[发明专利]一种遥感影像分类的多时相-多分类器融合方法

说明书

本发明涉及一种遥感影像分类的多时相‑多分类器融合方法，是在同一观测区域获取多时相遥感影像的基础上，从分类器和时相两个层面先后采用该算法来完成遥感影像分类。主要步骤包括单时相多分类器分类及精度评价；单时相分类结果集成及精度评价；多时相分类结果集成及精度评价。本发明的遥感影像多时相‑多分类器融合分类方法综合权衡了多个分类器、多个时相分类结果的评价精度，降低了单时相影像、单一分类器分类的不确定性，从而确保得到更高的遥感影像分类精度。

技术领域

本发明涉及遥感影像分类结果集成算法，，特别涉及一种遥感影像依靠整合多时相数据以及多种分类器分类结果来实现分类精度提高的算法。

背景技术

遥感(Remote Sensing)是指利用可见光、红外、微波电磁波与地表物质的相互作用机理及其识别模型来进行地物特征定量反演，研究地表遥感信息的提取、处理与解译。

遥感图像(Remote Sensing Imagery)是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式。所以,遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。遥感图像特征综合取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响,则可按图像特征判读地面物体的属性及其分布范围,实现遥感图像的分类识别。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。同类地物在相同的条件下应该具有相同或者相似的光谱信息和空间信息特征。不同类的地物之间具有差异，根据这种差异，将影像中所有像素按其性质分为若干个类别的过程，称为影像的分类。它的算法核心就是确定判别函数和相应的判别准则，为了确保判别函数能够较好地将各类地物在特征空间中分别开来，通常是在一定的准则(如最小距离分类器)下求解判别函数和相对应的判别准则。

现已有的遥感影像分类方法通常分为3类：监督分类、非监督分类和其他分类方法(如神经网络分类器和专家系统分类器)。监督分类方法又称训练场地法，是以建立统计识别函数为理论基础上，依据典型样本训练方法进行分类的技术。现有的监督分类方法有最小距离分类法、马氏距离分类法、平行体分类法、贝叶斯分类法等；非监督分类是指在缺乏先验知识的情况下，只根据数据本身的统计特性进行分类，这种分类法的理论根据是同类样本具有内在的相似性。现有的非监督分类方法有K-均值分类法、ISODATA分类法等；其他新的分类方法有神经网络分类法、专家系统分类法等。

在图像分类完成后，通常采用一定的评价样本来评价该分类结果的精度和效果，一般采用的精度评价指标如下：

遥感图像分类精度的评价通常用的是Congalton提出的混淆矩阵(ConfusionMatrix)。混淆矩阵的定义如下：

式中，p_ij表示试验区内应属于i类的像素被分到j类中去的像素总数,n为总类别数。如果混淆矩阵中对角线上的元素值越大，则表示分类结果的精度越高，如果混淆矩阵中非对角线上的元素值越大，则表示错误分类的现象越严重。生产精度(Product Accuracy,PA)、用户精度(User Accuracy,UA)、总体精度(Overall Accuracy,OA)和Kappa系数是分类精度的主要指标。

生产精度(PA)是指某一类别的正确分类数占参考数据中该类别像元总数的比例，PA体现在混淆矩阵中为：

用户精度(UA)是指某一类别正确分类数占分为该类像元总数的比例，UA体现在混淆矩阵中为：

总体精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与地面所对应的区域实际类型相一致的概率。