[发明专利]一种基于训练样本自动优化的遥感影像循环分类方法

说明书

本发明涉及一种基于训练样本自动优化的循环分类方法。这种方法充分利用前一次分类结果所提供的精度信息不断调整和优化用于下一次分类的训练样本，然后采用优化后的分类训练样本再次对遥感图像进行自动分类；如此形成一个循环分类过程，直到前后两次的分类精度趋于稳定则停止分类。该方法具有自动优化训练样本、同等量训练样本最大化利用、相比同等分类算法精度高、适用性强等特点。通过验证，该方法适用于遥感分类应用中的多数监督分类方法；尤其是当训练样本中含有很多噪声，需要自动对训练样本进行优化以提高分类精度的情况。在实际应用中，本方法主要应用于涉及大范围的土地覆盖/利用或专题（例如，农作物）的遥感分类。

技术领域

本发明属于遥感机器学习分类应用领域，特别涉及采用遥感影像开展土地覆盖/利用、农作物分类的工程应用。

背景技术

监督分类方法是土地覆盖/利用、农作物等遥感分类应用中常用的方法之一。监督分类方法的一般方法是先在影像上选择合适的训练样本，然后选择合适的机器学习分类器对影像进行分类，最后进行精度评价。研究表明：遥感分类成果的精度与训练样本质量、分类方法、分类后处理方法手段等因素高度相关。然而，随着分类器的性能不断提高和分类后的处理手段多样化，目前提高分类精度的主要方向是如何提高训练样本的质量[朱秀芳,潘耀忠,张锦水,王双,顾晓鹤,徐超(2007).训练样本对TM尺度小麦种植面积测量精度影响研究(Ⅰ)——训练样本与分类方法间分类精度响应关系研究.遥感学报,826-837]。然而，在实际分类过程中即使是精心选取的分类样本，也存在着大量的噪声和误差，严重地影响了分类的精度。类似的研究例如，朱秀芳分别从质量和数量的角度分析了训练样本对TM尺度的冬小麦测量精度影响，并指出不同分类器对不同质量和数量下的训练样本的不同的响应[朱秀芳,潘耀忠,王双,韩立建,徐超(2009).训练样本对TM尺度小麦种植面积测量精度影响研究(Ⅱ)——样本质量对小麦测量精度的影响分析.测绘科学,132-135]。目前，从训练样本的角度提高遥感分类精度的方法主要有两种：

(1)选择地块内部的像元作为训练样本

这种方法的前提假设是地块内部的像元光谱相对“纯净”，噪声较少。基本的做法是在初次选择训练样本的时候，选择地块中心附近的像元作为训练样本。然而，这种方法存在很多弊端，一是人为因素较高，很多地类中心仍然存在大量的混合像元(噪声)；二是，对于部分适应混合像元的分类器，不能做到自动优化。

(2)像元光谱阈值法