[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

说明书

本发明公开了一种基于多分类器级联模型的遥感影像自动分类方法，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；等步骤。优点是：该分类方法能够实现高分辨率卫星遥感影像的高精度、高可靠、高效率的自动分类信息提取，解决单个分类器特定地物分类精度整体精度低、多特征多信息交互性差及自动化程度低的瓶颈问题。

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种基于多分类器级联模型的遥感影像自动分类方法。

背景技术

对遥感影像提取地物类别信息，是遥感数据在各个领域得到广泛应用的基础环节，是遥感数据满足大众化地理空间信息需求的技术保证。在高分辨率遥感影像上，相比于中低分辨率影像，不同地物目标的光谱、空间特征差异更加明显，从而可以形成颜色差异、大小不同的像斑对象。传统基于像元的影像分类方式应用在高分辨率遥感影像上有很大的局限性，考虑空间上下文的面向对象分类方法成为了当前研究应用的主要方式。

面向对象的方法进行信息提取时处理的不再是单个像素，而是同质性极高的、包含更多语义信息的像斑对象。在分类过程中不仅利用像斑的光谱特征，更多利用的是像斑的几何信息，以及像斑间的语义信息、纹理信息和拓扑关系。能够减少传统基于像元层次分类过程语义的损失率，使得分类结果包含更丰富的语义信息。面向对象的方法包含两个优点，一是能够利用像斑对象的多特征，二是可以在不同的尺度上提取不同层次的信息，找到不同地物在最佳尺度上的空间表达，充分挖掘遥感影像潜在的信息。总之，面向对象的方法是对遥感影像更深入的理解，更侧重于对影像语义的分析。

近年来，学者们研究出许多分类精度更优的分类器，目前遥感影像分类器包括最小距离法、马氏距离法、最大似然法、神经网络、波谱角等。大量文献表明，对于不同场景、不同环境的研究区域，没有哪一种分类器能够在所有情况下都合适。因此，多分类器融合成为了分类课题的研究重点。不同的分类模型在分类性能和分类精度上存在着互补的关系，通过取长补短的策略进行结合，成功解决了单个分类器难以解决的分类问题，因而在不同领域得到了广泛的应用。

现有对多分类器集成的研究主要从三个方面进行：

一是具有差异性的个体分类器生成，常见的有Bagging算法，原理是随机从初始训练集抽样学习，训练成有差异的子分类器；Boosting算法，原理是通过多次训练样本，对训练失败的样本赋以较大权重，也就是让学习算法在后续的学习中几种对比较难得训练例子进行学习；随机森林算法，原理是随机选择样本以及随机选择特征构建具有差异性的决策树，大量决策树构成随机森林，对没有关联的子树的分类信息进行融合可以得到分类精度更高的结果。但是，当随机森林中的决策树个数很多时，训练时需要的空间和时间会较大。

二是如何度量个体分类器的差异性，包括成对差异性和非成对差异性，成对差异性有相关系数、双错测度、不一致度量、Q统计量等；非成对差异性常见的有熵、Kappa度量、广义差异性、一致失效性等。对这些差异性的综合分析非常重要，是构建集成分类器生效的必要条件，是创建好的集成模型的关键要素。

三是对个体分类器输出信息的融合方法。根据子分类器输出信息的层次可分为抽象级融合与度量级融合。抽象级融合指分类器指输出类别标签，如简单投票法、加权投票法、随机森林算法等，优点是融合简单，对子分类器要求不高，缺点是没有利用更多的信息。度量级融合方法较多，如贝叶斯方法、证据理论融合方法、模糊积分融合方法、决策模板融合方法等，这些方法的优点是利用了个体分类器的输出概率信息，可靠性更高，缺点是计算复杂。

发明内容

本发明的目的在于提供一种基于多分类器级联模型的遥感影像自动分类方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：