專利名稱：：多分類器自適應(yīng)權(quán)值融合的影像分類方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于遙感影像應(yīng)用領(lǐng)域，特別是涉及多分類器自適應(yīng)權(quán)值融合的遙感影像分類方法及系統(tǒng)。
背景技術(shù)：
：遙感影像分類是遙感解譯研究的一個重要方面，很多遙感應(yīng)用都與影像分類直接相關(guān)。傳統(tǒng)的遙感影像分類技術(shù)多是建立在概率統(tǒng)計(jì)模型基礎(chǔ)上的像素級方法。統(tǒng)計(jì)分類方法一般分為兩種監(jiān)督分類法和非監(jiān)督分類法。監(jiān)督分類方法需要一定的先驗(yàn)知識，如樣本的概率分布和高質(zhì)量的訓(xùn)練樣本，由于遙感影像通常較為復(fù)雜，其數(shù)據(jù)樣本特征維數(shù)較多，而多維或者高維特征的數(shù)據(jù)樣本很難服從一個確定的概率分布或分布無規(guī)律，同時高質(zhì)量的訓(xùn)練樣本的獲取也是一個難點(diǎn)，監(jiān)督分類方法的效果受到限制，無法達(dá)到理論上的最優(yōu)。相關(guān)的文獻(xiàn)有Richards,J.A.，XiupingJia.UsingSuitableNeighborstoAugmenttheTrainingSetinHyperspectralMaximumLikelihoodClassification[J].IEEEGeoscienceandRemoteSensingLetters,2008,.5(4):774-777.ParrinelloT,VaughanR.A.OncomparingmultifractalandclassicalfeaturesinminimumdistanceclassificationofAVHRRimagery[J].InternationalJournalofRemoteSensing,2006,27(18):3943-3959.非監(jiān)督分類方法是在遙感影像上地物屬性不具有先驗(yàn)知識的情況下，以集群理論為基礎(chǔ)，通過對全部樣本統(tǒng)計(jì)特征的差異進(jìn)行聚類分析，建立決策規(guī)則，從而實(shí)現(xiàn)對整幅影像的分類。非監(jiān)督分類方法的缺點(diǎn)在于事先很難確定全局最優(yōu)的類別數(shù)量和初始類別中心，目前一般采取人工觀察的方法提供。相關(guān)的文獻(xiàn)有InternationalJournalofRemoteSensing,2006,27(18):3943-3959.VenkatalakshmiK,ShalinieS.Mercy.Multispectralimageclassificationusingmodifiedk—Meansalgorithm[J].NeuralNetworkWorld,2007,17(2):113-120.MelesseAssefaM.,JordanJonathanD.Acomparisonoffuzzyvs.augmented-ISODATAclassificationalgorithmsforcloud-shadowdiscriminationfromLandsatimages[J].PhotogrammetricEngineeringandRemoteSensing,2002,68(9):905-911.一些新興的數(shù)學(xué)理論和數(shù)學(xué)工具發(fā)展的新分類方法，如人工神經(jīng)網(wǎng)絡(luò)技術(shù)(AshishD.，2009)、模糊分類技術(shù)(ChanussotJocelyn.，2006)、決策樹分類技術(shù)(McIverD.K.，2002)等，也存在一些困難，如神經(jīng)網(wǎng)絡(luò)分類器雖然無需數(shù)據(jù)分布的先驗(yàn)知識，能學(xué)習(xí)高維、非線性分布模式，但存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，難以確定隱含層神經(jīng)元等缺點(diǎn)；模糊分類技術(shù)雖然能考慮影像分類過程中的模糊性和隨機(jī)性，但隸屬度函數(shù)的確定和模糊規(guī)則的制定是影響其性能的關(guān)鍵因素；決策樹分類法不需要數(shù)據(jù)集服從統(tǒng)計(jì)概率分布，但分類決策規(guī)則是難點(diǎn)，難以做到有效地自動或自適應(yīng)設(shè)計(jì)。相關(guān)的文獻(xiàn)有=AshishD.，McClendonR.ff.,HoogenboomG.Land—useclassificationofmultispectralaerialimagesusingartificialneuralnetworks[J].InternationalJournalofRemoteSensing,2009，30(8):1989-2004.ChanussotJocelyn,BenediktssonJonAtli,FauvelMathieu.Classificationofremotesensingimagesfromurbanareasusingafuzzypossibilisticmodel[J].IEEEGeoscienceandRemoteSensingLetters,2006,3(1):40-44.McIverD.K.,FriedlMA.Usingpriorprobabilitiesindecision-treeclassificationofremotelysenseddata[J]RemoteSensingofEnvironment,2002,81(2-3):253-261.由于遙感影像上地物呈現(xiàn)出多種特征，這些特征總體上分為光譜類、紋理類、形狀類、圖案類等，而每類特征又由多維特征分量構(gòu)成。一類地物體在某一種特征空間里，可能區(qū)分較好，而在其它特征空間里可能很難區(qū)分，而通常我們并不具備哪類地物用哪種特征區(qū)分比較好的先驗(yàn)知識。面對如此多的特征，如何選擇分類器才能實(shí)現(xiàn)最好識別是遙感分類中的一個難點(diǎn)。通常的做法是，把所有特征排列形成特征向量，然后由某一種分類器實(shí)現(xiàn)分類。這樣做至少帶來三方面的問題所有特征排列成特征向量，會帶來“維數(shù)災(zāi)難”問題，增加計(jì)算的復(fù)雜度；對于不同類型的特征，其表示形式、物理意義、量綱各不相同，需對其進(jìn)行尺度歸一化才能排列成特征向量，而不同特征的有效歸一化是很困難的；不同特征簡單組合在一起，很難選擇適合的分類器。由于各種像素級分類方法都存在著這樣或那樣的缺點(diǎn)，其性能都存在著一定的局限，且在實(shí)際應(yīng)用中對于確定的遙感數(shù)據(jù)，不同的分類器的分類精度不同、同一個分類器對不同類別的分類精度也不同，挖掘、提高單個分類器識別性能的努力可能是很困難的。充分利用各種單分類器的優(yōu)點(diǎn)和適用性，采取多分類器融合的技術(shù)、改善單個分類器的性能已成為一個研究熱點(diǎn)，并成功地應(yīng)用于遙感影像分類領(lǐng)域°相關(guān)文獻(xiàn)有JainAK.,DuinRPff,MaoJ.StatisticalpatternrecognitionAreview[J].IEEETransonPatternAnalysisandMachineIntelligence,2000,22(I)4-37.BruzzoneL.,CossuR.,VernazzaG.Detectionofland—covertransitionsbycombiningmultidateclassifiers[J].PatternRecognitionLetters,2004,25(13)1491-1500.MaulikUjjwal,SahaIndrajit.Automaticfuzzyclusteringusingmodifieddifferentialevolutionforimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2010，48(9):3503-3510.對于遙感影像像分類而言，多分類器融合一般在抽象級和測量級上進(jìn)行。因測量級融合比抽象級融合有更豐富的信息量，保證了分類器輸出信息的完整性，分類可靠性更高，其應(yīng)用潛力較大。由于多分類器融合系統(tǒng)中各個分量分類器的分類性能和適用性不同，為充分利用各個分類器的優(yōu)點(diǎn)，使融合結(jié)果達(dá)到高識別率和高可信度，可根據(jù)各個分量分類器的分類識別性能，對分類器在融合決策中所起的作用有所區(qū)別。若某個分類器對影像分類精度較高，則該分類器在融合分類決策時分配一個較大的權(quán)重；若該分類器對影像分類精度較低，則該分類器在融合分類決策時分配一個較小的權(quán)重。也就是說，在融合決策時，可根據(jù)各個分量分類器的分類性能對各個分類器的輸出進(jìn)行加權(quán)。目前，將多分類器測量級加權(quán)融合應(yīng)用于遙感影像分類的研究，常采用兩類加權(quán)方法基于平均準(zhǔn)則的加權(quán)法和基于識別性能矩陣的加權(quán)法。相關(guān)文獻(xiàn)有SunShiliang.Localwithin-classaccuraciesforweightingindividualoutputsinmultipleclassifiersystems[J].PatternRecognitionLetters,2010,31(2):119-124.胡利平，劉宏偉，吳順君.基于多分類器融合的SAR圖像自動目標(biāo)識別方法[J].系統(tǒng)工程與電子技術(shù)，2008，30(5)=839-842.孫灝，杜培軍，趙衛(wèi)常.基于多分類器組合的高分辨率遙感影像目標(biāo)識別[J].地理與地理信息科學(xué)，2009，25(I):32-35.在多分類器加權(quán)融合的兩類方法中，基于平均準(zhǔn)則的加權(quán)法賦予各個分類器相同的權(quán)值，其缺點(diǎn)是不能體現(xiàn)各個分類器的分類性能差異，也不能根據(jù)各個分量分類器的性能優(yōu)劣來調(diào)整融合分類器的輸出?；谧R別性能矩陣的加權(quán)法，根據(jù)訓(xùn)練樣本的分類統(tǒng)計(jì)情況評定各個成員分類器的分類性能，以此為依據(jù)確定各個分類器在融合系統(tǒng)中的權(quán)值，以使模型在統(tǒng)計(jì)意義上達(dá)到最優(yōu)，這在一定程度上體現(xiàn)了各分類器的性能差異。其缺點(diǎn)是當(dāng)訓(xùn)練樣本數(shù)量較少或訓(xùn)練樣本的質(zhì)量不高時，分類器的權(quán)值并不一定能正確反映分類器在融合系統(tǒng)中的作用。對于一些以識別性能矩陣為基礎(chǔ)的改進(jìn)加權(quán)算法，在用識別性能矩陣評價分類器分類性能的同時，也考慮了訓(xùn)練樣本的特點(diǎn)，使分類器的權(quán)值更為準(zhǔn)確，其缺點(diǎn)是仍然沒有綜合考慮樣本的整體分布和各個樣本的特征差異，不能根據(jù)各分量分類器對于某一樣本的識別性能和區(qū)分可信度高低，為該樣本在該分類器分配一個與之適應(yīng)的權(quán)值。相關(guān)文獻(xiàn)有米愛中，郝紅衛(wèi)，鄭雪峰，涂序彥.一種自整定權(quán)值的多分類器融合方法[J].電子學(xué)報(bào)，2009，37(11)=2604-2609.
發(fā)明內(nèi)容針對上述問題，本發(fā)明提出基于多分類器自適應(yīng)權(quán)值融合的遙感影像分類方法及系統(tǒng)，目的在于克服上述已有方法的缺點(diǎn)，提高遙感影像分類的精度。本發(fā)明提供的技術(shù)方案是一種多分類器自適應(yīng)權(quán)值融合的影像分類方法，包括以下步驟步驟1，提取訓(xùn)練樣本和待識別樣本的特征，包括光譜特征、紋理特征、分形維數(shù)特征和專題特征；訓(xùn)練樣本是從多光譜遙感影像中選取的各類別的像素，待識別樣本是待識別的多光譜遙感影像內(nèi)像素；提取訓(xùn)練樣本和待識別樣本的特征實(shí)現(xiàn)方式如下，所述光譜特征是像素在各個波段的光譜值構(gòu)成的向量；所述紋理特征是像素在各個波段的紋理特征值構(gòu)成的向量，所述紋理特征值包括能量Ener、同質(zhì)度Hom和熵Ent，利用灰度共生矩陣分別提取能量Ener、同質(zhì)度Horn、熵Ent的計(jì)算公式如下，權(quán)利要求1.一種多分類器自適應(yīng)權(quán)值融合的影像分類方法，其特征在于，包括以下步驟步驟1，提取訓(xùn)練樣本和待識別樣本的特征，包括光譜特征、紋理特征、分形維數(shù)特征和專題特征；訓(xùn)練樣本是從多光譜遙感影像中選取的各類別的像素，待識別樣本是待識別的多光譜遙感影像內(nèi)像素；提取訓(xùn)練樣本和待識別樣本的特征實(shí)現(xiàn)方式如下，所述光譜特征是像素在各個波段的光譜值構(gòu)成的向量；所述紋理特征是像素在各個波段的紋理特征值構(gòu)成的向量，所述紋理特征值包括能量Ener>同質(zhì)度Hom和熵Ent,利用灰度共生矩陣分別提取能量Ener、同質(zhì)度Horn、熵Ent的計(jì)算公式如下，2.用于實(shí)現(xiàn)權(quán)利要求I所述多分類器自適應(yīng)權(quán)值融合的影像分類方法的遙感影像分類系統(tǒng)，其特征在于包括特征提取模塊、分量分類器訓(xùn)練模塊、分量分類器輸出模塊、分量分類器自適應(yīng)權(quán)值計(jì)算模塊和融合分類器輸出模塊，所述特征提取模塊，用于對多光譜遙感影像提取特征，多光譜遙感影像包括訓(xùn)練樣本和待識別樣本，訓(xùn)練樣本的特征輸入到分量分類器訓(xùn)練模塊和分量分類器自適應(yīng)權(quán)值計(jì)算模塊，待識別樣本的特征輸入到分量分類器輸出模塊和分量分類器自適應(yīng)權(quán)值計(jì)算模塊；所述分量分類器訓(xùn)練模塊，用于根據(jù)訓(xùn)練樣本的特征訓(xùn)練分量分類器，訓(xùn)練后所得分量分類器輸入分量分類器輸出模塊；所述分量分類器輸出模塊，用于將待識別樣本的特征輸入到對應(yīng)的訓(xùn)練后所得分量分類器，得到各個分量分類器的測量級輸出和抽象級輸出，測量級輸出送入分量分類器自適應(yīng)權(quán)值計(jì)算模塊，測量級輸出轉(zhuǎn)換為后驗(yàn)概率向量并輸入融合分類器輸出模塊；所述分量分類器自適應(yīng)權(quán)值計(jì)算模塊，用于根據(jù)訓(xùn)練樣本的特征、待識別樣本的特征和由分量分類器輸出模塊輸入的測量級輸出計(jì)算各分量分類器對每個待識別樣本的權(quán)值，并輸出到融合分類器輸出模塊；所述融合分類器輸出模塊，用于根據(jù)由分量分類器輸出模塊輸入的測量級輸出轉(zhuǎn)換的后驗(yàn)概率向量和各分量分類器對每個待識別樣本的權(quán)值計(jì)算融合分類器的測量級輸出，根據(jù)測量級輸出和決策規(guī)則計(jì)算抽象級輸出，得到多光譜影像分類結(jié)果。全文摘要本發(fā)明涉及多分類器自適應(yīng)權(quán)值融合的影像分類方法及系統(tǒng)，選擇了能兼顧不同種類地物的多種特征，包括光譜特征、紋理特征、分形維數(shù)特征以及專題特征；對于不同特征，選擇不同的分類器然后進(jìn)行融合，與每個單分類器相比，融合分類器具有更高的分類精度和更好的分類效果。并且，分量分類器的權(quán)值是根據(jù)分量分類器對各個樣本的分類可信度自適應(yīng)地設(shè)計(jì)，而不是以一個對所有樣本都固定的權(quán)值進(jìn)行融合決策。文檔編號G06N3/08GK102646200SQ20121006009公開日2012年8月22日申請日期2012年3月8日優(yōu)先權(quán)日2012年3月8日發(fā)明者萬幼川,劉繼琳,李剛申請人:武漢大學(xué)