CN100446001C - 一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法 - Google Patents

Abstract

一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法，属于计算机遥感影像处理与模式识别领域。其特征在于以下步聚：首先建立反映未分类遥感影像特征的新范例，利用时空特征检索和内容特征精选的双层策略从范例库中检索出适合当前分类问题的范例索引集；其次根据范例索引集构建分类方案并对其进行进一步的调整和修正分，用修正后的分类方案对未分类遥感影像进行分类操作；最后利用范例库更新策略将修正后的分类方案存入范例库，以备下一次分类操作参考。本发明的效果和益处是能够充分挖掘和优化整合已有遥感样本和分类知识，大幅度地提高训练样本较少情况下的遥感影像监督分类精度。

Description

一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法

技术领域

本发明涉及计算机遥感影像处理与模式识别领域，是一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法。本发明能够重复利用并优化整合已有的遥感样本数据和分类知识，特别适合实地采样困难、训练样本时效性较差等情况下的有监督遥感影像分类问题，在遥感信息处理系统、遥感影像自动解译等领域均可有广泛的应用。

背景技术

有监督分类方法是遥感影像分类工作采用的主要方法，而多数有监督分类方法是建立在训练样本充足可靠的前提假设之下的(Stathakis，D.，& Vasilakos，A.(2006).Comparison ofcomputational intelligence based classification techniques for remotely sensed optical imageclassification.IEEE Transactions on Geoscience and Remote Sensing，44(8)，2305-2318)。但在实际应用中，遥感影像的样本采集工作需要消耗大量的人力、物力和财力，时间跨度较大，特别对于沼泽、湿地等人为实地考察困难的地区更是如此(Baraldi，A.，Bruzzone，L.，& Blonda，P.(2005).Quality assessment of classification and cluster maps without ground truth knowledge.IEEE Transactions on Geoscience andRemote Sensing，43(4)，857-872)。一方面，遥感样本的数量有限且更新频率较低，难以适应有监督分类的需要，严重地影响了分类的准确程度。另一方面，缺乏有效手段对已有采样数据和分类知识进行合理重用和优化，造成了资源的极大浪费(Foody，G.M.，Mathur，A.，Sanchez-Hernandez，C.，& Boyd，D.S.(2006).Training set sizerequirements for the classification of a specific class.Remote Sensing of Environment，104(1)，1-14)。虽然无监督分类方法可在一定程度上回避训练样本的问题，但无监督分类方法对初始聚类中心的依赖程度过大，分类效果不稳定。

目前，针对上述问题的解决手段多为基于最大期望(EM)的统计方法，如Cascade分类方法(Bruzzone，L.，& Cossu，R.(2002).A multiple-cascade-classifier system for a robust andpartially unsupervised updating of land-cover maps.IEEE Transactions on Geoscience and RemoteSensing，40(9)，1984-1996)，这些方法的工作原理为：以一幅已分类的遥感影像信息为基础，同时结合未分类遥感影像的未知类别数据，求取满足最大期望条件的统计分类器参数；利用这些求得的参数构建分类器，对未分类影像进行分类操作。这些方法存在如下不足：(1)要求数据满足正态分布前提，而实际遥感数据的分布情况复杂、难以保证正态性质；(2)要求类别数目已知且固定不变，而实际应用中经常出现同物异谱现象(即同种类别内部存在特征差异的子类别)，子类别的数目难以确定；(3)主要针对两幅影像之间的操作，其运算量较大且缺少解决多幅影像的有效策略。

发明内容

本发明的目的是解决训练样本较少情况下的遥感影像监督分类问题和对已有遥感样本、分类知识的整合优化问题。提出一种范例推理与FuzzyARTMAP网络相结合的遥感影像分类方法。

本发明的技术方案如下

该方法包括四个主要部分：范例构建、范例检索、范例重用和修正、范例库更新。本发明的具体步骤如下：

1.构建新范例：首先将未分类遥感影像的时空特征(覆盖范围和获取时间)作为新范例的时空特征；其次将未分类遥感影像的样本数据集合(尚无类别信息)作为新范例的样本数据集合；最终得到反映未分类遥感影像特征的新范例；

2.进行时空特征检索：以新范例的时空特征为依据，利用时空相似性函数从遥感影像的覆盖范围重合程度、遥感影像获取时间的近似程度两方面进行时空特征检索操作，检索出范例库中与新范例在覆盖范围和获取时间两方面均满足设定阈值要求的范例集合；

3.进行内容特征精选：利用初步检索出的范例中的分类模板对新范例样本数据进行分类操作；以每个范例得到的相应分类结果为依据，利用中心权值向量计算每个范例对应的各个类别的检索能量函数；对每个类别求取具有最小检索能量函数的范例索引值，以此建立精选后的范例索引集；

4.以精选后的范例索引集为基础构建初始分类方案：将索引值对应的范例中相应类别的分类模板(包括Fuzzy ARTMAP网络权值和与之对应的模式中心权值)提取出来，重组为初始分类方案；

5.以新范例中的数据特征为依据，修正初始分类方案：

(1)将分类模板中各类别(含子类别)的中心权值作为Fuzzy c-means分类器的初始聚类中心，这样可以保证每个聚类中心都能够对应一个确定的类别标识；

(2)按照Fuzzy c-means迭代算法对新范例中的数据进行聚类操作，算法收敛后得到根据新范例数据特征调整的各类别(含子类别)聚类中心，同时也得到新范例数据的初始分类结果。

(3)将收敛后的Fuzzy c-means的聚类中心作为分类方案的模式中心权值；利用新范例数据的初始分类结果重新训练分类方案中Fuzzy ARTMAP的网络权值。至此得到修正后的遥感影像分类方案。

6.利用遥感影像分类方案中的Fuzzy ARTMAP网络权值对遥感影像进行分类操作，分类算法按照FuzzyARTMAP网络的分类算法。得到遥感影像分类结果。

7.将新范例的时空特征(由第(1)步获得)、修正后的遥感影像分类方案(由第(5)步获得)和分类后的遥感影像数据(由第(6)步获得)作为将要存储的范例的主要组成部分，将此范例存入范例库中以备下一次分类操作参考，完成范例库的更新操作。

本发明的有益效果是将范例推理与Fuzzy ARTMAP网络相结合，实现两种方法的优势互补。范例推理为已有遥感数据和分类知识的重用、整合和优化提供了高效的方法指导，既可以处理两幅遥感影像之间的知识利用，也特别适合多时相大数据量的遥感影像处理操作；Fuzzy ARTMAP网络具有子类别动态生成、权值类别清晰对应等特性，可以增强范例推理方法的知识提取和归纳能力。本发明所提分类方法没有对样本分布情况的特殊要求，能够充分重用和优化已有的样本数据和分类知识，同时注重与未分类遥感影像的信息相融合，生成合适的分类方案，能较好地解决训练样本较少情况下的遥感影像监督分类问题并且较大地提高分类精度。

附图说明

图1是本发明的运行流程图。

图1中，范例构建部分用于设计样本数据和分类模板(知识)的存储形式，同时建立反映未分类影像的新范例；范例检索部分能够从范例库中检索出最适合当前影像分类问题的范例集合，并从中提取出构建分类方案的范例索引集；范例重用和修正过程能够根据范例索引集建立起针对当前影像的分类方案，同时对分类方案进行评价和修正使之符合当前影像的分类要求；范例库更新将分类方案以范例的形式存储于范例库，实现了对新影像信息的学习功能。

图2——图5为本发明实施方案中多光谱遥感影像及其分类结果比较图。

图2为本发明实施方案中未分类多光谱遥感影像，获取时间为2003年8月28日，覆盖范围为46°09′N～47°22′N；123°24′E～124°29′E；图3为SVM方法的分类结果；图4为Cascade方法的分类结果；图5为采用本发明得到的分类结果。

具体实施方式

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

本发明以图2所示多光谱遥感影像为例，按照图1所示的方法流程对其进行分类操作，

具体实施步骤如下：

1.范例构建过程

范例库中的每个范例都对应一幅遥感影像，其标准结构由三部分构成(见公式(1))：时空特征、数据集合和分类模板集合。

C＝(Ф，D，P)             (1)

其中，C表示范例，Ф表示时空特征，D表示样本数据集合，P表示分类模板集合。范例中各部分都包括具体的内容，如公式(2)-(4)所示：

Ф＝(LA，T)               (2)

其中，LA表示范例对应影像的覆盖范围，T表示对应影像的获取时间。

D＝{x_i}；i∈[1，N]        (3)

其中，x_i表示数据集合中的样本，N表示数据集合中的样本总数。

$P=(W,V)=\left\{(W_j,V_j)\right|W_j\⋐W,V_j\⋐V;j\∈[1,L]\}$ (4)

$=\left\{(w_{\mathrm{jh}},v_{\mathrm{jh}})\right|w_{\mathrm{jh}}\∈W_j,v_{\mathrm{jh}}\∈V_j;h\∈{\mathrm{\π}}_j,j\∈[1,L]\}$

其中，W表示Fuzzy ARTMAP网络的权值向量，V表示附加的与W一一对应的中心权值向量。π_j表示属于第j类的子类集合，L表示类别总数，w_jh表示属于第j类中第h子类的FuzzyARTMAP网络权值，v_jh表示与w_jh对应的中心权值。

本发明利用Fuzzy ARTMAP网络的权值可判读特性(各个节点对应的权值表示特定的类别或子类特征)，将Fuzzy ARTMAP网络的权值向量作为分类模板。因为Fuzzy ARTMAP网络在训练过程中采用模糊交集运算符，权值向量单调递减并不反映模式中心的移动，所以Fuzzy ARTMAP网络的权值不能直接反映输入模式的中心。本发明引入了新的模式中心权值向量V(参见公式(4))，在Fuzzy ARTMAP训练的同时调整中心权值：

$v_{\mathrm{jh}}=v_{\mathrm{jh}}+\frac{1}{N_h}(x-v_{\mathrm{jh}});h\∈{\mathrm{\π}}_j,j\∈[1,L]---\left(5\right)$

其中，N_h表示被分为第j类第h子类的样本个数，L，v_jh和π_j的定义参见公式(4)。

按照公式(1)-(4)构建已知影像对应的范例；对于新范例对应的未分类影像，只需提取其无类别信息的样本数据即可，而新范例的分类模板可由后面的步骤自动生成。

2.范例检索过程

本发明采用双层检索策略，即时空特征检索和内容特征精选。经过范例检索过程生成最匹配范例索引集，为分类方案的建立提供依据。表1所示为范例库中已有范例的时空特征信息。

①按照公式(6)进行范例的时空特征检索

$\mathrm{\Ξ}=\left\{C^k\right|\frac{S\left({\mathrm{LA}}^{\mathrm{new}}I{\mathrm{LA}}^k\right)}{S\left({\mathrm{LA}}^{\mathrm{new}}\right)}\≥B_{\mathrm{LA}},|T^{\mathrm{new}}-T^k|\≤B_T;k\∈[1,K]\}---\left(6\right)$

其中，Ξ表示范例库中与新范例在空间覆盖范围和时间上足够相似的范例集合(表1中含下划线部分为符合要求的范例)，LA^new表示新范例对应的未分类影像的覆盖范围，LA^k表示范例库中第k个范例对应影像的覆盖范围，S(·)表示覆盖面积计算函数，LA^new∩LA^k表示未分类影像与范例k对应影像覆盖范围的重合部分，B_LA表示覆盖范围相似程度阈值，T^new表示未分类影像的获取时间，T^k表示范例k对应影像的获取时间，B_T表示影像获取时间相似性阈值。为便于进一步表达和推导，用公式(7)定义范例集Ξ的索引集合Γ：

Γ＝{τ|C^τ∈Ξ}            (7)

其中，Γ表示范例集Ξ的索引集合，τ表示集合Ξ中范例C^τ的索引值。

表1范例库中已有范例的时空特征信息

表中下划线部分为经过时空特征检索后符合要求的范例

②利用范例集合Ξ中每一个范例C^τ的分类模板对新范例中的未分类数据进行分类，分类算法采用Fuzzy ARTMAP网络的分类算法，得到由C^τ提供的临时分类结果：

$D^{\mathrm{\τ}}=\{D_j^{\mathrm{\τ}};\mathrm{\τ}\∈\mathrm{\Γ},j\∈[1,L\left]\right\}=\left\{D_{\mathrm{jh}}^{\mathrm{\τ}}\right|D_{\mathrm{jh}}^{\mathrm{\τ}}\⊆D_j^{\mathrm{\τ}};\mathrm{\τ}\∈\mathrm{\Γ},j\∈[1,L],h\∈{\mathrm{\π}}_j^{\mathrm{\τ}}\}---\left(8\right)$

其中，D^τ表示由范例τ提供的临时分类结果集合，D_j ^τ表示D^τ中属于j类的临时分类结果集合，π_j ^τ表示D^τ中属于类别j的子类别集合，D_jh ^τ表示属于类别j中子类别h的临时分类结果集合。

③根据上步得到的临时分类结果，计算Ξ中每个范例的检索能量函数：

$E_j^{\mathrm{\τ}}=\frac{1}{N_j^{\mathrm{\τ}}}\underset{h\∈{\mathrm{\π}}_j^{\mathrm{\τ}}}{\mathrm{\Σ}}\underset{x\∈D_{\mathrm{jh}}^{\mathrm{\τ}}}{\mathrm{\Σ}}{\left|\right|x-v_{\mathrm{jh}}^{\mathrm{\τ}}\left|\right|}^2;\mathrm{\τ}\∈\mathrm{\Γ},j\∈[1,L]---\left(9\right)$

其中，E_j ^τ表示范例τ中类别j的检索能量函数，N_j ^τ表示对应范例τ的临时分类结果中属于类别j的样本数目，π_j ^τ和D_jh ^τ的定义参见公式(8)，v_jh ^τ表示范例τ的第j类中h子类的中心权值，L和Γ分别参见公式(4)和公式(7)。

④以上述步骤得到的结果为基础，进行内容特征精选操作，生成范例库中最匹配范例索引集：

$\mathrm{\Ψ}=\left\{{\mathrm{\ψ}}_j\right|{\mathrm{\ψ}}_j=\underset{\mathrm{\τ}\∈\mathrm{\Γ}}{\arg \min }\left\{E_j^{\mathrm{\τ}}\right\};j\∈[1,L]\}---\left(10\right)$

其中，Ψ表示范例库中的最匹配范例索引集，ψ_j表示分类方案中第j类分类模板对应的范例索引值。Γ参见公式(7)，E_j ^τ参见公式(9)，L参见公式(4)。表2所示为实际操作中经过上述范例检索过程得到的最匹配范例索引集。

表2经时空特征检索和内容特征精选的双层检索策略后得到的最匹配范例索引集

3.范例重用和修正过程

根据最匹配范例索引集Ψ，按照公式(11)-(13)构建分类方案：

$P^S=(W^S,V^S)=\{(W_j^S,V_j^S);j\∈[1,L]\}$ (11)

$=\left\{(w_{\mathrm{jh}}^S,v_{\mathrm{jh}}^S)\right|w_{\mathrm{jh}}^S\∈W_j^S,v_{\mathrm{jh}}^S\∈V_j^S;h\∈{\mathrm{\π}}_j^S,j\∈[1,L]\}$

$w_{\mathrm{jh}}^S=w_{\mathrm{jh}}^{{\mathrm{\ψ}}_j},$ $v_{\mathrm{jh}}^S=v_{\mathrm{jh}}^{{\mathrm{\ψ}}_j};$ $h\∈{\mathrm{\π}}_j^{{\mathrm{\ψ}}_j},$ ψ_j∈Ψ，j∈[1，L]       (12)

$P^S=\left\{(w_{\mathrm{jh}}^{{\mathrm{\ψ}}_j},v_{\mathrm{jh}}^{{\mathrm{\ψ}}_j})\right|w_{\mathrm{jh}}^{{\mathrm{\ψ}}_j}\∈W_j^{{\mathrm{\ψ}}_j},$ $v_{\mathrm{jh}}^{{\mathrm{\ψ}}_j}\∈V_j^{{\mathrm{\ψ}}_j};$ $h\∈{\mathrm{\π}}_j^{{\mathrm{\ψ}}_j},$ ψ_j∈Ψ，j ∈[1，L]}     (13)

其中，P^S表示分类方案，W^S和V^S分别表示P^S中的Fuzzy ARTMAP网络权值集合和与之对应的模式中心权值集合，W_j ^S和V_j ^S分别表示W^S和V^S中属于类别j的子集，w_jh ^S和v_jh ^S分别表示W_j ^S和V_j ^S中属于子类别h的权值向量，π_j ^S表示分类方案中属于类别j的子类别集合，L参见公式(4)，Ψ和ψ_j参见公式(10)，

和分别表示范例ψ_j中属于类别j的Fuzzy ARTMAP网络权值子集和与之对应的模式中心权值子集，

和分别表示和

中属于子类别h的权值向量。

本发明采用两阶段范例修正策略，即部分监督聚类和分类模板调整

①部分监督聚类。将分类方案的中心权值向量V^S(参见公式(11))作为一个Fuzzy c-means分类器的初始聚类中心：

$z=\left\{z_r\right|z_r^{\left(0\right)}=v_{\mathrm{jh}}^S;h\∈{\mathrm{\π}}_j^S,j\∈[1,L],r\∈[1,N^S]\}---\left(14\right)$

其中，Z表示Fuzzy c-means分类器的聚类中心向量，z_r表示Fuzzy c-means分类器的第r个聚类中心，注意Fuzzy c-means分类器的聚类中心可以独立地对应子类别，N^S表示V^S包含的中心权值个数，v_jh ^S，π_j ^S参见公式(11)，L参见公式(4)。

公式(14)所示的这种初始化形式能够保证Fuzzy c-means分类器的每一个聚类中心都对应一个确定的类别归属，并使得Fuzzy c-means的聚类结果具有明确的类别信息。

利用初始化后的Fuzzy c-means分类器对新范例中的样本数据集进行聚类操作。Fuzzyc-means分类器收敛后可得到根据新范例中数据特征优化调整的类别中心向量，同时可以得到新范例中样本数据的初步分类结果。

②分类模板调整。根据公式(14)建立起的聚类中心与类别(或子类)之间的对应关系，将Fuzzy c-means收敛后的聚类中心赋值给分类方案的中心权值向量：

$V^S=\left\{v_{\mathrm{jh}}^S\right|v_{\mathrm{jh}}^S=z_r^{\left(n\right)};h\∈{\mathrm{\π}}_j^S,j\∈[1,L],r\∈[1,N^S]\}---\left(15\right)$

其中，V^S，v_jh ^S，π_j ^S参见公式(11)，L参见公式(4)，N^S参见公式(14)。

利用新范例中样本数据的初步分类结果重新训练分类方案中Fuzzy ARTMAP网络权值W^S，至此得到了修正后的分类方案。将重新训练后的Fuzzy ARTMAP网络作为未分类影像的分类器。图5为利用本发明得到的分类结果图。

4.范例库更新

以范例的形式存储新影像的相关信息，将新范例的时空特征、新范例中已分类的样本数据和修正后的分类方案作为存储范例的三个主要组成部分：

C^R＝(Ф^new，D′^new，P′^S)        (16)

其中，C^R表示范例库将要存储的范例，Ф^new表示新范例的时空特征，D′^new表示新范例的已分类的样本数据，P^S′表示修正后的分类方案。将范例C^R存储到范例库中作为下一次分类工作的参考。

分别利用SVM方法和Cascade分类方法对未分类遥感影像进行分类操作，两个分类器的训练样本采用已有遥感影像(如表1所示遥感影像)的样本。图3为利用SVM方法的分类结果图，图4为利用Cascade分类方法的结果图。表3为上述两种分类方法与本发明的分类精度比较。从结果可以看到，本发明能够有效避免地物类别的混淆问题，大幅度地提高遥感影像的分类精度，并能充分挖掘和整合已有遥感样本和分类知识。

表3SVM方法、Cascade方法和本发明的分类精度比较

Claims (1)

1.一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法，其特征在于具体步骤如下：

(1)构建新范例：首先将未分类遥感影像的时空特征，即覆盖范围和获取时间，作为新范例的时空特征；其次将未分类遥感影像的样本数据集合作为新范例的样本数据集合；最终得到反映未分类遥感影像特征的新范例；

(2)进行时空特征检索：以新范例的时空特征为依据，利用时空相似性函数从遥感影像的覆盖范围重合程度、遥感影像获取时间的近似程度两方面进行时空特征检索操作，检索出范例库中与新范例在覆盖范围和获取时间两方面均满足设定阈值要求的范例集合；

(3)进行内容特征精选：利用初步检索出的范例中的分类模板对新范例样本数据进行分类操作；以每个范例得到的相应分类结果为依据，利用中心权值向量计算每个范例对应的各个类别的检索能量函数；对每个类别求取具有最小检索能量函数的范例索引值，以此建立精选后的范例索引集；

(4)以精选后的范例索引集为基础构建初始分类方案：将索引值对应的范例中相应类别的分类模板提取出来，重组为初始分类方案；

(5)以新范例中的数据特征为依据，修正初始分类方案：

①将分类模板中各类别或子类别的中心权值作为Fuzzy c-means分类器的初始聚类中心，这样可以保证每个聚类中心都能够对应一个确定的类别标识；

②按照Fuzzy c-means迭代算法对新范例中的数据进行聚类操作，算法收敛后得到依据新范例数据特征调整的各类别或子类别的聚类中心，同时也得到新范例数据的初始分类结果；

③将收敛后的Fuzzy c-means的聚类中心作为分类方案的模式中心权值；利用新范例数据的初始分类结果重新训练分类方案中Fuzzy ARTMAP的网络权值，至此得到修正后的遥感影像分类方案；

(6)利用遥感影像分类方案中的Fuzzy ARTMAP网络权值对遥感影像进行分类操作，分类算法按照Fuzzy ARTMAP网络的分类算法，从而得到遥感影像分类结果；

(7)将新范例的时空特征、修正后的遥感影像分类方案和分类后的遥感影像数据作为将要存储的范例的主要组成部分，将此范例存入范例库中以备下一次分类操作参考，完成范例库的更新操作。

Images