[发明专利]基于高维特征选择与多级融合的遥感图像分类方法

说明书

本发明公开了一种基于高维特征选择与多级融合的遥感图像分类方法。首先，在分析遥感图像特殊成像机理的基础上，提取遥感图像形状、光谱、纹理等多种异构特征。其次，针对提取得到的高维异构特征，一方面采用类信息子集特征选择算法对每种高维特征进行特征选择，得到对应的一组最优低维特征子集；另一方面利用鉴别相关分析算法将每两类高维异构特征进行融合，得到对应的低维融合特征。接着，将每个最优低维特征子集和低维融合特征分别输入到SVM分类器，对遥感图像进行初始分类。最后，设计基于SVM加权的决策级融合分类器，对每个SVM分类器分类结果进行融合，得到最终遥感图像分类结果。

技术领域

本发明涉及一种基于高维特征选择与多级融合的遥感图像分类方法，属于图像处理和模式识别技术领域。

背景技术

遥感图像分类是遥感图像处理和分析领域的一个研究热点，为了获得不断提升的分类结果，人们趋向于提取愈加丰富的特征信息，因此，在很多遥感图像分类研究中提取的图像特征维数越来越高。然而，随着特征维数的增长，各特征属性之间极有可能产生冗余的甚至是负相关的信息，这不仅急剧增加了分类器的计算量，而且往往还会影响分类的性能。

针对上述问题，传统的解决方法是使用主成分分析(Principal ComponentAnalysis，PCA)算法对高维特征进行降维，或使用Relief等算法来设计‘相关统计量’来度量特征的重要性以实现降维。然而，这些常用的特征选择或者降维方法往往只能选择出一组认为是最优的解，因此，很有可能在降低维数的同时削弱了特征的信息。

另外，为了提升图像分类的准确率，不同的融合策略也受到越来越多的关注。例如，像素级融合能够增强图像本身所携带的信息，特征级融合能够增强不同种类特征之间的互相关信息从而提升特征的分类能力，决策级融合则能够在不影响各特征分类能力的同时对多个分类结果进行一个综合的评判从而得到更优的结果。文献(Haghighat M,Abdel-Mottaleb M,Alhalabi W.Discriminant Correlation Analysis:Real-Time FeatureLevel Fusion for Multimodal Biometric Recognition[M].IEEE Press,2016.)指出，特征级融合策略所生成的特征数据用于分类时，比像素级融合或决策级融合能达到更好的分类效果，因此采用特征级融合是十分必要的。而根据文献(Kuncheva L I,Bezdek J C,DuinR P W.Decision templates for multiple classifier fusion:an experimentalcomparison[J].Pattern Recognition,2001,34(2):299-314.)所述，使用多个分类器对结果进行融合进行分类，往往比使用单个分类器分类的效果更好。

总之，在遥感图像分类中如何全面地提取图像的各种异构特征、如何对高维异构特征进行有效降维、如何挖掘异构特征之间的关系使它们进行特征级融合、以及设计决策级分类器，目前仍然是一个挑战性的难题。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于高维特征选择与多级融合的遥感图像分类方法，该方法首先提出提取遥感图像的各种异构特征；然后，针对目前遥感图像分类中特征提取方法提取的特征维数普遍过高，仅采用普通降维算法容易丢失特征重要信息的缺陷，提出了基于类信息子集特征选择的算法(Similarly InformativeSubset Feature Selection,SISFS)对高维特征进行有效特征选择；同时，为了解决多类异构特征在融合时，现有融合算法难获取具有鉴别信息的特征的难题，提出了基于鉴别相关分析算法(Discriminant Correlation Analysis,DCA)的异构特征融合方法；最后，结合决策级融合策略，达到令人满意的分类性能。

技术方案：一种基于高维特征选择与多级融合的遥感图像分类方法，包括以下步骤：