样本自适应多特征加权的遥感图像分类方法
【专利摘要】本发明公开了一种样本自适应多特征加权的遥感图像分类方法，属于遥感图像处理【技术领域】。本发明方法针对不同样本在最近邻空间特征分布情况不同而确定各个特征的权重，并根据每种特征的分类结果进行多分类器自适应综合，最终获得多特征融合后的分类结果，从而充分发挥各特征对不同样本的优势，使特征融合结果更佳。本发明方法能够针对不同测试样本图像自适应地选择不同的特征权重，发挥各特征在不同样本和不同局部特征空间的分类优势，提高了分类准确率，最终从整体上提高了分类性能。
【专利说明】样本自适应多特征加权的遥感图像分类方法
【技术领域】
[0001] 本发明涉及一种遥感图像分类方法，尤其涉及一种多特征融合的遥感图像分类方 法，属于遥感图像处理【技术领域】。
【背景技术】
[0002] 随着遥感科学的发展和技术应用的深入，遥感研究正在由定性向定量转变。传统 的基于像元的遥感图像分类主要借助统计模式识别理论和方法，在技术和应用上已经很 成熟。可单纯依靠像元光谱统计信息对遥感影像进行分类有很大的局限性，不但精度低， 而且会产生大量的数据冗余。高分辨率遥感影像能够提供丰富的地物细节，但各种地物空 间分布复杂，同类物体呈现出很大的光谱异质性，基于像元的分类技术容易造成较多的错 分、漏分现象，从而导致分类精度较低。
[0003] 近年来，研究者发现对于高分辨率遥感图像中的目标，不同特征的作用各不相同， 彼此存在互补的现象。综合考虑图像的纹理特征、光谱特征和形状信息等多种特征信息的 遥感影像解译技术已经得到了广泛的研究和应用，提高了遥感信息提取的精度和可靠性。 国内外多数学者使用一种算法或者规则将多个分类器进行组合，提高了分类精度。具有代 表性的几种组合方法有多数投票法、加权综合法、完全一致法、最大概率类别法、模糊积分 融合法等。下面对最常见的几种方法进行简单介绍：
[0004] (1)多数投票法。多数投票法属于典型的抽象级分类器融合方法，其基本思想是 当各子分类器输出结果不完全一致时，可以通过投票的方式来决定类别的归属问题。多数 投票法基于群体的判断优于个体的判断假设，简单、准确且易操作，由于其判决条件比较苛 亥IJ，结果的可靠性较高，但会出现判决率降低，而且没有考虑各分类器本身的特性。
[0005] (2)加权综合法。加权综合规则下的分类精度明显高于多数投票规则下的分类精 度。因为加权求和规则本身就是针对多数票规则，一人一票的缺点提出的，在确定各个分 类器的权重时，采用该成员分类器独立分类的总体精度作为其衡量值，但是关于权重的定 量没有考虑到特征的局部特点，即样本的多样性，不能合理地衡量成员分类器分类能力的 值。如果能确定更合理的权重，那么加权求和规则下的组合精度将更高。
[0006] (3)完全一致法。完全一致法要求很严格，只有在各个分类器输出一致的情况下才 输出结果，否则拒识。因此，在分类器分类不一致的情况下，该方法不能给出很好的分类效 果，不仅没有考虑到单个特征对分类的作用，而且没有合理结合样本的多样性，导致分类精 度很低。
[0007] 现有这些多特征融合的遥感图像分类方法均未考虑到遥感目标的多样性，不能充 分利用样本空间的局部特征相关性信息，因而分类精度差强人意。
【发明内容】
[0008] 本发明所要解决的技术问题在于克服现有多特征融合的遥感图像分类技术的不 足，提供一种样本自适应多特征加权的遥感图像分类方法，针对不同样本在最近邻空间特 征分布情况不同而确定各个特征的权重，并根据每种特征的分类结果进行多分类器自适应 综合，最终获得多特征融合后的分类结果，从而充分发挥各特征对不同样本的优势，使特征 融合结果更佳。
[0009] 本发明的样本自适应多特征加权的遥感图像分类方法，首先利用遥感图像训练集 在Q个不同的图像特征空间中分别训练分类模型，得到Q个对应不同图像特征的分类器，Q 为大于2的自然数；然后分别利用这Q个分类器对待分类的测试遥感图像进行分类，得到该 测试遥感图像的Q组类别预测结果；最后对得到的Q组类别预测结果进行加权综合，得到该 测试遥感图像最终的分类结果；具体按照以下方法对得到的Q组类别预测结果进行加权综 合：
[0010] 步骤1、初始化各图像特征的权重Wi为1，i=l，2,…，Q ;
[0011] 步骤2、利用特征的加权欧氏距离，从遥感图像训练集中获取测试遥感图像的1(3个 最近邻样本，测试遥感图像X与遥感图像训练集样本y之间的加权欧式距离d按照下式得 到：
[0012]
【权利要求】
1.样本自适应多特征加权的遥感图像分类方法，首先利用遥感图像训练集在Q个不同 的图像特征空间中分别训练分类模型，得到Q个对应不同图像特征的分类器，Q为大于2的 自然数；然后分别利用这Q个分类器对待分类的测试遥感图像进行分类，得到该测试遥感 图像的Q组类别预测结果；最后对得到的Q组类别预测结果进行加权综合，得到该测试遥感 图像最终的分类结果；其特征在于，具体按照以下方法对得到的Q组类别预测结果进行加 权综合： 步骤1、初始化各图像特征的权重A为1，i=l，2,…，Q ; 步骤2、利用特征的加权欧氏距离，从遥感图像训练集中获取测试遥感图像的1(3个最近 邻样本，测试遥感图像X与遥感图像训练集样本y之间的加权欧式距离d按照下式得到：
其中，Wi为图像特征i对应的权重，Xi和yi分别为测试遥感图像X与训练遥感图像样 本y的第i个图像特征分量； 步骤3、对K3个最近邻样本中的每一个，分别以该最近邻样本为测试样本，按照以下方 法计算每个图像特征对该最近邻样本的分类预测能力： 步骤3-1、利用特征的加权欧氏距离，从遥感图像训练集中获取测试样本的&和Κ2个 最近邻样本，分别构成该测试样本的第一邻域和第二邻域； 步骤3-2、利用下式计算测试样本的第一邻域中的任一样本属于各个图像类别的概 率：
其中，a^_表示测试样本的第一邻域中的任一样本属于第j种图像类别的概率， j e {1，2, . . .，J}，J为图像类别总数，％为测试样本的第一邻域中属于第j种图像类 别的样本个数； 步骤3-3、对测试样本的第二邻域，利用下式计算各图像特征空间中与测试样本之间的 归一化欧氏距离在预设距离阈值Ai内的任一样本属于各图像类别的概率：
r 其中，b,;表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在 预设距离阈值Ai内的任一样本，属于第j种图像类别的概率，i e {1，2，...，Q}， je {1，2，...，J} ;N/表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离 在预设距离阈值Ai内的属于第j种图像类别的样本个数；在第i个图像特征空间中，测试 样本与其第二邻域中任一样本的归一化欧氏距离为：测试样本与该样本间的欧氏距离除以 测试样本与其第二邻域中所有样本的平均欧氏距离； 步骤3-4、利用以上得到的d和b〖，根据下式计算各图像特征对测试样本的分类预测 评估能力：
f 式中，A表示第i个图像特征对该测试样本的分类预测评估能力指数， i e {1,2,..., Q}； 步骤4、分别求取各图像特征对所述K3个最近邻样本的分类预测评估能力指数的平均 值i，ie {1，2，...，Q}，以其作为各图像特征对所述测试遥感图像的局部分类预测能力， 并利用?更新各图像特征的权重&:
其中，c为预设的大于等于0的指数加权因子； 步骤5、重复执行步骤2?步骤4直至满足预设的迭代终止条件，以当前输出的各图像 特征的权重&与相应的分类器对测试遥感图像的分类结果？1相乘，得到各图像特征所对应 分类器加权后的分类结果：Ρ/ =?Λ，i e {1，2,...，Q};最后取加权概率和最大的类作为所 述测试遥感图像最终的分类结果。
2. 如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述 Q的取值大于等于3,且所述Q个不同的图像特征包括视觉词袋特征、颜色特征，以及纹理特 征。
3. 如权利要求2所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述 颜色特征为颜色直方图。
4. 如权利要求2所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述 纹理特征为Gabor纹理特征。
5. 如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述 分类模型为支持向量机。
6. 如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，&的 值为9, K2和K3的值均为遥感图像训练集中线训练样本总数的15%，c的值为18, Λ i的值为 1〇
7. 如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述 迭代终止条件为迭代次数达到3次。
【文档编号】G06K9/62GK104252625SQ201310267634
【公开日】2014年12月31日 申请日期:2013年6月28日 优先权日:2013年6月28日
【发明者】李士进, 常纯, 万定生, 朱跃龙, 冯钧, 仇建斌 申请人:河海大学