[发明专利]一种自定步长学习的遥感影像半监督分类方法

说明书

本发明涉及一种自定步长学习的遥感影像半监督分类方法，包括以下步骤：对遥感影像进行预处理，获取各类地物的有标记样本；选择部分或全部未标记样本，联合所述有标记样本构建稀疏图，并对未标记样本进行初始类别标定，从而扩充有标记样本的数量；基于自定步长学习算法，对扩充后具有初始标记样本的类别信息进行选择或剔除；选择监督分类器，对遥感影像进行逐像元分类。本发明在扩充训练样本数目的同时，减少了训练样本中误标定样本的目的。

技术领域

本发明涉及一种自定步长学习的遥感影像半监督分类方法。

背景技术

遥感数据以其高效、经济、大范围同步的特点，已经成为地球资源环境监测、规划和管理的重要技术手段之一，并在区域乃至全球范围内得到了广泛的应用。遥感影像分类的主要原理是根据地物类型在遥感影像中表现出不同的光谱、纹理和空间几何特性等特征，来进行地物属性类别的识别。目前遥感影像分类主要有两种方式，目视解译和计算机分类。其中计算机自动分类具有高效、客观的优点，是大规模、重复性遥感数据处理与分类的有效方法。

众所周知，在遥感影像的计算机分类过程中，如何获取足够数量的训练样本是计算机影像分类的关键问题。目前获取训练样本的主要方式是通过目视解译在影像中人工选取或现场实地调查采样。然而，以目视解译的方式获取训练样本对解译专家的专业素质要求较高，且主观程度较大，大量选择样本时可能存在一定误差；另一方面，以现场实地调查的方式获取训练样本虽能获取较高精度的训练样本，但是工作效率低下，并且野外调查的费用高，一般只适用少量训练样本的选择。以上表明在遥感影像的计算机分类中，训练样本的获取将面临两个方面的问题：(1)或者训练样本数据具有一定误差或噪声；(2)或者只能获得少量的高精度样本。这两种情况都不利于遥感影像的分类处理，这是因为如果样本数据含有误差或者数量过少，都将导致所使用的样本对某些地类不具代表性或者代表性存在偏差的问题。针对以上高维数据处理而仅有小样本的情况，遥感界提出利用影像中大量未标记的样本信息，采用机器学习中的半监督处理技术，对不足量 的已标记样本进行某种形式的补充，从而达到对代表性不好的地类进行偏差校正的目的。

遥感影像处理常用的半监督技术主要有以下四种方式：基于生成模型的方法、自学习、互学习、直推式以及图的方法。其中半监督自学习的过程是一种分类器递归拟合的过程，每次递归过程中仅将满足设定置信度阈值的非标定样本纳入到已标记的样本集中，并参与下次递归拟合。基于图的方法不需要参数拟合过程，而是利用某种相似准则对参与运算的未标记样本直接进行判别，因而具有高效简便的特点。然而，自学习或图方法的半监督学习方法都有各自的局限性，比如基于自学习分类器递归拟合过程容易造成误差的累积传播；而基于已标记样本相似性的图模型容易受到初始样本信息的限制。

发明内容

有鉴于此，本发明的目的在于提供一种自定步长学习的遥感影像半监督分类方法，在扩充训练样本数目的同时，减少了训练样本中误标定样本的目的。

为实现上述目的，本发明采用如下技术方案：一种自定步长学习的遥感影像半监督分类方法，其特征在于包括以下步骤：

步骤S1：对遥感影像进行预处理，获取各类地物的有标记样本；

步骤S2：选择部分或全部未标记样本，联合所述有标记样本进行稀疏构图，并对未标记样本进行初始类别标定，从而扩充有标记样本的数量；

步骤S3：基于自定步长学习算法，对扩充后具有初始标记样本的类别信息进行选择或剔除；

步骤S4：选择监督分类器，对遥感影像进行逐像元分类。

进一步的，所述步骤S1的具体内容包括：

步骤S11：对获取的遥感影像进行预处理，所述预处理包括几何与辐射校正、影像拼接与裁剪、影像融合增强以及影像特性提取；