一种基于一类归一化的遥感影像单类分类方法
【专利摘要】提供了一种基于一类归一化的遥感影像单类分类方法，在遥感影像中选择单类样本；进行一类归一化变换；归一化变换后，以原点为中心，确定一个超球体进行单类分类，距离原点小于超球半径的样本为正类。与其他单类分类技术相比，本发明具有0参数的优点，即不需要设置任何参数，直接进行单类分类，且效果良好，性能稳定。
【专利说明】一种基于一类归一化的遥感影像单类分类方法
【技术领域】
[0001]本发明涉及遥感信息提取领域，特别是遥感影像信息分析与应用。
【背景技术】
[0002]单类分类要求提取遥感影像中的某个特定类别，不考虑其他的地物类型，比如湿地提取、植被提取、水体提取等，已逐渐成为遥感信息提取领域研究的热点。目前，单类信息提取技术主要集中在两个方面，一是针对特定地物类别提取的特征选择与分析，二是单类分类器的设计。其中，特征选择与分析对所提取的类别有很强的针对性，如水体信息提取，有的方法结合图像的聚合、相邻等空间特征和高维波段映射的谱分析，通过自适应信息计算自动地调整提取参数，实现自动化的水体信息提取；又如植被信息提取，可利用比值运算创建的归一化差异植被指数特征提取植被信息。而利用单类分类器提取遥感影像中的兴趣类别，相关的研究还较少。一个常用的单类分类器是单类支持向量机(one-classsupport-vector machine, 0CSVM)。OCSVM方法在高维空间中，寻找一个能将兴趣类别分开的具有最大间隔的超平面，它的缺点是自由参数的选择困难。在构造分类器过程中，除了兴趣类别样本外，未标记样本也提供了有用的信息，例如Transductive SVM (TSVM)方法,通过利用未标记样本可以得到较好的分类性能，TSVM方法需要设定迭代次数，而且需要已标记样本中的正样本和负样本两个方面。还有基于支持域描述的方法(support vector datadescript1n, SVDD)，利用一个包含目标数据的尽可能小的球体进行判别，由小样本训练就能得到较好的分类效果，SVDD方法的主要缺点也是参数设置比较复杂。还有PUL(positiveand unlabeled learning)、MAXENT方法等单类分类器,都需要设置较复杂的参数,在实际应用中效果受到影响。
[0003]单类分类器不需要所有类别的训练样本，是一种特殊的分类方法，旨在训练和提取单一兴趣类别，可以用于特定类别提取(如海洋溢油面积提取)、遥感影像目标识别、变化检测(未变化作为背景)等，具有广泛的应用前景和重要的研究价值。
【发明内容】
[0004]本发明提供了一种基于一类归一化的遥感影像单类分类方法，其实施步骤如下:
[0005](I)将η个波段的遥感影像A映射到η维特征空间，并选择兴趣类别样本。
[0006](2)计算兴趣类别样本的协方差矩阵Σ，并求出该协方差矩阵的特征向量矩阵Φ和特征值矩阵Δ。
[0007](3)对映射到η维特征空间的影像A作变换Y = Λ _1/2 ΦΤΑ，此时兴趣类别在特征空间η个方向上的方差都约为I。
[0008](4)在影像变换后的坐标中，计算每个数据点到坐标中心的欧几里得距离D。
[0009](5)如果距离D小于3，则该数据点判定属于兴趣类别，否则为非兴趣类别。
[0010]与其他单类分类技术相比，本发明具有O参数的优点，即不需要设置任何参数，直接进行单类分类，且效果良好，性能稳定。主要包括两个方面:
[0011]第一，根据兴趣类别的训练样本，计算协方差矩阵及其特征向量和特征值矩阵，并对整个遥感影像作基于兴趣类别的归一化变换，应用于遥感影像单类分类技术。该技术分类过程简单，不需要复杂的模型设计，在判断过程中仅需要计算欧几里得距离实现兴趣类别的提取。
[0012]第二，在类别判定过程中，固定选择距离阈值为3倍标准差，使得分类过程不再需要参数的设置。这个阈值的确定是在理论和实践测试的基础上得出的。
【专利附图】
【附图说明】
[0013]图1是本发明的基于一类归一化的遥感影像单类分类流程图；
[0014]图2是本发明的TM影像变换前后各类别样本的二维分布；
[0015]图3是本发明的TM遥感影像变换前后的兴趣类别和非兴趣类别样本的二维散列图；
[0016]图4是本发明的TM遥感影像变换前的不同类别的提取精度随阈值变化的情况；
[0017]图5是本发明的TM遥感影像变换后的不同类别的提取精度随阈值变化的情况；
[0018]图6是本发明的TM实验数据(a)的单类分类结果；
[0019]图7是本发明的TM实验数据(b)的单类分类结果；
[0020]图8是本发明的另一实施例；
[0021]图9是本发明的方法和OCSVM方法对SP0T5影像中的各地物类别提取的实验结果对比。
【具体实施方式】
[0022]基于一类归一化的遥感影像单类分类流程如图1所示。在遥感分类应用中，首先要选择训练样本，单类分类只需要选择兴趣类别的训练样本进行学习。样本的选择对后续分类结果的影响很大，一般有两种方法，一是到遥感影像覆盖的区域进行实地考察，提取实际的地物类别作为训练样本；二是对遥感影像进行人工解译，选择兴趣类别的训练样本，人工解译方法往往需要更高分辨率的遥感影像作为辅助。单类训练样本的选择由于要对类别进行完整的描述，样本的数量应该较多类分类更加充分，多类分类一般要求为数据波段数的10到30倍。
[0023]选择出兴趣类别的训练样本后，对图像数据做一类归一化变换，一类归一化变换首先将兴趣类别的训练样本数据映射到η维特征空间，η是遥感图像的波段数。计算兴趣类别训练样本数据的协方差矩阵Σ，并求出该协方差矩阵的特征向量矩阵Φ和特征值矩阵Δ ;然后将整个图像数据映射到η维特征空间，并做变换Y= Λ_1/2ΦΤΑ，此时兴趣类别在特征空间η个方向上的方差都约为1，而且坐标的原点在兴趣类别的中心，这样完成了针对兴趣类别的一类归一化变换。
[0024]在单类分类中，由于只有兴趣类别的训练样本，需要设定一个距离阈值，根据阈值判断样本是否属于兴趣类别。在完成一类归一化变换后的数据空间中，以坐标的原点为中心，选择一个半径作为阈值，并计算样本和原点之间的距离，距离小于这个阈值的样本为兴趣类别。在一类归一化变换后的数据空间中，基于兴趣类别的样本标准差进行半径的选择，如半径可为标准差的I倍、2倍、3倍等等，由于兴趣类别在变换后的特征空间各个方向上的方差都为1，所以半径是I的不同倍数。根据统计学原理，不同的半径内包含的正类和负类比例是不同的，存在一个最佳的分类结果，由实验数据统计得出，选择半径为3倍的标准差，可以得到最佳的分类结果，在实际应用中，这个阈值可固定为3，因此使得分类过程不再需要参数的设置。
[0025]对所有变换后的数据空间中的数据进行判别，与原点之间的距离小于3的样本被判别为兴趣类别，否则为非兴趣类别。最后将所有数据归类，并把数据再转换回原来的图像空间，不同的类别以不同的颜色显示，实现单类分类。
[0026]归一化变换后，以原点为中心，确定一个超球体进行单类分类，距离原点小于超球半径的样本为正类。在单类分类中，只有兴趣类别的训练样本，由于没有其他类别作为比较，需要设定一个距离阈值，根据阈值判断样本是否属于兴趣类别。由于已经对兴趣类别进行归一化变换，兴趣类别在各个方向上的方差都为I，使得阈值容易确定。
[0027]根据兴趣类别的训练样本，计算协方差矩阵及其特征向量和特征值矩阵，并对整个遥感影像作基于兴趣类别的归一化变换，应用于遥感影像单类分类技术。该技术分类过程简单，不需要复杂的模型设计，在判断过程中仅需要计算欧几里得距离实现兴趣类别的提取。
[0028]图2为一幅TM遥感影像中的兴趣类别和非兴趣类别样本的二维散列图，(a)为变换前的分布情况，(b)为归一化变换后的分布情况，可以看出，一类归一变换后红色圆圈表示的兴趣类别具有很好的圆形分布，为后续的分类创造了良好的判别条件。
[0029]在类别判定过程中，固定选择距离阈值为3倍标准差，使得分类过程不再需要参数的设置。这个阈值的确定是在理论和实践测试的基础上得出的。
[0030]理论上，根据切比雪夫不等式，对于任意分布形式的数据，在平均数K倍标准差范围之内的数据比例至少占(1-1/K2)，例如，在3倍标准差区间内的数据比例至少为89%，在4倍标准差区间内的数据比例至少为94%。根据该定理，如果兴趣类别的判别阈值为均值的3倍标准差，就能保证兴趣类别中90%左右的数据被正确分类，区间越大比例越大，但随着区间的扩大，错分比例也会增加。这是因为在遥感影像中，兴趣类别往往与其他类别在特征空间邻近分布或相互交叠，其他类别的数据被更大的区间包括进来的比例增加。而基于兴趣类别的一类归一化为阈值选择提供了有利条件，因为在一类归一化后，兴趣类别的分布中心在特征空间坐标中心，而且各个方向上的方差相同，使得在各个方向上的阈值可以是一个统一的数值。兴趣类别均值向量为0，而且呈超球形分布，阈值选择就是确定一个距离值T，使O到T之间的超球体能够最大限度的包含兴趣类别样本同时减少错分数据。
[0031]实践中，分别在两幅TM遥感影像上，针对不同的兴趣类别进行实验，实验影像如图3(a)和(b)所示。在阈值选择实验中，由兴趣类别的训练样本计算其分布的均值向量和协方差矩阵，并求出协方差矩阵的特征向量矩阵和特征值矩阵，将原遥感影像进行一类归一化。在变换后的空间中，将距离阈值从小到大依次变化，进行单类分类，并对每次得到的结果作精度评价。精度评价指标包括生产精度、用户精度、总体精度和Kappa系数。由于生产精度和用户精度反映的是片面的分类效果，而且往往是前者高时后者低，后者高时前者低，因此将二者的乘积作为一个评价指标。
[0032]在实际操作中，为了便于计算，欧几里得距离不开方，以方差作为距离阈值的度量，从2到50变化(近似于1.4倍到7倍标准差)，图4和图5分别为图3(a)和(b)中不同类别的提取精度随阈值变化的情况。
[0033]从单类提取精度与距离阈值的关系图表中可以看出，分类精度随阈值逐渐增大呈现一个由升到降的曲线，而且大都是在3-4倍标准差的区间内精度最高，对应图中的阈值范围为9-16的方差。从图4和图5的两组曲线图来看，实验图像中的各个地物类别在横坐标阈值取9-16的范围内达到最大值，这一特点具有很强的规律性。整个阈值范围内，三种精度度量基本保持一致的曲线形状，随着区间的扩大，错分像素增多，分类精度逐渐降低。总体来看，采用基于一类归一化的单类分类技术提取TM影像中的单类信息，最佳阈值在3_4倍标准差范围内。
[0034]下面给出一个本发明提出的基于一类归一化单类分类方法的一个应用实例。
[0035]将基于一类归一化单类分类技术应用于TM遥感影像信息提取，阈值统一选择为3倍标准差。实验数据为图3所示TM影像，并与单类支持向量机方法进行比较，两幅实验数据中各地物类别提取的实验结果如图6和图7所示，对应的分类精度估计见表I和表2。
[0036]从实验结果来看，本方法虽然选择固定为3倍标准差的距离阈值，但提取单类信息的分类精度与单类支持向量机方法非常相近。而OCSVM方法在应用中参数选择难度大，且参数对分类结果有很大的影响。通过实验测试，基于一类归一化的单类分类技术及参数设置简单，对于不同分布结构的类别效果良好、性能稳定。
[0037]表I实验数据(a)的分类精度
[0038]
本方法OCSVM
类另IjΠΑ (°/\
OA(%) Kappa UA*PAKappaUA*PA
不透水表面 91.5 0.79 0.55 90.2 0.66 0.52
草地 85.9 0.69 0.68 83.4 0.65 0.63
林地 85.9 0.67 0.62 87.7 0.73 0.68
水体_992_084_073_992_083_0.72
[0039]表2实验数据(b)的单类分类精度
[0040]
本方法OCSVM
类别 --πΓΤ?^?-
OA(%) Kappa UA*PAKappa UA*PA
不透水表面 93.8 0.83 0.78 94.5 0.85 0.79
耕地 87.7 0.76 0.78 91.1 0.82 0.84
村庄 85.3 0.64 0.50 91.0 0.63 0.46
水体_98J_094_090_98,8_097_0.97
[0041]另一应用实例对一幅2.5米分辨率SP0T5影像进行单类提取，如图8所示。本方法和OCSVM方法对SP0T5影像中的各地物类别提取的实验结果如图9所示，对应的分类精度估计见表3。由表3可见，本方法与OCSVM方法的总体分类精度非常接近，虽然在分类过程中不需要任何参数的设置，而分类精度并不低于经过复杂参数设置的OCSVM方法。
[0042]表3 SP0T5影像单类分类精度
[0043]
【权利要求】
1.一种基于一类归一化的遥感影像单类分类方法，包括以下步骤: 在遥感影像中选择单类样本，其中所选择的单类是用户将要提取的地物类别，样本的选择数量为数据波段的10到30倍； 进行一类归一化变换； 归一化变换后，以原点为中心，确定一个超球体进行单类分类，距离原点小于超球半径的样本为正类；其特征在于， 该归一化变换包括以下步骤: 将η个波段的遥感影像A映射到η维特征空间，并选择兴趣类别样本； (1)计算兴趣类别样本的协方差矩阵Σ，并求出该协方差矩阵的特征向量矩阵Φ和特征值矩阵Λ ; (2)对映射到η维特征空间的影像A作变换Y=Λ_1/2ΦΤΑ，此时兴趣类别在特征空间η个方向上的方差都约为I ; (3)在影像变换后的坐标中，计算每个数据点到坐标中心的欧几里得距离D； (4)如果距离D小于3，则该数据点判定属于兴趣类别，否则为非兴趣类别。
2.如权利要求1所述的遥感影像单类分类方法，其特征在于在遥感影像中选择单类样本的步骤中，由应用需求确定要提取的目标类别后，根据对遥感影像上对应位置进行实地考察，并选取训练样本。
3.如权利要求1所述的遥感影像单类分类方法，其特征在于在遥感影像中选择单类样本的步骤中，由应用需求确定要提取的目标类别后，通过对待处理的遥感影像，进行人工解译，选择兴趣类别的训练样本。
4.如权利要求1所述的遥感影像单类分类方法，其特征在于在确定超球体的步骤中，在归一化变换后的数据空间中，基于兴趣类别的样本标准差进行半径的选择。
5.如权利要求4所述的遥感影像单类分类方法，其特征在于半径为标准差的3倍。
【文档编号】G06K9/62GK104134073SQ201410371191
【公开日】2014年11月5日 申请日期:2014年7月31日 优先权日:2014年7月31日
【发明者】薄树奎, 郑小东, 程秋云, 荆永菊, 董赞强 申请人:郑州航空工业管理学院