专利名称：一种广域遥感影像决策树分类方法及装置的制作方法
技术领域：
本发明涉及遥感影像的分类，尤其涉及ー种广域遥感影像决策树分类方法及装置。
背景技术：
遥感影像是利用星载或机载传感器获取的反应地球表面地物空间分布和光谱信息的图像资料，它具有覆盖范围广，成像周期短等特点，随着遥感影像分类技术的发展，使得遥感影像分类技术在广域地表覆盖分类中得到越来越多的应用。现有的遥感影像分类方法和系统有最小距离法、平行六面法、最大似然法和IS0DATA(迭代自组织数据分析技木)、K-Means (K-均值聚类法)等监瞀、非监瞀分类法，以及新兴的模糊聚类方法、神经网络法、决策树、支持向量机和面向对象分类法。其中决策树分类法主要具有以下优点 (I)分类决策树具有结构清晰，易于理解，实现简单，运行速度快，准确性高等特点。可以供专家分析、判断和修正，也可以输入到专家系统中。(2)决策树分类方法不需要假设先验概率分布，这种非參数化的特点使其具有更好的灵活性和鲁棒性，因此，当遥感影像数据特征的空间分布很复杂，或者多源数据具有不同的统计分布和尺度时，用决策树分类法能获得理想的分类結果。(3)决策树可以有效的处理大量高维数据和非线性关系。(4)决策树方法能够有效地抑制训练样本决策属性缺失问题，因此可以解决由于训练样本(可能由传感器噪声、漏扫描、信号混合、各种等原因造成)使得分类精度降低的问题。决策树分类算法是数据挖掘技术中的一种预测模型，它通过无次序、无规则的样本数据集推理出决策树表现形式，并用于目标数据集的分类。在遥感影像分类中缺少对应的分类策略和算法，以提高广域遥感影像分类精度。
发明内容
本发明实施例提供ー种广域遥感影像决策树分类方法及装置，以提供一种基于决策树遥感影像分类的广域地表覆盖分类策略，并提高广域遥感影像分类精度。一方面，本发明实施例提供了ー种广域遥感影像决策树分类方法，所述广域遥感影像决策树分类方法，包括获取待分类影像集；根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；分别对同一组影像进行统一采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。可选的，在本发明ー实施例中，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。可选的，在本发明ー实施例中，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。可选的，在本发明ー实施例中，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。可选的，在本发明ー实施例中，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括通过不断更新每个样本的权重，将迭代技术应用到上述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。另ー方面，本发明实施例提供了ー种广域遥感影像决策树分类装置，所述广域遥感影像决策树分类装置包括 获取单元，用于获取待分类影像集；分组单元，用于根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；统ー采样单元，用于分别对同一组影像进行统一采样以获取样本数据；波段组合单元，用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；分类单元，用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。可选的，在本发明ー实施例中，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。可选的，在本发明ー实施例中，所述分类単元，进ー步用于将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。可选的，在本发明ー实施例中，所述分类単元，进ー步用于将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。可选的，在本发明ー实施例中，所述分类単元，进ー步用于通过不断更新每个样本的权重，将迭代技术应用到上述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。上述技术方案具有如下有益效果因为采用获取待分类影像集；根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；分别对同一组影像进行统ー采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像的技术手段，所以达到了如下的技术效果提供了ー种基于决策树遥感影像分类的广域地表覆盖分类策略，提高了广域遥感影像分类精度。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图I为本发明实施例ー种广域遥感影像决策树分类方法流程图；图2为本发明实施例ー种广域遥感影像决策树分类装置结构示意图；图3为本发明应用实例应用广域遥感影像决策树分类的精度评价示意图；图4为本发明应用实例中单景影像具体分类策略示意图；图5为本发明应用实例分组统ー采样实施示意图；
图6为本发明应用实例决策树遥感影像分类具体实施流程图。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图I所示，为本发明实施例ー种广域遥感影像决策树分类方法流程图，所述广域遥感影像决策树分类方法，包括101、获取待分类影像集；102、根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；103、分别对同一组影像进行统一采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；104、将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。可选的，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。可选的，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。可选的，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。可选的，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括通过不断更新每个样本的权重，将迭代技术应用到上述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。对应于方法实施例，如图2所示，为本发明实施例ー种广域遥感影像决策树分类装置结构示意图，所述广域遥感影像决策树分类装置包括获取单元21，用于获取待分类影像集；分组单元22，用于根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；统ー采样单元23，用于分别对同一组影像进行统一采样以获取样本数据；波段组合单元24，用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；分类单元25，用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。可选的，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。
可选的，所述分类単元25，进ー步用于将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。可选的，所述分类単元25，进ー步用于将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。可选的，所述分类単元25，进ー步用于通过不断更新每个样本的权重，将迭代技术应用到上述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。本发明实施例上述方法或装置技术方案具有如下有益效果因为采用获取待分类影像集；根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；分别对同一组影像进行统一采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像的技术手段，所以达到了如下的技术效果提供了ー种基于决策树遥感影像分类的广域地表覆盖分类策略，提高了广域遥感影像分类精度。以下举应用实例进行详细说明如图3所示，为本发明应用实例应用广域遥感影像决策树分类的精度评价示意图，在分类前，本发明应用实例首先根据原始影像的时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；然后对每组影像进行采样，同时对原始影像进行特征指数提取(如 KT 变换(kautlr-thomas transformation,纟婴帽变换)、NDVI (NormalizedDifference Vegetation Index,归ー化植被指数)指数提取、纹理变换等)；然后将多特征波段组合影像和样本数据输入到决策树分类器中，经过生成训练集一生成规则集-影像分类-人工编辑等一系列操作得到最終的分类影像。以TM影像(美国陆地卫星4 5号专题制图仪(thematic mapper)所获取的多波段扫描影像)为例，如图4所示，为本发明应用实例中单景影像具体分类策略示意图，如下在该策略中，本发明应用实例首先对TM影像进行了特征提取，即做指数特征提取(、NDVI指数提取、纹理变换，同时将对应的DEM (Digital Elevation Model，数字高程模型)进行重采样，然后对上述结果进行波段组合，导入样本数据生成拥有15个特征变量的训练集，将其导入到决策树分类器中，利用生成的规则集和多特征波段组合影像进行分类，得到分类结果。样本采集如图5所示，为本发明应用实例分组统ー采样实施示意图，如下为了提高整个分类过程的效率，本发明应用实例按照上图将待分类影像实施按时相分组采样，在具体实施过程中要保证先期制定的分类系统中每个类别都有对应的样本集，且各类样本的比例大致与影像地表覆盖类别比例相同。在对样本进行检验的时候，需要利用到决策树分类器的十折交叉验证功能，即先将样本数据与组合好的波段输入决策树分类器，生成训练集，然后对训练集采取十折交叉验证的方式进行检验，所谓十折交叉验证(英文名叫做10-foldcross-validation)是常用的测试方法。将数据集分成十分，轮流将其中9份作为训练数据，I份作为测试数据，进行试验。毎次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法准确性的估计。之所以选择将数据集分为10份，是因为通过利用大量数据集、使用不同学习技术进行的大量试验，表明10折是获得最好误差估计的恰当选择。决策树分类器如图6所示，为本发明应用实例决策树遥感影像分类具体实施流程图，可结合图3理解本发明应用实例中决策树分类器具体实施流程。
单棵GLC (Globle Land Cover)树本发明应用实例中，单棵GLC树算法主要结构如下表I所示表I单棵GLC树算法主要结构表
权利要求
1.ー种广域遥感影像决策树分类方法，其特征在干，所述广域遥感影像决策树分类方法，包括获取待分类影像集；根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；分别对同一组影像进行统一采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像； 将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。
2.如权利要求I所述广域遥感影像决策树分类方法，其特征在于，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。
3.如权利要求I所述广域遥感影像决策树分类方法，其特征在干，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。
4.如权利要求I所述广域遥感影像决策树分类方法，其特征在干，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器，以获取分类影像，包括将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。
5.如权利要求4所述广域遥感影像决策树分类方法，其特征在干，将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，包括通过不断更新每个样本的权重，将迭代技术应用到所述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。
6.ー种广域遥感影像决策树分类装置，其特征在干，所述广域遥感影像决策树分类装置包括获取单元，用于获取待分类影像集；分组单元，用于根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；统ー采样单元，用于分别对同一组影像进行统一采样以获取样本数据；波段组合单元，用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；分类单元，用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像。
7.如权利要求6所述广域遥感影像决策树分类装置，其特征在于，所述特征提取包括特征指数提取、归ー化植被指数NDVI提取、纹理变换。
8.如权利要求6所述广域遥感影像决策树分类装置，其特征在干，所述分类単元，进ー步将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器，并采取十折交叉验证的方式进行检验，以获取训练集。
9.如权利要求6所述广域遥感影像决策树分类装置，其特征在干，所述分类単元，进ー步将所述生成的训练集输入到面向遥感影像分类的ニ叉树结构的决策树中进行学习，以获取用于遥感影像分类的规则集。
10.如权利要求9所述广域遥感影像决策树分类装置，其特征在干，所述分类単元，进ー步通过不断更新每个样本的权重，将迭代技术应用到所述ニ叉树结构的决策树中，构建迭代决策树，以提高规则集的分类精度。
全文摘要
本发明实施例提供一种广域遥感影像决策树分类方法及装置，所述广域遥感影像决策树分类方法包括获取待分类影像集；根据时相特征将待分类影像集分成若干组，每组影像具有相同的波谱特征；分别对同一组影像进行统一采样以获取样本数据，及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像；将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中，以获取分类影像，本发明实施例达到了如下的技术效果提供了一种基于决策树遥感影像分类的广域地表覆盖分类策略，提高了广域遥感影像分类精度。
文档编号G06K9/62GK102831440SQ20121029746
公开日2012年12月19日 申请日期2012年8月20日 优先权日2012年8月20日
发明者翟亮, 张晓贺, 桑会勇, 李奇伟, 杨刚, 王晓军, 邱程锦, 贾毅 申请人:中国测绘科学研究院