[发明专利]一种基于增量集成学习的多时相影像分类方法

说明书

一种基于增量集成学习的多时相影像分类方法，涉及多时相遥感图像分类技术领域。本发明是为了解决多时相影像分类精度低的问题。本发明在集成学习的基础之上，引入增量学习，构造多时相分类器，实现连续地在线学习。首先，每个时相的影像数据分别作为支持向量机SVM算法的基本核函数，然后通过集成学习算法得到强分类器C₀；其次，引入新的训练数据，更新原始的训练数据集，得到增量数据集，再通过集成学习算法得到强分类器C₁；依次引入新的训练数据，通过集成学习算法得到强分类器C_n；最后各个强分类器相加得到最终分类器，用于测试样本的分类。本发明适用于多时相影像分类。

技术领域

本发明涉及多时相遥感图像分类技术领域。

背景技术

随着遥感科学技术采集数据的速度不断增加，遥感数据的时间分辨率也不断的提高，研究内容由单时相影像时期逐渐进入了多时相影像的时期。多时相影像可以反映在一定区域内各个目标在不同时刻的状态变化，具有数据量大、维度高且状态不断更新的特点。通过对多时相遥感影像的研究，可以监测土地覆盖变化情况等，从而实现对地球的资源、环境等进行监测。因此研究多时相影像分类方法，具有重要的意义。

目前的方法不能够有效地解决多时相影像中样本多样性和复杂边界的问题，使得多时相遥感影像的分类精度较低。

发明内容

本发明是为了解决多时相影像分类精度低的问题，提供了一种基于增量集成学习的多时相影像分类方法。

一种基于增量集成学习的多时相影像分类方法，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。

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。

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。