基于分層集成學習的高光譜遙感圖像分類方法
【專利摘要】基于分層集成學習的高光譜遙感圖像分類方法，屬于高光譜遙感圖像分類【技術領域】。本發(fā)明是為了解決高光譜遙感圖像數(shù)據(jù)的分類精度低的問題。它主要是使用兩層的集成結構對高光譜圖像進行分類，分別是內層結構和外層結構；內層結構是通過隨機波段選擇構成存在差異的光譜集合；之后以光譜集合為單位，分別使用Adaboost的集成方法來訓練，再對測試樣本進行分類；外層結構是將內層集成中各個光譜集合的分類結果進行整合，采用權重投票的方法確定樣本的最終類別；最后是將整幅圖像作為測試樣本，實現(xiàn)全圖分類從而得到分類主題圖。本發(fā)明用于對高光譜遙感圖像分類。
【專利說明】基于分層集成學習的高光譜遙感圖像分類方法

【技術領域】
[0001]本發(fā)明涉及基于分層集成學習的高光譜遙感圖像分類方法，屬于高光譜遙感圖像分類【技術領域】。

【背景技術】
[0002]隨著遙感應用獲取數(shù)據(jù)手段的日益改進，高光譜遙感圖像以其獨特的優(yōu)勢成為其中重點的研究內容。高光譜遙感能在電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域獲取許多非常窄而且光譜連續(xù)的圖像數(shù)據(jù)，具有圖像和光譜合二為一的特點。這對使用遙感圖像進行目標分類、目標識別、目標跟蹤等都具有重要的研究價值和應用意義。目前應用高光譜遙感數(shù)據(jù)對目標地物的分類是高光譜成像的熱點應用之一。因此，對于高光譜數(shù)據(jù)分類方法的研究有著深刻而長遠的意義。
[0003]目前對高光譜遙感圖像進行分類的方法，由于無法克服樣本數(shù)目少以及噪聲和奇異值的影響，使得對圖像數(shù)據(jù)的分類精度低。


【發(fā)明內容】

[0004]本發(fā)明目的是為了解決高光譜遙感圖像數(shù)據(jù)的分類精度低的問題，提供了一種基于分層集成學習的高光譜遙感圖像分類方法。
[0005]本發(fā)明所述基于分層集成學習的高光譜遙感圖像分類方法，它包括以下步驟:
[0006]步驟一:讀取高光譜原始數(shù)據(jù)，對其進行預處理，獲得監(jiān)督數(shù)據(jù)，然后根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本，并由標記樣本中選擇訓練樣本和測試樣本；
[0007]步驟二:對高光譜原始數(shù)據(jù)的所有的光譜波段，進行隨機的波段選擇，然后從每一個標記樣本中抽取像素向量組合，該像素向量組合中每一個像素向量包含的波段數(shù)目與所述隨機的波段數(shù)目一一對應，形成一個光譜集合；重復隨機的波段選擇過程并形成對應的光譜集合，構成多個存在差異的光譜集合；
[0008]步驟三:以每個光譜集合為單位，使用訓練樣本訓練Adaboost集成框架的內層結構，再對測試樣本進行分類，獲得由Adaboost框架構成的內層集成；
[0009]步驟四:由步驟三中測試樣本的分類結果及分類精度，構造Adaboost集成框架的外層結構；
[0010]步驟五:采用具有上述內層結構和外層結構的Adaboost集成框架對高光譜原始數(shù)據(jù)采用遍歷方式進行分類，獲得分類主題圖。
[0011]步驟一中確定標記樣本，并由標記樣本中選擇訓練樣本和測試樣本的具體方法為:
[0012]讀取以三維矩陣形式存儲的高光譜原始數(shù)據(jù)，所述三維矩陣形式包括二維的空間位置信息和一維的光譜信息；將二維的空間位置信息中各像素點空間位置對應的真實地物標記圖中的地物類別分別以整數(shù)值的形式標記出來，獲得二維矩陣形式的監(jiān)督數(shù)據(jù)，該監(jiān)督數(shù)據(jù)由一一對應的像素點空間位置數(shù)據(jù)和以整數(shù)值的形式標記的地物類別數(shù)據(jù)組成；
[0013]由高光譜原始數(shù)據(jù)及監(jiān)督數(shù)據(jù)，確定真實地物標記圖中的地物類別數(shù)目C、二維的空間位置信息中像素點個數(shù)M行XN列以及一維的光譜信息中有效的波段數(shù)目B ；
[0014]將監(jiān)督數(shù)據(jù)中像素點空間位置數(shù)據(jù)按照位置坐標在高光譜原始數(shù)據(jù)中從上向下并且從左向右的方式，抽取光譜信息的像素向量作為標記樣本，并將標記樣本按行排列成二維矩陣形式，該二維矩陣的行數(shù)為標記樣本的個數(shù)，列數(shù)為像素向量包含的波段數(shù)目B ；
[0015]將以二維矩陣形式表示的標記樣本的奇數(shù)行選擇作為訓練樣本，偶數(shù)行選擇為測試樣本，并使訓練樣本與測試樣本數(shù)目之比為1:1 ;
[0016]再由監(jiān)督數(shù)據(jù)中抽取與二維矩陣形式表示的標記樣本一一對應的地物類別數(shù)據(jù)，并排列成列向量，該列向量中地物類別數(shù)據(jù)的個數(shù)為標記樣本的個數(shù)，每一個地物類別數(shù)據(jù)的數(shù)值為對應的一個標記樣本的類別標號，該列向量中第奇數(shù)個元素作為訓練樣本的類別標號，第偶數(shù)個元素作為測試樣本的類別標號。
[0017]步驟二中構成多個存在差異的光譜集合的具體方法為:
[0018]在I至B之間抽取一組含有b個隨機數(shù)的組合U^i2，…，ib}，其中I彡ik彡B，k=1，2，…，b)，然后由每一個標記樣本中，按照k從I到b的順序將第ik個向量元素抽取出來，分別構成一個含有b個元素的像素向量組合,該像素向量組合的個數(shù)與標記樣本的個數(shù)相同，所有含有b個元素的像素向量組合作為一個光譜集合；
[0019]將形成一個光譜集合的過程重復多次，在多次重復的過程中隨機數(shù)均選擇為b個，并使每一次隨機數(shù)的組合存在差異，得到多個存在差異的光譜集合。
[0020]步驟三中獲得由Adaboost框架構成的內層集成的具體方法為:
[0021]以每個光譜集合為單位，選擇支持向量機SVM作為Adaboost集成框架的弱分類器；對于第一個光譜集合，依據(jù)Adaboost的集成方法對該光譜集合內與訓練樣本相對應的像素向量組合進行迭代，設定迭代次數(shù)為F，則形成存在差異的系列弱分類器f(f =1，2，…，
[0022]首先為第一個光譜集合內與訓練樣本相對應的每個像素向量組合賦予相同的權值，然后通過弱分類器I對當前像素向量權重組合進行訓練和測試，對于其中被錯分的像素向量提高其權重，對于正確判決的像素向量降低其權重；將權重調整后的像素向量權重組合在所述當前像素向量權重組合上訓練弱分類器2，依此類推，反復迭代F次，獲得側重于不同像素向量權重組合的F個弱分類器；
[0023]再以每個光譜集合為單位，首先對第一個光譜集合內與測試樣本相對應的每個像素向量組合使用F個弱分類器進行分類，每一個像素向量獲得F個分類結果，由此獲得相應的測試樣本的F個分類結果，再由多數(shù)投票的方式確定相應測試樣本的最終分類結果；
[0024]設定共有T個光譜集合，對于第二個光譜集合至第T個光譜集合，重復上述分類過程，測試樣本的最終分類結果構成T個由Adaboost框架構成的內層集成。
[0025]步驟四中構造Adaboost集成框架的外層結構的具體方法為:
[0026]對T個內層集成得到的測試樣本的最終分類結果進行整合，再采用權重投票的方法對整合結果進行最終類別的確定，構造出Adaboost集成框架的外層結構。
[0027]步驟五中獲得分類主題圖的具體方法為:
[0028]采用從上到下，從左到右的遍歷方式，對高光譜原始數(shù)據(jù)空間位置信息中各像素點進行上述方式中同樣方法的像素向量的抽取，得到MXN個像素向量，再采用具有上述內層結構和外層結構的Adaboost集成框架對MXN個像素向量逐個進行分類，得到MXN個類別標簽，再將MXN個類別標簽轉換為相應的M行XN列的二維矩陣，該M行XN列的二維矩陣作為二維圖像顯示獲得分類主題圖。
[0029]本發(fā)明的優(yōu)點:本發(fā)明方法針對高光譜圖像的高維度和存在噪聲及異常值的數(shù)據(jù)特性，提出了基于分層的集成學習方法，有效地減少了樣本數(shù)目少以及噪聲和奇異值對高光譜圖像分類精度的影響，該方法能夠獲得較高分類精度的同時，還提供了較為直觀的分類主題圖，更好的服務于后續(xù)的圖像處理應用。
[0030]本發(fā)明方法針對高光譜數(shù)據(jù)的內在特性，對高光譜數(shù)據(jù)進行隨機的波段選擇，同時利用分層的集成學習方法對高光譜數(shù)據(jù)分類，從而建立一種擁有理論根據(jù)和實際應用價值的數(shù)據(jù)分類算法。

【專利附圖】

【附圖說明】
[0031]圖1是本發(fā)明所述基于分層集成學習的高光譜遙感圖像分類方法中獲得T個光譜集合的示意圖。

【具體實施方式】
[0032]【具體實施方式】一:下面結合圖1說明本實施方式，本實施方式所述基于分層集成學習的高光譜遙感圖像分類方法，它包括以下步驟:
[0033]步驟一:讀取高光譜原始數(shù)據(jù)，對其進行預處理，獲得監(jiān)督數(shù)據(jù)，然后根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本，并由標記樣本中選擇訓練樣本和測試樣本；
[0034]步驟二:對高光譜原始數(shù)據(jù)的所有的光譜波段，進行隨機的波段選擇，然后從每一個標記樣本中抽取像素向量組合，該像素向量組合中每一個像素向量包含的波段數(shù)目與所述隨機的波段數(shù)目一一對應，形成一個光譜集合；重復隨機的波段選擇過程并形成對應的光譜集合，構成多個存在差異的光譜集合；
[0035]步驟三:以每個光譜集合為單位，使用訓練樣本訓練Adaboost集成框架的內層結構，再對測試樣本進行分類，獲得由Adaboost框架構成的內層集成；
[0036]步驟四:由步驟三中測試樣本的分類結果及分類精度，構造Adaboost集成框架的外層結構；
[0037]步驟五:采用具有上述內層結構和外層結構的Adaboost集成框架對高光譜原始數(shù)據(jù)采用遍歷方式進行分類，獲得分類主題圖。
[0038]本實施方式主要是使用兩層的集成結構對高光譜圖像進行分類，分別是內層結構和外層結構。內層結構是通過隨機波段選擇構成存在差異的光譜集合。之后以光譜集合為單位，分別使用Adaboost的集成方法來訓練，再對測試樣本進行分類。外層結構是將內層集成中各個光譜集合的分類結果進行整合，采用權重投票的方法確定樣本的最終類別。最后是將整幅圖像作為測試樣本，實現(xiàn)全圖分類從而得到分類主題圖。
[0039]【具體實施方式】二:本實施方式對實施方式一作進一步說明，步驟一中確定標記樣本，并由標記樣本中選擇訓練樣本和測試樣本的具體方法為:
[0040]讀取以三維矩陣形式存儲的高光譜原始數(shù)據(jù)，所述三維矩陣形式包括二維的空間位置信息和一維的光譜信息；將二維的空間位置信息中各像素點空間位置對應的真實地物標記圖中的地物類別分別以整數(shù)值的形式標記出來，獲得二維矩陣形式的監(jiān)督數(shù)據(jù)，該監(jiān)督數(shù)據(jù)由一一對應的像素點空間位置數(shù)據(jù)和以整數(shù)值的形式標記的地物類別數(shù)據(jù)組成；
[0041]由高光譜原始數(shù)據(jù)及監(jiān)督數(shù)據(jù)，確定真實地物標記圖中的地物類別數(shù)目C、二維的空間位置信息中像素點個數(shù)M行XN列以及一維的光譜信息中有效的波段數(shù)目B ；
[0042]將監(jiān)督數(shù)據(jù)中像素點空間位置數(shù)據(jù)按照位置坐標在高光譜原始數(shù)據(jù)中從上向下并且從左向右的方式，抽取光譜信息的像素向量作為標記樣本，并將標記樣本按行排列成二維矩陣形式，該二維矩陣的行數(shù)為標記樣本的個數(shù)，列數(shù)為像素向量包含的波段數(shù)目B ；
[0043]將以二維矩陣形式表示的標記樣本的奇數(shù)行選擇作為訓練樣本，偶數(shù)行選擇為測試樣本，并使訓練樣本與測試樣本數(shù)目之比為1:1 ;
[0044]再由監(jiān)督數(shù)據(jù)中抽取與二維矩陣形式表示的標記樣本一一對應的地物類別數(shù)據(jù)，并排列成列向量，該列向量中地物類別數(shù)據(jù)的個數(shù)為標記樣本的個數(shù)，每一個地物類別數(shù)據(jù)的數(shù)值為對應的一個標記樣本的類別標號，該列向量中第奇數(shù)個元素作為訓練樣本的類別標號，第偶數(shù)個元素作為測試樣本的類別標號。
[0045]對高光譜原始數(shù)據(jù)進行預處理，為后續(xù)特征提取及分類算法準備數(shù)據(jù)。主要包括讀取高光譜數(shù)據(jù)、確定標記樣本并選擇訓練樣本和測試樣本兩個部分。在監(jiān)督數(shù)據(jù)中，空間位置信息中各像素點的地物類別以整數(shù)值的形式標記出來，同一類別的像素點擁有相同的數(shù)值。根據(jù)監(jiān)督數(shù)據(jù)得到的標記樣本，用來訓練和測試分類方法。
[0046]高光譜原始數(shù)據(jù)中同一空間位置的不同光譜位置形成的向量稱為像素向量。標記樣本的第一個像素向量排在第一行，第二個像素向量排在第二行，以此類推，最終形成一個二維矩陣。標記樣本的像素向量與類別標號具有一一對應的關系。
[0047]【具體實施方式】三:下面結合圖1說明本實施方式，本實施方式對實施方式二作進一步說明，步驟二中構成多個存在差異的光譜集合的具體方法為:
[0048]在I至B之間抽取一組含有b個隨機數(shù)的組合U1, i2,…，ib}，其中I彡ik彡B，k=1，2，…，b)，然后由每一個標記樣本中，按照k從I到b的順序將第ik個向量元素抽取出來，分別構成一個含有b個元素的像素向量組合,該像素向量組合的個數(shù)與標記樣本的個數(shù)相同，所有含有b個元素的像素向量組合作為一個光譜集合；
[0049]將形成一個光譜集合的過程重復多次，在多次重復的過程中隨機數(shù)均選擇為b個，并使每一次隨機數(shù)的組合存在差異，得到多個存在差異的光譜集合。
[0050]高光譜原始數(shù)據(jù)包含幾十甚至上百個波段，構造光譜集合采用的是隨機波段抽取的方法。從高光譜數(shù)據(jù)的所有波段中隨機的抽取一部分波段作為光譜集合的光譜成員，這樣的隨機抽取重復一定的次數(shù)將達到對應數(shù)目的光譜集合。具體步驟包括:
[0051]1.隨機波段抽取。在高光譜圖像中，每一個像素點都有一個長度為B的像素向量，B為原始數(shù)據(jù)中包含的波段數(shù)目。在1-B之間生成一組含有b個隨機數(shù)的組合U1, “，…，ib}，從每一個標記樣本(包括訓練樣本和測試樣本)的像素向量中，按照k從I到b的順序將第ik個向量元素抽取出來，從而構成一個含有b個元素的像素向量。這樣對于所有的標記樣本而言，都有一個隨機波段抽取后長度為b的像素向量。將這些隨機波段抽取后的標記樣本作為一個光譜集合。經(jīng)驗表明，當b約為B的0.3倍時，b取整數(shù)值，后續(xù)的分類所取得的效果較好。
[0052]2.構造光譜集合。經(jīng)過以上的隨機波段抽取，僅形成一個光譜集合。將以上隨機抽取的過程重復T次，在重復的過程中參數(shù)保持一致，但是生成的隨機數(shù)組合存在差異，就可以得到T個光譜集合。經(jīng)驗表明，當T約為20-30左右時，后續(xù)的分類所取得的效果較好。
[0053]圖1可以較為直觀的說明以上的過程，其中灰色為在T次重復過程中抽取的波段。
[0054]【具體實施方式】四:本實施方式對實施方式三作進一步說明，步驟三中獲得由Adaboost框架構成的內層集成的具體方法為:
[0055]以每個光譜集合為單位，選擇支持向量機SVM作為Adaboost集成框架的弱分類器；對于第一個光譜集合，依據(jù)Adaboost的集成方法對該光譜集合內與訓練樣本相對應的像素向量組合進行迭代，設定迭代次數(shù)為F，則形成存在差異的系列弱分類器f(f =1，2，...，F(xiàn))；
[0056]首先為第一個光譜集合內與訓練樣本相對應的每個像素向量組合賦予相同的權值，然后通過弱分類器I對當前像素向量權重組合進行訓練和測試，對于其中被錯分的像素向量提高其權重，對于正確判決的像素向量降低其權重；將權重調整后的像素向量權重組合在所述當前像素向量權重組合上訓練弱分類器2，依此類推，反復迭代F次，獲得側重于不同像素向量權重組合的F個弱分類器；
[0057]再以每個光譜集合為單位，首先對第一個光譜集合內與測試樣本相對應的每個像素向量組合使用F個弱分類器進行分類，每一個像素向量獲得F個分類結果，由此獲得相應的測試樣本的F個分類結果，再由多數(shù)投票的方式確定相應測試樣本的最終分類結果；
[0058]設定共有T個光譜集合，對于第二個光譜集合至第T個光譜集合，重復上述分類過程，測試樣本的最終分類結果構成T個由Adaboost框架構成的內層集成。
[0059]內層結構是通過隨機波段選擇構成存在差異的光譜集合之后，以光譜集合為單位分別使用Adaboost的集成方法來訓練，再對測試樣本進行分類。具體步驟如下:
[0060]1.以每個光譜集合為單位，設計并使用訓練樣本訓練Adaboost集成框架。選擇支持向量機SVM作為Adaboost集成框架的弱分類器。對于光譜集合I,依據(jù)Adaboost的集成方法對集合內的訓練樣本進行迭代，設定迭代次數(shù)為F，將形成存在差異的一系列分類器f(f = 1，2，…，F(xiàn))。首先為每個訓練樣本賦予相同的權值；然后通過弱分類器I對訓練樣本進行訓練和測試，對于其中被錯分的樣本提高其權重，對于那些正確判決的樣本降低其權重；最后根據(jù)權重調整后的訓練集訓練下一輪分類器2，此過程反復迭代F次就可以得到側重于不同訓練樣本的F個弱分類器。
[0061]對于Adaboost集成的弱分類器可以由SVM替換為K近鄰、決策樹以及神經(jīng)網(wǎng)絡等分類器。經(jīng)驗表明，SVM的分類效果優(yōu)于其他分類器。
[0062]2.以每個光譜集合為單位，對測試樣本進行分類。使用F個弱分類器對測試樣本分類，對于每一個樣本將有F個分類結果，最終的類別由多數(shù)投票的方式確定。多數(shù)投票法的基本思想:集成框架中的多個弱分類器都進行分類預測并給出各自的分類結果，然后根據(jù)分類結果用投票的原則進行投票表決，采用少數(shù)服從多數(shù)。對于每一個測試樣本，讓F個弱分類器進行類別投票，得票數(shù)最多的那個類別作為對應樣本的分類結果。
[0063]3.對于光譜集合2-T，重復上述步驟1-2，則將構成T個由Adaboost框架構成的內層集成。
[0064]【具體實施方式】五:本實施方式對實施方式四作進一步說明，步驟四中構造Adaboost集成框架的外層結構的具體方法為:
[0065]對T個內層集成得到的測試樣本的最終分類結果進行整合，再采用權重投票的方法對整合結果進行最終類別的確定，構造出Adaboost集成框架的外層結構。
[0066]外層結構是將T個內層集成得到的分類結果進行整合，采用權重投票的方法確定樣本的最終類別。
[0067]對于外部集成結構中的每一個內部集成，對于測試樣本都將給出一個判定的類另IJ，為了得到最終的集成決策，需要將這些個體分類器的輸出進行一定策略的整合，得到分層的集成學習的分類結果。在面對多個分類結果時，需要尋求一種整合策略以獲得最佳決策。此處選擇權重投票的方法。每一個內部集成結構的權重是由其對于訓練樣本的分類精度決定的，某一個像素點的類別是通過投票之后權重的加和來判斷的，權重的總和最大的類別作為最終的類別輸出。
[0068]【具體實施方式】六:本實施方式對實施方式五作進一步說明，步驟五中獲得分類主題圖的具體方法為:
[0069]采用從上到下，從左到右的遍歷方式，對高光譜原始數(shù)據(jù)空間位置信息中各像素點進行上述方式中同樣方法的像素向量的抽取，得到MXN個像素向量，再采用具有上述內層結構和外層結構的Adaboost集成框架對MXN個像素向量逐個進行分類，得到MXN個類別標簽，再將MXN個類別標簽轉換為相應的M行XN列的二維矩陣，該M行XN列的二維矩陣作為二維圖像顯示獲得分類主題圖。
[0070]采用從上到下，從左到右的遍歷方式，對原始的高光譜圖像內的所有像素點進行像素向量的抽取。將得到MXN個像素向量，使用分層的集成結構對所有的像素向量進行分類，將得到MXN個類別標簽，該類別標簽為一維向量，將類別標簽轉換為M行XN列的二維矩陣，將二維矩陣作為二維圖像顯示將得到分類的直觀評價，即分類主題圖。
【權利要求】
1.一種基于分層集成學習的高光譜遙感圖像分類方法，其特征在于，它包括以下步驟: 步驟一:讀取高光譜原始數(shù)據(jù)，對其進行預處理，獲得監(jiān)督數(shù)據(jù)，然后根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本,并由標記樣本中選擇訓練樣本和測試樣本； 步驟二:對高光譜原始數(shù)據(jù)的所有的光譜波段，進行隨機的波段選擇，然后從每一個標記樣本中抽取像素向量組合，該像素向量組合中每一個像素向量包含的波段數(shù)目與所述隨機的波段數(shù)目一一對應，形成一個光譜集合；重復隨機的波段選擇過程并形成對應的光譜集合，構成多個存在差異的光譜集合； 步驟三:以每個光譜集合為單位，使用訓練樣本訓練Adaboost集成框架的內層結構，再對測試樣本進行分類，獲得由Adaboost框架構成的內層集成； 步驟四:由步驟三中測試樣本的分類結果及分類精度，構造Adaboost集成框架的外層結構； 步驟五:采用具有上述內層結構和外層結構的Adaboost集成框架對高光譜原始數(shù)據(jù)采用遍歷方式進行分類，獲得分類主題圖。
2.根據(jù)權利要求1所述的基于分層集成學習的高光譜遙感圖像分類方法，其特征在于,步驟一中確定標記樣本,并由標記樣本中選擇訓練樣本和測試樣本的具體方法為: 讀取以三維矩陣形式存儲的高光譜原始數(shù)據(jù)，所述三維矩陣形式包括二維的空間位置信息和一維的光譜信息；將二維的空間位置信息中各像素點空間位置對應的真實地物標記圖中的地物類別分別以整數(shù)值的形式標記出來，獲得二維矩陣形式的監(jiān)督數(shù)據(jù)，該監(jiān)督數(shù)據(jù)由一一對應的像素點空間位置數(shù)據(jù)和以整數(shù)值的形式標記的地物類別數(shù)據(jù)組成； 由高光譜原始數(shù)據(jù)及監(jiān)督數(shù)據(jù)，確定真實地物標記圖中的地物類別數(shù)目C、二維的空間位置信息中像素點個數(shù)M行XN列以及一維的光譜信息中有效的波段數(shù)目B ； 將監(jiān)督數(shù)據(jù)中像素點空間位置數(shù)據(jù)按照位置坐標在高光譜原始數(shù)據(jù)中從上向下并且從左向右的方式，抽取光譜信息的像素向量作為標記樣本，并將標記樣本按行排列成二維矩陣形式，該二維矩陣的行數(shù)為標記樣本的個數(shù)，列數(shù)為像素向量包含的波段數(shù)目B ； 將以二維矩陣形式表示的標記樣本的奇數(shù)行選擇作為訓練樣本，偶數(shù)行選擇為測試樣本，并使訓練樣本與測試樣本數(shù)目之比為1:1 ; 再由監(jiān)督數(shù)據(jù)中抽取與二維矩陣形式表示的標記樣本一一對應的地物類別數(shù)據(jù)，并排列成列向量，該列向量中地物類別數(shù)據(jù)的個數(shù)為標記樣本的個數(shù)，每一個地物類別數(shù)據(jù)的數(shù)值為對應的一個標記樣本的類別標號，該列向量中第奇數(shù)個元素作為訓練樣本的類別標號，第偶數(shù)個元素作為測試樣本的類別標號。
3.根據(jù)權利要求2所述的基于分層集成學習的高光譜遙感圖像分類方法，其特征在于，步驟二中構成多個存在差異的光譜集合的具體方法為: 在I至B之間抽取一組含有b個隨機數(shù)的組合U1, i2,…，ib}，其中I ^ ik^ B, k =1，2，…，b)，然后由每一個標記樣本中，按照k從I到b的順序將第ik個向量元素抽取出來，分別構成一個含有b個元素的像素向量組合,該像素向量組合的個數(shù)與標記樣本的個數(shù)相同，所有含有b個元素的像素向量組合作為一個光譜集合； 將形成一個光譜集合的過程重復多次，在多次重復的過程中隨機數(shù)均選擇為b個，并使每一次隨機數(shù)的組合存在差異，得到多個存在差異的光譜集合。
4.根據(jù)權利要求3所述的基于分層集成學習的高光譜遙感圖像分類方法，其特征在于，步驟三中獲得由Adaboost框架構成的內層集成的具體方法為: 以每個光譜集合為單位，選擇支持向量機SVM作為Adaboost集成框架的弱分類器；對于第一個光譜集合，依據(jù)Adaboost的集成方法對該光譜集合內與訓練樣本相對應的像素向量組合進行迭代，設定迭代次數(shù)為F，則形成存在差異的系列弱分類器f(f= 1,2,...,F)； 首先為第一個光譜集合內與訓練樣本相對應的每個像素向量組合賦予相同的權值，然后通過弱分類器I對當前像素向量權重組合進行訓練和測試，對于其中被錯分的像素向量提高其權重，對于正確判決的像素向量降低其權重；將權重調整后的像素向量權重組合在所述當前像素向量權重組合上訓練弱分類器2，依此類推，反復迭代F次，獲得側重于不同像素向量權重組合的F個弱分類器； 再以每個光譜集合為單位，首先對第一個光譜集合內與測試樣本相對應的每個像素向量組合使用F個弱分類器進行分類，每一個像素向量獲得F個分類結果，由此獲得相應的測試樣本的F個分類結果，再由多數(shù)投票的方式確定相應測試樣本的最終分類結果； 設定共有T個光譜集合，對于第二個光譜集合至第T個光譜集合，重復上述分類過程，測試樣本的最終分類結果構成T個由Adaboost框架構成的內層集成。
5.根據(jù)權利要求4所述的基于分層集成學習的高光譜遙感圖像分類方法，其特征在于，步驟四中構造Adaboost集成框架的外層結構的具體方法為: 對T個內層集成得到的測試樣本的最終分類結果進行整合，再采用權重投票的方法對整合結果進行最終類別的確定,構造出Adaboost集成框架的外層結構。
6.根據(jù)權利要求5所述的基于分層集成學習的高光譜遙感圖像分類方法，其特征在于，步驟五中獲得分類主題圖的具體方法為: 采用從上到下，從左到右的遍歷方式，對高光譜原始數(shù)據(jù)空間位置信息中各像素點進行上述方式中同樣方法的像素向量的抽取，得到MXN個像素向量，再采用具有上述內層結構和外層結構的Adaboost集成框架對MXN個像素向量逐個進行分類，得到MXN個類別標簽，再將MXN個類別標簽轉換為相應的M行XN列的二維矩陣，該M行XN列的二維矩陣作為二維圖像顯示獲得分類主題圖。
【文檔編號】G06K9/62GK104268579SQ201410541909
【公開日】2015年1月7日 申請日期:2014年10月14日 優(yōu)先權日:2014年10月14日
【發(fā)明者】陳雨時, 趙興, 劉柏森 申請人:哈爾濱工業(yè)大學