[发明专利]一种基于多分类器级联模型的遥感影像自动分类方法

权利要求书

1.一种基于多分类器级联模型的遥感影像自动分类方法，其特征在于：包括如下步骤，

S1、获取待分类的高分辨率遥感影像数据；

S2、采用多尺度分割算法对待分类的高分辨率遥感影像数据进行分割，获取多个分割对象；计算每个分割对象的特征值，并对各所述分割对象的特征值进行特征融合；

S3、根据待分类的高分辨率遥感影像数据的地物类别，综合分析候选分类器的特征，构建自适应多分类器级联模型；

S4、利用混淆矩阵，以候选分类器的用户精度和制图精度均值作为输出概率加权值，辅以贝叶斯平均融合法进行融合决策，构建改进的贝叶斯平均融合规则，即并联模型，并获取并联模型的分类决策；

S5、采用自适应多分类器级联模型和并联模型对各分割对象进行逐一确定类别标签，并经过精度评估和质量检核后输出自动分类结果；

所述多尺度分割算法包括异质性评价和区域合并，所述多尺度分割算法包括如下具体内容，

A1、采用光谱与形状特征加权算法，计算异质性指标，

其中，w_c代表C维度下的权重；n₁、n₂代表同质性区域的面积，h_1c、h_2c分别代表合并前相邻区域的异质性，h_mc代表合并后新区域的异质性，h_diff代表异质性指标；

A2、采用全局最优的方法进行区域合并，采用最小合并代价准则确定合并顺序，合并规则为，

其中，Ω₁和Ω₂分别为R₁和R₂的邻接区域，p(R₁,R₂)为合并规则；

A3、利用最近邻接图加速区域合并，构建区域邻接图描述需要分类的高分辨率遥感影像，将初始分割的区域作为所述区域邻接图中的结点，结点之间使用相邻区域的相似度作为权重进行连接，通过对结点的合并实现区域的合并，最终获取多个分割对象；区域邻接图中需要对结点之间的相异度从小到大排序，每次合并后需要对结点和边进行更新；

对分割对象的单一特征值进行特征选择，以降低初始特征空间的维度；之后将前期融合后的各单一特征值合并成一个新的特征向量再进行综合特征选择，以获取最佳特征子集，即分割对象的最佳特征值集合；

步骤S4中，利用混淆矩阵，对于各候选分类器而言，类别j的用户精度和制图精度分别为，

其中，p_k(X∈C_j)代表用户精度，p_k(X∈C_i)代表制图精度，i＝1,2,...,M，M为类别总数，k＝1,2,...,K，K为候选分类器总个数；

则改进的贝叶斯平均融合规则为，

其中，P_E(X∈C_i)为改进的贝叶斯平均融合规则，p_k(X∈C_j)为用户精度，p_k(X∈C_i)为制图精度，i＝1,2,...,M，M为类别总数，k＝1,2,...,K，K为候选分类器总个数，E为贝叶斯融合模型，X为分割对象，

分类决策为，

其中，E(X)为分类决策，P_E(X∈C_i)为改进的贝叶斯平均融合规则，i＝1,2,...,M，M为类别总数，k＝1,2,...,K，K为候选分类器总个数，E为贝叶斯融合模型，X为分割对象。

2.根据权利要求1所述的基于多分类器级联模型的遥感影像自动分类方法，其特征在于：步骤S1具体为，根据需要分类的高分辨率遥感影像的类别信息，选择样本标记数据作为自动分类训练的输入条件，采用人工目视解译的方式，根据经验选择验证样本数据作为自动分类训练结果的评定标准；将需要分类的高分辨率遥感影像进行自动分类训练，以获取待分类的高分辨率遥感影像数据。