[发明专利]一种基于多分类器融合的高分辨率遥感影像分类方法

权利要求书

1.一种基于多分类器融合的高分辨率遥感影像分类方法，其特征在于，包括下述步骤：

步骤1数据准备

选取需要进行分类的一幅高分辨率遥感影像数据图像I；

步骤2训练样本的采集

选取感兴趣区域训练样本有两个标准：一是训练样本的数量要足够多，每类至少要有10～100个训练样本数据；二是训练样本避免集中在某个局部位置；

步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类

图像I数据经过前期预处理，选取ROI样本进行子分类器的训练，然后利用子分类器单独进行影像分类；

步骤4基于先验知识的投票法分类器组合遥感分类

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，阈值a设定为85%，则将此类别分类像元作为最终的分类结果；若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果；

不符合标准a的剩余分类像元输入到基于先验知识投票法中计算票数，如果某类别的票数比例符合标准b，阈值b设定为90%，则将该分类像元为最终的分类结果；

步骤5模糊积分法分类

对剩余像元值运用模糊决策样板法进行分类。

2.根据权利要求1所述的基于多分类器融合的高分辨率遥感影像分类方法，其特征在于，所述步骤4包括如下步骤：

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，则将此类别分类像元作为最终的分类结果；若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果；

采用各分类器的用户精度作为投票加权值，最后使用多数投票法对各分类器的分类输出结果进行组合决策，取不符合标准a的剩余分类像元，利用基于先验知识的投票法组合分类，即在进行组合分类之前,对能够反映遥感图像的统计分布的测试样本集进行分类，得到各个分类器在样本集上的分类性能信息——即混淆矩阵，确定用户精度投票加权值，最后使用多数投票法对各分类器的输出结果进行组合决策；混淆矩阵为：

式中，为e_k将C_i类中的样本识别成C_j的数量；若i＝j则为正确识别C_i的数量；若i≠j，则为e_k将C_i类中的样本错误识别为C_j类的数量；对e_k而言，类别C_j的用户精度p_k(X∈C_j)即为分类器对输入X识别结果为e_k＝j的情况下，X实际为类别C_j的概率，

pk(X∈Cj)=nkjjΣi=1M+1nijk---(2)]]>

基于先验知识的投票法组合规则：

其中，对于某一输入X，T_k(X∈C_j)为类别C_j在分类器e_k分类输出中得到的票数，即若输出类别为j，则对类别C_j投出的票数不再为一票，而为该类别的用户精度值p_k(X∈C_j)；

进行分类器结合分类时，决定票数阈值的参数β的选取对分类精度有很大影响；β越大,分类精度越高，但同时分类的拒绝率也越高，即更多的像元被判别为未知像元；β越小，分类精度降低，但分类拒绝率也会降低，即有更多的像元被识别；为便于进行结果比较，在投票决策过程中采用相对多数投票规则，即设定β为无限小的正值，只要某一类别获得的票数超过其他所有类别，即可被采纳为组合决策的输出类别；组合规则的表示形式：

3.根据权利要求1所述的基于多分类器融合的高分辨率遥感影像分类方法，其特征在于，所述步骤5包括如下步骤：

设Ω为特征空间，C＝{C₁,C₂,…C_L}是L个分类器，w₁,w₁,…,w_c表示c个目标类别，用C_i(x)＝[d_i1(x),…,d_ic(x)]表示第i个分类器C_i的输出，d_ij(x)∈[0,1]；对于给定的样本x,x∈Ω，定义分类器的联合决策剖面的矩阵为：

DP(x)=d11(x)···d1j(x)···d1c(x)······di1(x)···dij(x)···dic(x)······dL1(x)···dLj(x)···dLc(x)---(5)]]>

其中，第i行的元素组成的向量是分类器C_i的输出向量；设训练集为Z＝{z₁,z₂,…z_N}，类别w_j，j＝1,2,…c的决策样板是一个L×c矩阵，记为DT_j它的每个元素f_j(t,s),(t＝1,2,…,L;s＝1,2,…,c)由下式确定：

fj(t,s)=Σk=1NInd(zk,j)dts(zk)Σk=1NInd(zk,j)---(6)]]>

Ind(z_k,j),(k＝1,2,…，N)是一个指示函数，当样本z_k属于C_j类时，Ind(z_k,j)＝1，否则Ind(z_k,j)＝0这样，C_j类的决策样板就是关于训练集中属于C_j类的样本的平均决策剖面。当x是一个未知样本时，经C₁,C₂…C_L的识别后得到x的决策剖面矩阵，再通过计算DP(x)和C_j类的决策样本的相似度，给出对该样本属于C_j类的支持程度u_j(x)，j＝1,2,…,c，最后取最大的u_j(x)所对应的的类别作为该样本的识别结果。用决策模板融合的流程：

相似性度量的方法：

S(A,B)≡||A∩B||||A∪B||---(7)]]>其中A,B是论域U＝{u₁,u₂,…，u_n}上的模糊集，||·||是相对势，

集合的交和并的隶属度分别等于对应隶属度的取小和取大，集合A的补集上的隶属度为u_A-(u_i)＝1-u_A(u_i),u_i∈U；并且，如果两个相似性度量总可以导致相同的融合结果，就认为它们在这个意义上是等价的。