[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

说明书

技术领域

本发明涉及一种基于多分类器融合的高分辨率遥感影像分类方法，特别是一种基于多层次控制的多分类器融合的高分辨率遥感影像分类方法，属于感影像处理技术领域。

背景技术

遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。

相比于中低分辨率遥感影像，高分辨率遥感影像能够更加清楚地表达地物目标的空间结构与表层纹理特征，可分辨出地物内容更为精细的组成，地物边缘信息也更加清晰，为有效的解义分析提供了条件和基础。高分辨率遥感影像存在以上优势，但是也面临一些挑战。高分辨率遥感影像数据量大，空间分辨率高，单幅影像的数据量就显著增加。细节复杂，由于高分辨率遥感影像信息的高度细节化，在双向反射率因子（BRDF）等影响下，造成同一地物的不同部分灰度可能不一致；加之地物阴影、相互遮盖、云层遮盖等因素，高分辨率遥感影像的“同物异谱”现象更为突出，“同谱异物”现象依旧存在，这为信息提取工作带来了很大困难。

当前，遥感影像的分类问题已经成为一个非常活跃的研究方向。在目前的遥感分类应用中，用得较多的是传统的模式识别分类方法，诸如最小距离法、平行六面体法、最大似然法、支持向量机法、等混合距离法（ISOMIX）、循环集群法（ISODATA）等监督非监督分类法。针对遥感应用技术的飞速发展，P.V BaIstad研究了利用神经网络进行遥感影像分类，章杨清等探讨了利用分维向量改进神经网络在遥感模式识别中的分类精度问题，M.A.Fried和C.E.BrodIey研究了大量适用于遥感影像分类的决策树结构。

传统的遥感影像计算机分类方法是根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的，其分类精度往往不甚理想。同时，由于地物类型分布方式本身的复杂性，仅利用单一分类规则对影像进行分类，而不考虑空间位置、色调特征等构成影像的多种因素也是造成传统分类方法不理想的原因。加上卫星遥感影像数据分辨率的提高，同一地物的不同部分灰度可能不一致，遥感影像的“同物异谱”现象更为突出，“同谱异物”现象依旧存在，这为信息提取工作带来了很大困难。

对于高分辨率的遥感图像，尽管各种分类器分类性能有所差异，而且针对某一种类的分类精度不尽相同，但被不同分类器错分的样本并非重叠的，即对于某个分类器错分的样本，运用其他分类器有可能得到正确的分类结果。这表明，不同分类器之间存在着分类模式的互补。如何对这些互补信息加以利用，多分类器组合分类思想就是在这种条件下被提出来的。Leland等人在利用雷达影像进行土地覆盖的分类时，将专家系统分类法和ISODATA法结合，取得了较好的分类结果；柏延臣等利用不限定票数闭值的多数投票法分类器组合进行了相同和不同特征集训练遥感图像分类研究，结果发现，多分类器结合后总体分类精度高于单个分类器；Warrender和Augustihn使用贝叶斯技术将最大似然法和神经网络法结合进行遥感影像分类组合，结果表明组合后分类精度得到了提高；Debeir等在对比利时西部地区的遥感影像土地利用/覆盖分类时，比较了自举与特征子集混合分类器(a mixture of bagging and feature subset classifier,BAGFS)和两个单分类器(最近邻法和决策树法)的分类结果，结果显示BAGFS组合分类器可以一定程度上提高分类精度。

多分类器融合算法进行遥感图像分类虽然对分类精度有所提升，但是由于地面地物复杂多样、数据选择不同、影像处理和分类器算法各异等相关因素的影响致使当前遥感影像分类的效果不是十分理想。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于多分类器融合的高分辨率遥感影像分类方法，该方法采用了结合投票规则、先验规则、模糊积分融合规则的多分类器组合规则，利用模糊积分融合算法解决单一分类器的疑难类别区分问题，对于无法正确学习的类别样本，能够集中学习，将学习的结果输出。最大限度的减少单分类器数量和数据冗余，降低“同物异谱”、“同谱异物”对分类精度的影响，提高了高分辨率遥感影像分类精度。

技术方案：一种基于多分类器融合的高分辨率遥感影像分类方法，包括以下步骤：

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I。

步骤2训练样本的采集