[发明专利]一种并行智能化面向对象分类方法

说明书

技术领域

本发明涉及一种并行智能化面向对象分类方法，属于遥感影像分类方法领域。

背景技术

从处理单元上区分遥感影像分类算法，主要包括两大类：基于像素的分类方法和基于对象的分类方法。地物的分类精度取决于混合像元数目与类别内部光谱变异两个因素：空间分辨率的提高，造成纹理均一的地物混合像元数减少，提高分类的精度；而对于光谱空间，其异质性大的地物类别内部的光谱响应变异增大，从而导致类别可分性降低。高空间分辨率遥感是未来的发展趋势，其遥感影像信息丰富，含有多种信息特征，而基于像素的分类方法只能从单一光谱特征入手，已不能满足分类的精度，同时产生的椒盐效应会降低分类效果。因此，针对高空间分辨率遥感影像的地物分类，不仅需要考虑遥感影像的光谱特征，还需综合考虑其空间特征。

基于对象的分类处理单元不再是单个像元，而是由若干个像元组成的类内同质性最大且类间异质性最大的“同质”像元群，即目标对象。以对象为处理单元，将遥感影像的光谱特征和空间特征作为对象属性联合参与分类算法，更加符合人类目视判读的依据，提高分类结果精度。影像对象的生成源于影像分割，面向对象分类的第一步是将影像分割成一个个“同质”对象，影像分割的优劣直接影响分类结果的精度。常用于面向对象分类中的影像分割方法主要有多尺度分割、分水岭分割、均值飘移分割、区域生成分割。这些分割算法虽然得到较好的实验结果，但在分割参数设置方面仍需要通过人工交互进行大量试验，效率低下，且依赖操作人员的专业水平，没有统一合理的定量分割评价标准，未能达到实用化阶段。因此，需要一种高效的自我优化的改进算法，完成分割参数自动化确定，同时结合并行处理技术，提高面向对象分类技术的智能化和并行化程度。

发明内容

针对现有面向对象分类方法存在的分类精度过度依赖处理人员专业水平、质量标准难以保障不统一及处理效率低的问题，本发明提出了一种并行智能化面向对象分类方法，即在并行环境支持下，依据定量化分类精度评价，自动化确定最优分割参数的智能化面向对象方法。

本发明的技术解决方案为：针对高分辨率遥感影像，首先设置空间域参数和颜色域参数对遥感影像执行MeanShift(均值漂移)分割，之后结合分类样本数据对分割后的影像进行SVM(Support Vector Machine支持向量机) 影像分类，最后利用验证样本进行定化量的分类精度评价，计算混淆矩阵和评价参数Kappa。并且以一定的步长s逐步改变分割参数，继续执行上述步骤，在得到一系列的评价参数中，通过统计分析得到最优评价参数Kappa值和其对应的最优分割参数，继而得到最优的分类结果。这是一个以定量化分类精度为最高，决定最优分类结果的思想流程，同时利用MPI(Message Passing Interface)并行运算规则，将计算一系列的Kappa值的过程分布式处理，缩短整体算法执行时间，提高运行效率。

一种并行智能化面向对象分类方法，具体包括以下步骤：

(1)读入高分辨率遥感影像数据；

(2)确定MeanShift分割参数变化集Q_SR及分割影像集I_MS：包括，空间域带宽参数H_S和颜色域带宽参数H_R的变化集为Q_S和Q_R，以及变化步长Step_S和Step_R，利用高斯核函数执行MeanShift分割算法对高分辨率数据进行分割，形成分割影像集I_MS；

(3)确定分类类别数目，并读入训练样本S_C，利用SVM分类算法对步骤(2)中的分割结果进行分类，得到分类影像集I_SVM；

(4)依据步骤(3)中的分类影像集I_SVM与验证样本V_C计算混淆矩阵，并计算Kappa系数，形成Kappa系数集K_SR；

(5)选择数据处理并行模式，并设置使用线程数T；

(6)对Kappa系数集K_SR和空间域带宽H_s，颜色域带宽H_r进行函数关系分析，计算出最大值Kappa_max对应的H_SK和H_RK，以及对应的分类结果。

其中，步骤(1)中所述的高分辨率遥影响感数据为三波段，并按红、绿、蓝波段顺序组合的真彩色影像数据；