shí)空特征，D′new表示新范例的已分類的樣本數(shù)據(jù)，PS′表示修正后的分類方案。將范例CR存儲(chǔ)到范例庫(kù)中作為下一次分類工作的參考。
分別利用SVM方法和Cascade分類方法對(duì)未分類遙感影像進(jìn)行分類操作，兩個(gè)分類器的訓(xùn)練樣本采用已有遙感影像(如表1所示遙感影像)的樣本。圖3為利用SVM方法的分類結(jié)果圖，圖4為利用Cascade分類方法的結(jié)果圖。表3為上述兩種分類方法與本發(fā)明的分類精度比較。從結(jié)果可以看到，本發(fā)明能夠有效避免地物類別的混淆問(wèn)題，大幅度地提高遙感影像的分類精度，并能充分挖掘和整合已有遙感樣本和分類知識(shí)。
表3 SVM方法、Cascade方法和本發(fā)明的分類精度比較

權(quán)利要求
1.一種范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合的遙感影像分類方法，其特征在于具體步驟如下(1)構(gòu)建新范例將未分類遙感影像的時(shí)空特征，即覆蓋范圍和獲取時(shí)間，作為新范例的時(shí)空特征；將未分類遙感影像的樣本數(shù)據(jù)集合作為新范例的樣本數(shù)據(jù)集合。經(jīng)上述操作得到反映未分類遙感影像特征的新范例。(2)進(jìn)行時(shí)空特征檢索以新范例的時(shí)空特征為依據(jù)，利用時(shí)空相似性函數(shù)從遙感影像的覆蓋范圍重合程度、遙感影像獲取時(shí)間的近似程度兩方面進(jìn)行時(shí)空特征檢索操作，檢索出范例庫(kù)中與新范例在覆蓋范圍和獲取時(shí)間兩方面均滿足設(shè)定閾值要求的范例集合。(3)進(jìn)行內(nèi)容特征精選利用初步檢索出的范例中的分類模板對(duì)新范例樣本數(shù)據(jù)進(jìn)行分類操作。以每個(gè)范例得到的相應(yīng)分類結(jié)果為依據(jù)，利用中心權(quán)值向量計(jì)算每個(gè)范例對(duì)應(yīng)的各個(gè)類別的檢索能量函數(shù)。對(duì)每個(gè)類別求取具有最小檢索能量函數(shù)的范例索引值，以此建立精選后的范例索引集。(4)以精選后的范例索引集為基礎(chǔ)構(gòu)建初始分類方案將索引值對(duì)應(yīng)的范例中相應(yīng)類別的分類模板提取出來(lái)，重組為初始分類方案。(5)以新范例中的數(shù)據(jù)特征為依據(jù)，修正初始分類方案①將分類模板中各類別或子類別的的中心權(quán)值作為Fuzzy c-means分類器的初試聚類中心，這樣可以保證每個(gè)聚類中心都能夠?qū)?yīng)一個(gè)確定的類別標(biāo)識(shí)。②按照Fuzzy c-means迭代算法對(duì)新范例中的數(shù)據(jù)進(jìn)行聚類操作，算法收斂后得到依據(jù)新范例數(shù)據(jù)特征調(diào)整的各類別或子類別的聚類中心，同時(shí)也得到新范例數(shù)據(jù)的初始分類結(jié)果。③將收斂后的Fuzzy c-means的聚類中心作為分類方案的模式中心權(quán)值；利用新范例數(shù)據(jù)的初始分類結(jié)果重新訓(xùn)練分類方案中Fuzzy ARTMAP的網(wǎng)絡(luò)權(quán)值。至此得到修正后的遙感影像分類方案。(6)利用遙感影像分類方案中的Fuzzy ARTMAP網(wǎng)絡(luò)權(quán)值對(duì)遙感影像進(jìn)行分類操作，分類算法按照Fuzzy ARTMAP網(wǎng)絡(luò)的分類算法。得到遙感影像分類結(jié)果。(7)將新范例的時(shí)空特征、修正后的遙感影像分類方案和分類后的遙感影像數(shù)據(jù)作為將要存儲(chǔ)的范例的主要組成部分，將此范例存入范例庫(kù)中以備下一次分類操作參考，完成范例庫(kù)的更新操作。
全文摘要
一種范例推理與Fuzzy ARTMAP網(wǎng)絡(luò)相結(jié)合的遙感影像分類方法，屬于計(jì)算機(jī)遙感影像處理與模式識(shí)別領(lǐng)域。其特征在于以下步聚首先建立反映未分類遙感影像特征的新范例，利用時(shí)空特征檢索和內(nèi)容特征精選的雙層策略從范例庫(kù)中檢索出適合當(dāng)前分類問(wèn)題的范例索引集；其次根據(jù)范例索引集構(gòu)建分類方案并對(duì)其進(jìn)行進(jìn)一步的調(diào)整和修正分，用修正后的分類方案對(duì)未分類遙感影像進(jìn)行分類操作；最后利用范例庫(kù)更新策略將修正后的分類方案存入范例庫(kù)，以備下一次分類操作參考。本發(fā)明的效果和益處是能夠充分挖掘和優(yōu)化整合已有遙感樣本和分類知識(shí)，大幅度地提高訓(xùn)練樣本較少情況下的遙感影像監(jiān)督分類精度。
文檔編號(hào)G06F17/30GK101034439SQ20071001106
公開日2007年9月12日 申請(qǐng)日期2007年4月20日 優(yōu)先權(quán)日2007年4月20日
發(fā)明者韓敏, 唐曉亮, 董杰 申請(qǐng)人:大連理工大學(xué)