專利名稱：：一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法
技術領域：
：本發(fā)明涉及一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，屬于高光譜數(shù)據(jù)處理方法與應用
技術領域：
，適用于高光譜數(shù)據(jù)監(jiān)督分類的理論方法和應用技術研咒。
背景技術：
：高光譜遙感數(shù)據(jù)監(jiān)督分類的方法主要包括兩大類基于光譜特征匹配的方法和基于統(tǒng)計分析模型的方法。由于高光譜數(shù)據(jù)獲取過程中，受到大氣、地形、光照等條件的影響，使得其獲得的地物光譜特征變化較大，因此，基于光譜特征匹配的方法會出現(xiàn)不同地物之間混淆較大、不穩(wěn)定等問題，使得分類結果精度降低；基于統(tǒng)計分析模型的方法主要是對高光譜數(shù)據(jù)樣本的總體特征進行統(tǒng)計分析，根據(jù)樣本采樣點統(tǒng)計分布特征實現(xiàn)不同地物的分類。但是在統(tǒng)計分析模型建立過程中為了實現(xiàn)精確的分類，需要對樣本進行分布假設以及大量的統(tǒng)計參數(shù)實現(xiàn)分類建模。對數(shù)(Logistic)兩分類模型廣泛的應用于醫(yī)學和生物學，尤其在流行病學得到及其廣泛的應用。1989年Hosmer和Lemeshow將Logistic回歸模型的響應變量擴展到*(*>2),使得Logistic回歸模型成功應用到*(*>2)類別的分類問題。近年來隨著遙感技術的發(fā)展和數(shù)據(jù)處理的需求，Logisitc回歸模型被引入到遙感圖像分類應用中。與高斯分類模型相似，Logistic是監(jiān)督分類模型，需要訓練樣本估計模型參數(shù)。但在Logistic回歸模型中，僅僅需要對影響因變量的因素進行線性關系假設，不需要對圖像中樣本進行任何分布假設。通常情況下，需要對高光譜數(shù)據(jù)降維后才能實現(xiàn)Logistic建模，否則將帶來龐大的計算負擔，但是數(shù)據(jù)降維方法將在減少數(shù)據(jù)維數(shù)的同時丟失光譜的細節(jié)特征，從而導致相似類別的混淆。
發(fā)明內(nèi)容本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種不需要樣本分布假設、參數(shù)估計少的高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法。本發(fā)明的技術解決方案為一種利用分形理論實現(xiàn)較少訓練樣本條件下的高精度高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，該方法主要利用分形理論和統(tǒng)計分析模型，通過計算光諳的多重分形譜參數(shù)實現(xiàn)Logistic建模，最后利用最大似然估計模型參數(shù)估計，從而實現(xiàn)高光譜數(shù)據(jù)的監(jiān)督分類。多重分形i普主要通過光譜概率測度計算和配分函數(shù)估計得到，并根據(jù)多重分形譜的特點選擇a'、"mm、"max、/(j作為Logistic建模參數(shù)，從而在有效降低模型估計參數(shù)數(shù)目的同時增加類間可分性。本發(fā)明一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，其步驟如下(1)讀入高光譜數(shù)據(jù)；(2)確定分類類別數(shù)目，并選擇訓練樣本和測試樣本；(3)計算多重分形譜參數(shù)；(4)建立基于多重分形譜參數(shù)的對數(shù)回歸多類別分類模型；(5)利用極大似然估計進行模型求解；(6)利用概率最大原則進行分類，并計算分類精度。其中，步驟(1)中所述的讀入高光i普數(shù)據(jù)為X-[x"x2,…，xJ,"為像元數(shù)。其中，步驟(2)中所述的分類類別數(shù)目為J，訓練樣本和測試樣本選擇根據(jù)參考圖像和地面調(diào)查確定，且訓練樣本與測試樣本不相同。其中，步驟(3)中所述的多重分形譜/(cO計算如下首先計算光譜概率測度S柳式中，iV(。表示光譜曲線劃分為尺寸是5的一維小盒子的個數(shù)，《.(。表示盒子尺寸為5時第/個小盒子內(nèi)所有光譜波段的輻亮度數(shù)值之和；然后估計配分函數(shù)，配分函數(shù)a(。為光譜概率測度f(。的g階矩式中，《為權重因子，iV(。為尺度^下的盒子數(shù)目。再通過光譜概率測度計算與配分函數(shù)估計得到的尺度函數(shù)r(《)log2&(《)》,log2《+C(《)式中r(《)為尺度函數(shù)。最后，通過勒讓德(Legendre)變換/()與r(《)聯(lián)系起來，并得到如下關系式其中，《為權重因子。本發(fā)明建模過程中選擇的多重分形譜參數(shù)為其中，《'為多重分形語/(")最大值點對應的Holder指數(shù)，"她和"^表示給定條件下概率奇異性的最小值和最大值，/("^)為光譜曲線上Holder指數(shù)取最小值的波段子集分形維數(shù)。其中，步驟(4)所述的基于參考類別NC建立的基于多重分形譜參數(shù)的對數(shù)回歸多類別分類模型如下戶尸WC其中，NC為參考類別，J為類別數(shù)目，j=l，2,...,J-l，S為輸入變量屬于第j個類別的概率，^、"min、"■、/K,J分別為多重分形譜參數(shù)，A,為模型待估計參數(shù)，j=l,2"."J-l,i=0,l,.."4。其中步驟(5)所述的利用極大似然方法進行模型參數(shù)估計過程如下對步驟(4)建立的模型進行極大似然參數(shù)估計，采用牛頓-拉臾遜(Newton-Raphson)迭代法解得M7為參考類別的Logistic模型參數(shù)的極大似然估計值為A=(U"，A2，U,4),7'=1,2,../-1。其中，步驟(6)所述的分類準則為概率最大原則，即z/f(x):maxCf;(x)，尸2(x),…A(;c))貝'JxeG,x屬于第/個類別的概率最大，那么就將其歸入類別G,;分類精度分析采用混淆矩陣和Kappa系數(shù)實現(xiàn)。本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于克服了傳統(tǒng)的基于統(tǒng)計分析模型的高光語數(shù)據(jù)監(jiān)督分類方法參數(shù)估計多、樣本假設分布等局限，本方法利用多重分形理論和Logsitic模型，實現(xiàn)了高精度的地物類型分類。它具有以下的優(yōu)點(1)采用統(tǒng)計分析模型，解決了由于光語特征匹配高光譜遙感數(shù)據(jù)監(jiān)督分類方法受大氣、光照、地形等外界影響較大帶來的誤差增多和可靠性下降等問題；(2)利用Logistic多類別模型進行高光譜數(shù)據(jù)分類，不需要對樣本分布進行假設；(3)引入多重分形理論，建立基于多重分形參數(shù)的Logistic多類別分類模型，有效的利用了光譜曲線的差異和細節(jié)信息，并降低了模型估計參數(shù)數(shù)目、提高了類間可分性。圖1為本發(fā)明中多重分形參數(shù)"'、"min、"max、/("，)的定義示意圖；具體實施例方式為了更好的說明本發(fā)明涉及的高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，利用PHI航空高光i普數(shù)據(jù)進行江蘇方麓茶場地區(qū)農(nóng)作物精細分類。本發(fā)明一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，具體實現(xiàn)步驟如下(1)讀入高光譜數(shù)據(jù)讀入方麓茶場推掃高光譜成像儀(PHI)高光譜數(shù)據(jù)，數(shù)據(jù)大小為210x150x64,波段區(qū)間455~805nm;(2)確定分類類別數(shù)目，并選擇訓練樣本根據(jù)參考圖像，分類類別數(shù)目為」=6,訓練樣本和測試樣本根據(jù)參考圖像獲得，具體的分類類別、訓練樣本與測試樣本如下表所示；<table>tableseeoriginaldocumentpage7</column></row><table>(3)計算多重分形譜參數(shù)首先計算光譜概率測度<formula>formulaseeoriginaldocumentpage7</formula>式中，W(。表示光譜曲線劃分為尺寸是S的一維小盒子的個數(shù)，S,(。表示盒子尺寸為5時第/個小盒子內(nèi)所有光讒波段的輻亮度數(shù)值之和；然后估計配分函數(shù)，配分函數(shù)a(。為光譜概率測度《(。的^階矩,=1式中，《為權重因子，A^)為尺度5下的盒子數(shù)目。再通過光譜概率測度計算與配分函數(shù)估計得到的尺度函數(shù)r(《)log2&(《)《,l。g2《+C(g)式中r(《)為尺度函數(shù)。最后，通過Legendre變換/(a)與r(《)聯(lián)系起來，并得到如下關系式<formula>formulaseeoriginaldocumentpage7</formula>其中，《為權重因子。本發(fā)明建模過程中選擇的多重分形譜參數(shù)為[">,，"，,/(",)]7，其中，"'為多重分形譜/(")最大值點對應的Holder指數(shù)，"隨和"，表示給定條件下概率奇異性的最小值和最大值，/(,J為光譜曲線上Holder指數(shù)取最小值的波段子集分形維數(shù)，各參數(shù)定義如圖l所示；(4)建立基于多重分形譜參數(shù)的Logistic多類別分類模型以水(W2)^作為參考類別，得到Logistic分類模型的判別函數(shù)如下lOg(^)=A。+A,"*+A2"min+A]"max+/^/(min)尸6尸6log(，)=A。++/52amm+A3"max+A4/("咖)(5)利用極大似然估計進行模型求解，得到的以水(W2)^作為參考類別，其余五個類別均具有一套獨立的參數(shù)，得到Logistic分類模型的判別函數(shù)如下=譜".柳.-<5W.""m+S7.7脇_+"7.97氛.J《《/og^l")=-〃269+;7W9a'+277.2j。湖-+2W.卵/U(6)利用概率最大原則進行分類，并計算分類精度分類準則為概率最大原則，即,/S(x)-max(S(x),尸2(x),…A(x))則xeG,，x屬于第/個類別的概率最大，那么就將其歸入類別G,;分類精度分析采用混淆矩陣和Kappa系數(shù)實現(xiàn)，如下表所示分類精度。多重分形參數(shù)Logisitc分類模型對測試樣本分類混淆矩陣8C4T6T7V2V13W2分類精度C47973000099.625%T616264000094.286%T72427301097.500%V200100240096.000%V130201970198.500%W200000譜100.00%Kappa系數(shù)0.981總體精度98.506%從利用本發(fā)明方法得到的分類結果可以看出總體分類精度達到98.506%,主要原因是經(jīng)過多重分形參數(shù)的計算，類別間的差別較明顯。水稻(C4)、茶(T7)、紅薯(V2)、及水(W2)光譜可分性較高，基于多重分形參數(shù)的Logistic監(jiān)督分類精度都在95。/。以上；對于較難區(qū)分的竹(T6)與香菜(V13)，通過提取光譜曲線的多重分形參數(shù)，有效的提高了地物間的可分性，建立的基于多重分形參數(shù)的Logistic監(jiān)督分類方法對竹(T6)和香菜(V13)的分類精度分別達94%與98%;多重分形譜參數(shù)的kappa系數(shù)為0.981,分類結果的一致4交高。權利要求1、一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，其特征在于它包含以下步驟(1)讀入高光譜數(shù)據(jù)；(2)確定分類類別數(shù)目，并選擇訓練樣本和測試樣本；(3)計算多重分形譜參數(shù)；(4)建立基于多重分形譜參數(shù)的對數(shù)回歸多類別分類模型；(5)利用極大似然估計進行模型求解；(6)利用概率最大原則進行分類，并計算分類精度。2、根據(jù)權利要求1所述的一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，其中步驟(3)計算多重分形譜參數(shù)包括[">m,","_,/("m』7,其中，"'為多重分形i普/(")最大值點對應的Holder指數(shù)，"自和"^表示給定條件下概率奇異性的最小值和最大值，/("^)為光譜曲線上Holder指數(shù)取最小值的波段子集分形維數(shù)。3、根據(jù)權利要求1所述的一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，其中步驟(4)建立的基于多重分形譜參數(shù)的對數(shù)回歸模型為<formula>formulaseeoriginaldocumentpage2</formula>其中，NC為參考類別，J為類別數(shù)目，j=l，2，...,J-l,巧為輸入變量屬于第j個類別的概率，a'、amin、《_、/(_)分別為多重分形譜參數(shù)，A,為模型待估計參數(shù)，j=l,2，...,J-l，i=0，l，...，4。全文摘要一種高光譜遙感數(shù)據(jù)多類別監(jiān)督分類方法，包含以下步驟(1)讀入高光譜數(shù)據(jù)；(2)確定類別數(shù)目，并選擇訓練樣本和測試樣本；(3)計算多重分形譜參數(shù)；(4)建立基于多重分形譜參數(shù)的對數(shù)回歸多類別分類模型；(5)利用極大似然估計進行模型求解；(6)利用概率最大原則進行分類，并計算分類精度。該方法不需要對變量的概率分布進行任何假設，并且分類器模型中需要估計的參數(shù)數(shù)目較少，通過多重分形特征增加類內(nèi)一致性的同時提高了類間的可分性。因而，該方法在訓練樣本的數(shù)量較小的情況下能夠獲得較高的分類精度。文檔編號G06K9/66GK101667253SQ200910093539公開日2010年3月10日申請日期2009年9月25日優(yōu)先權日2009年9月25日發(fā)明者娜李,牛志宇,賈國瑞,趙慧潔申請人:北京航空航天大學