[发明专利]一种农业种植结构的遥感识别方法

权利要求书

1.一种农业种植结构的遥感识别方法，其特征在于，该方法包括如下步骤：

步骤S1、利用k-means无监督学习算法对原始卫星图像进行分割：

S1.1、将原始卫星图像中的像素点分为K个簇，随机选取K个像素点作为初始的聚类中心点；

S1.2、计算原始卫星图像中的未聚类的像素点与各个聚类中心点之间的距离，将各像素点和与其距离最近的聚类中心点归为一类，完成一次聚类；判断此次聚类前后像素点的聚类情况是否相同，若相同，则完成聚类，进行步骤S1.4；若不同，则继续进行步骤S1.3；

S1.3、每分配一个像素点，重新计算该聚类中各像素点的中心点，并将该中心点设为新的聚类中心点，重复步骤S1.2；

S1.4、应用图例对聚类后的图像中各个簇与原始图像人工比对进行分析；然后将非农业区域覆盖的簇进行组合，最终对组合后的非农业区域进行裁剪，得到只包含农业区域的卫星图像；

步骤S2、应用基于支持向量机SVM和极限学习机ELM分类器结合训练的自标记算法对样本集进行扩充，得到最终扩大样本集EL：

在步骤S1图像分割的基础上，应用联合训练自标记算法来扩充训练集；

在训练过程中，使用标记样本集作为初始训练集，创建支持向量机SVM和极限学习机ELM分类器，然后以扩大后的标记样本集作为训练集，对支持向量机SVM和极限学习机ELM分类器进行更新；在标记阶段，将一部分未标记样本输入到经过初始训练的支持向量机SVM和极限学习机ELM分类器中，输出每个类别的置信度；CTSLAL算法根据置信度高于80％对样本进行标记，训练和标记过程是通过迭代重复进行；

步骤S3、利用D-ELM算法对扩大样本集EL的区域土地利用和/或农业种植结构进行分类：

将步骤S1中被分割后的只包含农业区域的卫星图像作为输入，同时将步骤S2中得到的最终扩大样本集EL作为新的训练集合，最终应用D-ELM分类器对整个包含农业区域的卫星图像的土地利用和/或种植结构进行分类；分类的结果是得到带有分类标签色彩的一张图像。

2.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，在使用k-means无监督学习算法进行图像分割时，为得到一个稳定的聚类结果，选择参数为K＝50个簇进行聚类。

3.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，所述步骤S2包括如下步骤：

S2.1、以标记样本集L和未标记样本集U作为输入；

其中，标记样本集L，为人工标记带有类别标签的像素点集合；

未标记样本集U，即在原始图像中随机抽取的大量没有标记类别的像素点集合；

S2.2、将标记样本集L和协同标记集CL结合，得到一个扩大样本集EL；协同标记集CL为协同标记自标记完成的样本集合，扩大样本集EL为人工标记样本与协同标记集CL的并集；

S2.3、支持向量机SVM分类器和极限学习机ELM分类器分别用标记样本集L进行初始训练学习；

S2.4、支持向量机SVM分类器和极限学习机ELM分类器分别从未标记样本集U中取得一组样本，进行标记，得到两个注释集，并应用基于协同训练评估器对两个注释集进行比较，将具有相同标注且置信度均高于80％的样本添加到协同标记集CL中，扩大样本集EL将相应地得到更新；

S2.5、通过更新的扩大样本集EL，重复步骤S2.4，重新训练支持向量机SVM分类器和极限学习机ELM分类器，然后应用协同训练评估器持续地执行标记任务；

S2.6、未标记样本集通过步骤S2.5被持续地标记，直到扩大样本集EL中的样本数量不再增加，从而得到最终扩大样本集EL。

4.根据权利要求3所述的农业种植结构的遥感识别方法，其特征在于，所述标记样本集L包括葵花、玉米、小麦。

5.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，分类的结果的每一个图像中的像素点都有一个分类，不同颜色代表不同分类。