[发明专利]一种基于增量集成学习的多时相影像分类方法

权利要求书

1.一种基于增量集成学习的多时相影像分类方法，其特征是：它由以下步骤实现：

步骤一、读取多时相影像数据，对其进行人工标记，获取监督数据，根据监督数据确定标记样本，由标记中的样本随机选择得到训练样本与增量样本集，其余作为测试样本；

步骤二、通过集成学习算法集成得到强分类器C₀，设置增量学习的迭代次数为N，N为正整数；

步骤三、在增量样本集中随机采样得到增量样本，即新增的训练样本，利用新增的样本代替在集成学习算法中分布权重最小的样本，更新训练样本的权重使其为均匀分布；

步骤四、更新训练数据集，并通过集成学习算法确定强分类器C_n，n＝1，2，…，N；

步骤五、重复步骤三至步骤四，直至达到增量学习的迭代次数N，将各个强分类器C_n相加，构成最终分类器；

步骤六、利用最终分类器对步骤一的测试样本进行分类，并采用投票机制给出测试样本的分类结果。

2.根据权利要求1所述的一种基于增量集成学习的多时相影像分类方法，其特征在于步骤二和步骤四所述的通过集成学习算法集成得到强分类器是利用Adaboost集成算法实现，且该Adaboost集成算法中的弱分类器是支持向量机SVM算法。

3.根据权利要求2所述的一种基于增量集成学习的多时相影像分类方法，其特征在于利用Adaboost集成算法获得强分类器的具体方法是：

将每个时相下的训练数据分别作为支持向量机SVM中的核函数，然后每个时相对应的核函数构造的支持向量机SVM作为Adaboost算法的弱分类器；根据Adaboost算法对训练数据进行迭代式训练，设迭代次数为T；T为正整数；

首先，将训练样本的分布权重设置为均匀分布；

然后，对所有的训练样本按照采样率进行采样，得到采样后的样本，对采样后的样本进行训练得到弱分类器1；

最后用所有的训练样本进行测试；

对于测试中被错分的样本则提高相应的权重，正确分类的样本则降低其权重，对调整权重后的训练样本仍按照相应的采样率进行采样，对采样后的样本进行训练得到弱分类器2；以此类推，迭代T次。