樣本自適應多特征加權(quán)的遙感圖像分類方法
【專利摘要】本發(fā)明公開了一種樣本自適應多特征加權(quán)的遙感圖像分類方法，屬于遙感圖像處理【技術(shù)領域】。本發(fā)明方法針對不同樣本在最近鄰空間特征分布情況不同而確定各個特征的權(quán)重，并根據(jù)每種特征的分類結(jié)果進行多分類器自適應綜合，最終獲得多特征融合后的分類結(jié)果，從而充分發(fā)揮各特征對不同樣本的優(yōu)勢，使特征融合結(jié)果更佳。本發(fā)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征權(quán)重，發(fā)揮各特征在不同樣本和不同局部特征空間的分類優(yōu)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】樣本自適應多特征加權(quán)的遙感圖像分類方法

【技術(shù)領域】
[0001] 本發(fā)明涉及一種遙感圖像分類方法，尤其涉及一種多特征融合的遙感圖像分類方 法，屬于遙感圖像處理【技術(shù)領域】。

【背景技術(shù)】
[0002] 隨著遙感科學的發(fā)展和技術(shù)應用的深入，遙感研究正在由定性向定量轉(zhuǎn)變。傳統(tǒng) 的基于像元的遙感圖像分類主要借助統(tǒng)計模式識別理論和方法，在技術(shù)和應用上已經(jīng)很 成熟?？蓡渭円揽肯裨庾V統(tǒng)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(chǎn)生大量的數(shù)據(jù)冗余。高分辨率遙感影像能夠提供豐富的地物細節(jié)，但各種地物空 間分布復雜，同類物體呈現(xiàn)出很大的光譜異質(zhì)性，基于像元的分類技術(shù)容易造成較多的錯 分、漏分現(xiàn)象，從而導致分類精度較低。
[0003] 近年來，研究者發(fā)現(xiàn)對于高分辨率遙感圖像中的目標，不同特征的作用各不相同， 彼此存在互補的現(xiàn)象。綜合考慮圖像的紋理特征、光譜特征和形狀信息等多種特征信息的 遙感影像解譯技術(shù)已經(jīng)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(nèi)外多數(shù)學者使用一種算法或者規(guī)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(shù)投票法、加權(quán)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(shù)投票法。多數(shù)投票法屬于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(jié)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(shù) 投票法基于群體的判斷優(yōu)于個體的判斷假設，簡單、準確且易操作，由于其判決條件比較苛 亥IJ，結(jié)果的可靠性較高，但會出現(xiàn)判決率降低，而且沒有考慮各分類器本身的特性。
[0005] (2)加權(quán)綜合法。加權(quán)綜合規(guī)則下的分類精度明顯高于多數(shù)投票規(guī)則下的分類精 度。因為加權(quán)求和規(guī)則本身就是針對多數(shù)票規(guī)則，一人一票的缺點提出的，在確定各個分 類器的權(quán)重時，采用該成員分類器獨立分類的總體精度作為其衡量值，但是關于權(quán)重的定 量沒有考慮到特征的局部特點，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(quán)重，那么加權(quán)求和規(guī)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(jié)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征對分類的作用，而且沒有合理結(jié)合樣本的多樣性，導致分類精 度很低。
[0007] 現(xiàn)有這些多特征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征相關性信息，因而分類精度差強人意。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有多特征融合的遙感圖像分類技術(shù)的不 足，提供一種樣本自適應多特征加權(quán)的遙感圖像分類方法，針對不同樣本在最近鄰空間特 征分布情況不同而確定各個特征的權(quán)重，并根據(jù)每種特征的分類結(jié)果進行多分類器自適應 綜合，最終獲得多特征融合后的分類結(jié)果，從而充分發(fā)揮各特征對不同樣本的優(yōu)勢，使特征 融合結(jié)果更佳。
[0009] 本發(fā)明的樣本自適應多特征加權(quán)的遙感圖像分類方法，首先利用遙感圖像訓練集 在Q個不同的圖像特征空間中分別訓練分類模型，得到Q個對應不同圖像特征的分類器，Q 為大于2的自然數(shù)；然后分別利用這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(jié)果；最后對得到的Q組類別預測結(jié)果進行加權(quán)綜合，得到該 測試遙感圖像最終的分類結(jié)果；具體按照以下方法對得到的Q組類別預測結(jié)果進行加權(quán)綜 合：
[0010] 步驟1、初始化各圖像特征的權(quán)重Wi為1，i=l，2,…，Q ;
[0011] 步驟2、利用特征的加權(quán)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(quán)歐式距離d按照下式得 到：
[0012]

【權(quán)利要求】
1.樣本自適應多特征加權(quán)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 的圖像特征空間中分別訓練分類模型，得到Q個對應不同圖像特征的分類器，Q為大于2的 自然數(shù)；然后分別利用這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(jié)果；最后對得到的Q組類別預測結(jié)果進行加權(quán)綜合，得到該測試遙感 圖像最終的分類結(jié)果；其特征在于，具體按照以下方法對得到的Q組類別預測結(jié)果進行加 權(quán)綜合： 步驟1、初始化各圖像特征的權(quán)重A為1，i=l，2,…，Q ; 步驟2、利用特征的加權(quán)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(quán)歐式距離d按照下式得到：
其中，Wi為圖像特征i對應的權(quán)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個圖像特征分量； 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 法計算每個圖像特征對該最近鄰樣本的分類預測能力： 步驟3-1、利用特征的加權(quán)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(gòu)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于各個圖像類別的概 率：
其中，a^_表示測試樣本的第一鄰域中的任一樣本屬于第j種圖像類別的概率， j e {1，2, . . .，J}，J為圖像類別總數(shù)，％為測試樣本的第一鄰域中屬于第j種圖像類 別的樣本個數(shù)； 步驟3-3、對測試樣本的第二鄰域，利用下式計算各圖像特征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(nèi)的任一樣本屬于各圖像類別的概率：
r 其中，b,;表示在第i個圖像特征空間中，與測試樣本之間的歸一化歐氏距離在 預設距離閾值Ai內(nèi)的任一樣本，屬于第j種圖像類別的概率，i e {1，2，...，Q}， je {1，2，...，J} ;N/表示在第i個圖像特征空間中，與測試樣本之間的歸一化歐氏距離 在預設距離閾值Ai內(nèi)的屬于第j種圖像類別的樣本個數(shù)；在第i個圖像特征空間中，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(jù)下式計算各圖像特征對測試樣本的分類預測 評估能力：
f 式中，A表示第i個圖像特征對該測試樣本的分類預測評估能力指數(shù)， i e {1,2,..., Q}； 步驟4、分別求取各圖像特征對所述K3個最近鄰樣本的分類預測評估能力指數(shù)的平均 值i，ie {1，2，...，Q}，以其作為各圖像特征對所述測試遙感圖像的局部分類預測能力， 并利用?更新各圖像特征的權(quán)重&:
其中，c為預設的大于等于0的指數(shù)加權(quán)因子； 步驟5、重復執(zhí)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 特征的權(quán)重&與相應的分類器對測試遙感圖像的分類結(jié)果？1相乘，得到各圖像特征所對應 分類器加權(quán)后的分類結(jié)果：Ρ/ =?Λ，i e {1，2,...，Q};最后取加權(quán)概率和最大的類作為所 述測試遙感圖像最終的分類結(jié)果。
2. 如權(quán)利要求1所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，所述 Q的取值大于等于3,且所述Q個不同的圖像特征包括視覺詞袋特征、顏色特征，以及紋理特 征。
3. 如權(quán)利要求2所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，所述 顏色特征為顏色直方圖。
4. 如權(quán)利要求2所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，所述 紋理特征為Gabor紋理特征。
5. 如權(quán)利要求1所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，所述 分類模型為支持向量機。
6. 如權(quán)利要求1所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，&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(shù)的15%，c的值為18, Λ i的值為 1〇
7. 如權(quán)利要求1所述樣本自適應多特征加權(quán)的遙感圖像分類方法，其特征在于，所述 迭代終止條件為迭代次數(shù)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(yōu)先權(quán)日:2013年6月28日
【發(fā)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