[发明专利]一种自适应特征权重合成的LIDAR数据地物精确分类方法

摘要

本发明属于遥感数据地物分类领域，具体为一种自适应特征权重合成的LIDAR数据地物精确分类方法。本发明首先对实验图像进行充分特征信息提取，根据特征的物理意义与包含地物信息的差异，构建高程、光谱、强度与纹理特征子集；其次在随机森林框架下分析不同特征子集在地物分类过程中的重要性差异，计算各特征子集的重要性测度，获得每个像元对各类地物的类别隶属度；然后综合利用特征子集重要性测度与基于证据冲突计算的权重系数，对各个特征子集构成的多证据源合成；最后根据合成结果采用投票决策规则实现地物精确分类，并采用有效的空间限制策略优化初分类结果。

主权项

1.一种自适应特征权重合成的LIDAR数据地物精确分类方法，其特征在于：S1：获得LIDAR系统的点云数据和光谱相机拍摄的多光谱数据，并进行中值滤波预处理；S2：提取LIDAR系统数据特征，根据物理意义和地物信息区别构建高程特征子集T1、光谱特征子集T2、强度特征子集T3和纹理特征子集T4；S3：随机选择样本进行训练，基于随机森林框架计算各个特征子集的重要性测度Fj，计算各像元对各类地物的类别隶属度mj(Al)，具体步骤如下：S31：随机选择一定数量的样本建立随机森林框架，根据多次实验确定选择的样本数量为所有样本数量的10％，并计算f特征对每棵决策树t的重要性测度如式(1)所示：其中ΦB表示袋外样本集合，t∈{1,2...,ntree}，ntree表示随机森林中决策树数量，xa表示第a个样本的特征向量，la表示样本xa的类别标签，ca(t)表示在置换f特征前，决策树t判定样本xa所属的类别，ca,f(t)表示在置换f特征后，决策树t判定样本xa所属的类别，a表示样本在整个样本空间的序号，N(x)为计数函数，特征f重要性测度通过对所有决策树的均值重要性测度描述：S32：计算各个特征子集的重要性测度，其中Tj表示j特征子集，j＝1,2,...,M，M＝4；S33：根据各个特征子集计算各个像元对各个地物类别的隶属程度其中Al为将某像元判定为l类的焦元，ntreej为特征子集j随机森林的决策树数目，treelj为根据特征子集j像元属于l类的决策树数目；S4：基于特征重要性测度与证据冲突权重的随机森林自适应权重合成方法实现特征子集证据合成，具体步骤如下：S41：计算证据E_i与其它证据E_j(j＝1,2,...,i‑1,i+1,...,M)间的冲突程度构成冲突向量并归一化得S42：计算冲突向量的熵S43：计算证据Ei的冲突权重系数S44：根据wj和特征子集重要性测度Fj，构造总权重系数并进行归一化S45：调整概率分配调整冲突构成证据合成公式，m(A)＝p(A)+k*·q(A)，A≠Φ    (9)其中，S5：根据证据合成结果，采用最大投票决策规则决策，确定各像元的类别属性，获得初分类结果；S6：对初分类结果中易被错分或漏分的混淆像元采用空间邻域限制策略实现分类结果的优化，所述的混淆像元为树冠中心和墙面点；S7：输出分类结果及分类性能指标。