[发明专利]基于对象的OBIA-SVM-CNN遥感影像分类方法

说明书

基于对象的OBIA‑SVM‑CNN遥感影像分类方法，本发明涉及遥感影像分类方法。本发明的目的是为了解决现有复杂农田地区遥感分类识别准确率低的问题。过程为：一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；二、对RBF‑SVM模型和CNN模型进行训练，得到训练好的RBF‑SVM模型和CNN模型；三、使用训练好的RBF‑SVM模型和CNN模型对一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。本发明用于遥感影像分类领域。

技术领域

本发明涉及遥感影像分类方法。

背景技术

农田时空分布信息的实时监测，对于农田产量的估算、保障国家尺度甚至全球范围内粮食安全具有重要的意义。遥感技术已经发展成为农田监测与分类的主流手段之一，这是因为其具有很多独特的优势，包括宏观性、现势性、可重复性和经济性等。随着现代遥感技术的快速发展，用户现在可以获得大量的高分辨率(high spatial resolution,HSR)遥感影像，这为很多遥感应用(包括农田监测与分类)提供了全新的机会。然而，虽然高分辨率影像具有更加丰富的结构信息和纹理信息，但相比于中尺度或大尺度遥感数据，高分辨率影像光谱波段少，较高的类内变异与较低的类间差异使得高分辨率遥感分类更具有挑战性。高分辨率遥感数据含有丰富的空间内容，然而遥感影像所表达的信息很大程度依赖于数据处理技术方法。传统的基于像元光谱信息的分类技术无法取得理想分类结果，分类结果较为破碎，容易产出大量椒盐噪声。

相比于基于象元分类技术，面向对象分类技术(object-based image analysis,OBIA)能有效降低农田分类专题图的“椒盐噪音”，分类结果更加平滑与接近实际情况，这是因为OBIA基于分割对象(object)实现分类，而非基于传统的象元(pixel)分类；支持向量机(support vector machine，SVM)是一种典型的机器学习算法，在非线性和高维模式识别任务中表现出色。面向对象支持向量机(object-based support vector machine,OSVM)是公认的最为先进面向对象分类方法，但OSVM只能利用对象浅层的光谱统计信息完成对分割对象的分类识别，无法抽取影像高层次信息完成分类，也无法使用高分辨率影像所蕴含的丰富空间背景信息，导致复杂农田地区遥感分类识别准确率低。

基于对象的OBIA-SVM-CNN遥感影像分类方法中对象为分割后的对象为农斑块(农田斑块、大豆斑块或玉米斑块)。

发明内容

本发明的目的是为了解决现有复杂农田地区遥感分类识别准确率低的问题，而提出基于对象的OBIA-SVM-CNN遥感影像分类方法。

基于对象的OBIA-SVM-CNN遥感影像分类方法具体过程为：如图1所示。

步骤一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；

步骤二、对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；

步骤三、使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测(比如分割对象是农田斑块还是非农田斑块)，得到CNN模型预测结果和SVM模型预测结果；

步骤四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。

本发明的有益效果为：