CN102646200B - 多分类器自适应权值融合的影像分类方法及系统 - Google Patents

Abstract

本发明涉及多分类器自适应权值融合的影像分类方法及系统，选择了能兼顾不同种类地物的多种特征，包括光谱特征、纹理特征、分形维数特征以及专题特征；对于不同特征，选择不同的分类器然后进行融合，与每个单分类器相比，融合分类器具有更高的分类精度和更好的分类效果。并且，分量分类器的权值是根据分量分类器对各个样本的分类可信度自适应地设计，而不是以一个对所有样本都固定的权值进行融合决策。

Description

多分类器自适应权值融合的影像分类方法及系统

技术领域

本发明属于遥感影像应用领域，特别是涉及多分类器自适应权值融合的遥感影像分类方法及系统。

背景技术

遥感影像分类是遥感解译研究的一个重要方面，很多遥感应用都与影像分类直接相关。传统的遥感影像分类技术多是建立在概率统计模型基础上的像素级方法。统计分类方法一般分为两种：监督分类法和非监督分类法。监督分类方法需要一定的先验知识，如样本的概率分布和高质量的训练样本，由于遥感影像通常较为复杂，其数据样本特征维数较多，而多维或者高维特征的数据样本很难服从一个确定的概率分布或分布无规律，同时高质量的训练样本的获取也是一个难点，监督分类方法的效果受到限制，无法达到理论上的最优。相关的文献有：Richards，J.A.，Xiuping Jia.Using Suitable Neighbors to Augment the Training Set inHyperspectral Maximum Likelihood Classification[J].IEEE Geoscience and Remote SensingLetters，2008，.5(4)：774-777.Parrinello T，Vaughan R.A.On comparing multifractal and classicalfeatures in minimum distance classification of AVHRR imagery[J].International Journal ofRemote Sensing，2006，27(18)：3943-3959.非监督分类方法是在遥感影像上地物属性不具有先验知识的情况下，以集群理论为基础，通过对全部样本统计特征的差异进行聚类分析，建立决策规则，从而实现对整幅影像的分类。非监督分类方法的缺点在于事先很难确定全局最优的类别数量和初始类别中心，目前一般采取人工观察的方法提供。相关的文献有：InternationalJournal of Remote Sensing，2006，27(18)：3943-3959.Venkatalakshmi K，Shalinie S.Mercy.Multispectral image classification using modified k-Means algorithm[J].Neural Network World，2007，17(2)：113-120.Melesse Assefa M.，Jordan Jonathan D.A comparison of fuzzy vs.augmented-ISODATA classification algorithms for cloud-shadow discrimination from Landsatimages[J].Photogrammetric Engineering and Remote Sensing，2002，68(9)：905-911.

一些新兴的数学理论和数学工具发展的新分类方法，如人工神经网络技术(Ashish D.，2009)、模糊分类技术(Chanussot Jocelyn.，2006)、决策树分类技术(McIver D.K.，2002)等，也存在一些困难，如：神经网络分类器虽然无需数据分布的先验知识，能学习高维、非线性分布模式，但存在网络结构复杂，难以确定隐含层神经元等缺点；模糊分类技术虽然能考虑影像分类过程中的模糊性和随机性，但隶属度函数的确定和模糊规则的制定是影响其性能的关键因素；决策树分类法不需要数据集服从统计概率分布，但分类决策规则是难点，难以做到有效地自动或自适应设计。相关的文献有：Ashish D.，McClendon R.W.，Hoogenboom G.Land-use classification of multispectral aerial images using artificial neural networks[J].International Journal of Remote Sensing，2009，30(8)：1989-2004.Chanussot Jocelyn，BenediktssonJon Atli，Fauvel Mathieu.Classification of remote sensing images from urban areas using a fuzzypossibilistic model[J].IEEE Geoscience and Remote Sensing Letters，2006，3(1)：40-44.McIverD.K.，Friedl MA.Using prior probabilities in decision-tree classification of remotely sensed data[J].Remote Sensing of Environment，2002，81(2-3)：253-261.

由于遥感影像上地物呈现出多种特征，这些特征总体上分为光谱类、纹理类、形状类、图案类等，而每类特征又由多维特征分量构成。一类地物体在某一种特征空间里，可能区分较好，而在其它特征空间里可能很难区分，而通常我们并不具备哪类地物用哪种特征区分比较好的先验知识。面对如此多的特征，如何选择分类器才能实现最好识别是遥感分类中的一个难点。通常的做法是，把所有特征排列形成特征向量，然后由某一种分类器实现分类。这样做至少带来三方面的问题：所有特征排列成特征向量，会带来“维数灾难”问题，增加计算的复杂度；对于不同类型的特征，其表示形式、物理意义、量纲各不相同，需对其进行尺度归一化才能排列成特征向量，而不同特征的有效归一化是很困难的；不同特征简单组合在一起，很难选择适合的分类器。由于各种像素级分类方法都存在着这样或那样的缺点，其性能都存在着一定的局限，且在实际应用中对于确定的遥感数据，不同的分类器的分类精度不同、同一个分类器对不同类别的分类精度也不同，挖掘、提高单个分类器识别性能的努力可能是很困难的。充分利用各种单分类器的优点和适用性，采取多分类器融合的技术、改善单个分类器的性能已成为一个研究热点，并成功地应用于遥感影像分类领域。相关文献有：Jain A K.，Duin R PW，Mao J.Statistical pattern recognition：A review[J].IEEE Trans on Pattern Analysisand Machine Intelligence，2000，22(1)：4-37.Bruzzone L.，Cossu R.，Vernazza G.Detection ofland-cover transitions by combining multidate classifiers[J].Pattern Recognition Letters，2004，25(13)：1491-1500.Maulik Ujjwal，Saha Indrajit.Automatic fuzzy clustering using modifieddifferential evolution for image classification[J].IEEE Transactions on Geoscience and RemoteSensing，2010，48(9)：3503-3510.

对于遥感影像像分类而言，多分类器融合一般在抽象级和测量级上进行。因测量级融合比抽象级融合有更丰富的信息量，保证了分类器输出信息的完整性，分类可靠性更高，其应用潜力较大。由于多分类器融合系统中各个分量分类器的分类性能和适用性不同，为充分利用各个分类器的优点，使融合结果达到高识别率和高可信度，可根据各个分量分类器的分类识别性能，对分类器在融合决策中所起的作用有所区别。若某个分类器对影像分类精度较高，则该分类器在融合分类决策时分配一个较大的权重；若该分类器对影像分类精度较低，则该分类器在融合分类决策时分配一个较小的权重。也就是说，在融合决策时，可根据各个分量分类器的分类性能对各个分类器的输出进行加权。目前，将多分类器测量级加权融合应用于遥感影像分类的研究，常采用两类加权方法：基于平均准则的加权法和基于识别性能矩阵的加权法。相关文献有：Sun Shiliang.Local within-class accuracies for weighting individual outputsin multiple classifier systems[J].Pattern Recognition Letters，2010，31(2)：119-124.胡利平，刘宏伟，吴顺君.基于多分类器融合的SAR图像自动目标识别方法[J].系统工程与电子技术，2008，30(5)：839-842.孙灏，杜培军，赵卫常.基于多分类器组合的高分辨率遥感影像目标识别[J].地理与地理信息科学，2009，25(1)：32-35.

在多分类器加权融合的两类方法中，基于平均准则的加权法赋予各个分类器相同的权值，其缺点是不能体现各个分类器的分类性能差异，也不能根据各个分量分类器的性能优劣来调整融合分类器的输出。基于识别性能矩阵的加权法，根据训练样本的分类统计情况评定各个成员分类器的分类性能，以此为依据确定各个分类器在融合系统中的权值，以使模型在统计意义上达到最优，这在一定程度上体现了各分类器的性能差异。其缺点是当训练样本数量较少或训练样本的质量不高时，分类器的权值并不一定能正确反映分类器在融合系统中的作用。对于一些以识别性能矩阵为基础的改进加权算法，在用识别性能矩阵评价分类器分类性能的同时，也考虑了训练样本的特点，使分类器的权值更为准确，其缺点是仍然没有综合考虑样本的整体分布和各个样本的特征差异，不能根据各分量分类器对于某一样本的识别性能和区分可信度高低，为该样本在该分类器分配一个与之适应的权值。相关文献有：米爱中，郝红卫，郑雪峰，涂序彦.一种自整定权值的多分类器融合方法[J].电子学报，2009，37(11)：2604-2609.

发明内容

针对上述问题，本发明提出基于多分类器自适应权值融合的遥感影像分类方法及系统，目的在于克服上述已有方法的缺点，提高遥感影像分类的精度。

本发明提供的技术方案是一种多分类器自适应权值融合的影像分类方法，包括以下步骤：

步骤1，提取训练样本和待识别样本的特征，包括光谱特征、纹理特征、分形维数特征和专题特征；训练样本是从多光谱遥感影像中选取的各类别的像素，待识别样本是待识别的多光谱遥感影像内像素；提取训练样本和待识别样本的特征实现方式如下，

所述光谱特征是像素在各个波段的光谱值构成的向量；

所述纹理特征是像素在各个波段的纹理特征值构成的向量，所述纹理特征值包括能量Ener、同质度Hom和熵Ent，利用灰度共生矩阵分别提取能量Ener、同质度Hom、熵Ent的计算公式如下，

$\mathrm{Ener}=\underset{a,b}{\mathrm{\Σ}}p{(a,b)}^2$

$\mathrm{Hom}=\underset{a,b}{\mathrm{\Σ}}\frac{p(a,b)}{1+|a-b|}$

$\mathrm{Ent}=-\underset{a,b}{\mathrm{\Σ}}p(a,b)\log \left(p(a,b)\right)$

其中，p(a，b)是灰度a，b的共生概率；

所述分形维数特征采用像素所在窗口影像的盒维数，计算方式是将二维的多光谱遥感影像R×R分割成一系列s×s的网格，对于网格尺寸s取一系列值，计算出对应的N_r以及相应的对数值(log(N_r)，log(1/r))，最小二乘拟合(log(N_r)，log(1/r))之间的斜率，即为所求的盒维数D，计算公式如下，

$D=\underset{r->0}{\lim }[\log \left(N_r\right)/\log (1/r)],$ r＝s/R，n_r(i，j)＝l-k+1， $N_r=\underset{(i,j)}{\mathrm{\Σ}}{n}_r(i,j),$

其中，R是多光谱遥感影像尺寸，k和l是网格(i，j)中的最小值分盒子序号和最大值分盒子序号，n_r(i，j)为网格(i，j)上的盒子数；

所述专题特征由四个分量构成，

专题特征第一分量s₁由像素在近红外波段和红外波段的光谱差与近红外波段和红外波段的光谱和的比值计算，计算公式如下，

$s_1=\frac{G_{\mathrm{NIR}}-G_R}{G_{\mathrm{NIR}}+G_R}$

专题特征第二分量s₂，由像素在各个波段的光谱加权和计算，计算公式如下，

s₂＝W_BG_B+W_GG_G+W_RG_R+W_NIRG_NIR

专题特征第三分量s₃，由像素在绿光波段与近红外波段的光谱差值计算，计算公式如下

s₃＝W_GG_G-W_NIRG_NIR

专题特征第四分量s₄，由像素在红光波段与绿光波段的光谱差值计算，计算公式如下，

s₄＝W_RG_R-W_GG_G

其中，G_B、G_G、G_R、G_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的光谱值，W_B、W_G、W_R、W_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的权值；

步骤2，以步骤1所得训练样本的特征和相应类别训练分量分类器，然后采用训练后的分量分类器对步骤1所得待识别样本的特征进行分类；所述分量分类器包括RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器，具体包括以下操作，

用训练样本的光谱特征训练RBF神经网络分类器，用训练后所得RBF神经网络分类器对待识别样本的光谱特征进行分类，获得RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的纹理特征训练基于核聚类的RBF神经网络分类器，用训练后所得核聚类改进的RBF神经网络分类器对待识别样本的纹理特征进行分类，获得核聚类改进的RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的分形维数特征训练最小距离分类器，用训练后所得最小距离分类器对待识别样本的分形维数特征进行分类，获得最小距离分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的专题特征训练贝叶斯分类器，用训练后所得贝叶斯分类器对待识别样本的专题特征进行分类，获得贝叶斯分类器的测量级输出，根据测量级输出获得抽象级输出；

步骤3，将各分量分类器对待识别样本的测量级输出转化为后验概率向量，设某待识别样本x_j的输出向量d_j＝(d_j1，d_j2，Λ，d_jm)转化成后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，计算公式如下，

$p_{\mathrm{ji}}=p(x_j\∈c_i|x_j)=\frac{1/d_{\mathrm{ji}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}1/d_{\mathrm{ji}}},1\≤i\≤m$

其中，p_ji表示待识别样本x_j属于类别c_i的后验概率，m为类别总数；

步骤4，计算各分量分类器的每个类别的输出端点在每个待识别样本的总权值；设决策融合的分类器集合为R＝{R₁，R₂，R₃，R₄}，其中R₁，R₂，R₃，R₄分别表示RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器；为任一分量分类器R_u，u的取值为1，2，3，4，计算每个待识别样本的总权值包括以下步骤，

步骤4.1，设类别集合为C＝{c₁，c₂，L，c_m}，类别c_i的训练样本集为(1≤i≤m，1≤k≤n_i)，xⁱ _k表示属于类别c_i的第k个训练样本，n_i是属于类别c_i的训练样本总数，通过计算期望值

熵

得到云期望曲面方程f_i(x_k，t)，将任一待识别样本x的云期望曲面方程记为f_i(x)，计算公式如下，

$E_{x,t}^i=\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{k,t}^i$

$E_{n,t}^i=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}|x_{k,t}^i-E_{x,t}^i|$

$f_i\left(x_{k,t}\right)=\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}\frac{{(x_{k,t}-E_{x,t}^i)}^2}{E_{n,t}^i})$

其中，

表示类别c_i第t维的期望和熵，

表示类别c_i第k个训练样本第t维的特征值，x_k，t表示第k个待识别样本的第t维特征值，d为特征维数；期望值

为类别c_i第1，2，...d维的期望组成的向量，熵

为类别c_i第1，2，...d维的熵组成的向量；

步骤4.2，根据步骤1所得云期望曲面方程f_i(x)，得任一待识别样本x对各个类别的隶属度向量(f₁(x)，f₂(x)，Λ，f_m(x))，计算分量分类器R_u在待识别样本x的权值ω_i(x)，记为ω_u，i(x)，计算公式如下，

${\mathrm{\ω}}_i\left(x\right)=1-\frac{1}{1+e^{-\frac{{(x^{\′}-{E_x}^i)}^2}{2k{\mathrm{\σ}}_i{\left(x\right)}^2}}}$

${\mathrm{\σ}}_i\left(x\right)=\frac{1}{m-1}\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(f_i\left(x\right)-{\stackrel{\‾}{f}}_i\left(x\right))}^2}$

${\stackrel{\‾}{f}}_i\left(x\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_i\left(x\right)$

其中，e为指数运算函数，k为经验值系数，x′即待识别样本x的像素值，

为步骤4.1所得期望值；

步骤4.3，计算待识别样本x在分量分类器R_u中输出节点c_i的权值w_u，i(x)，u的取值为1，2，3，4；计算公式如下，

w_u，i(x)＝1/d(y^(u)，Y_u)

其中，d()表示两向量的欧式距离，y^(u)表示输入待识别样本x时分量分类器R_u的输出向量，Y_u表示分量分类器R_u的期望输出，其中输出节点c_i的期望输出，为1，其余分量均为0；

步骤4.4，计算待识别样本x在分量分类器R_u中输出节点c_i的总权值W_u，i(x)，计算公式如下，

W_u，i(x)＝ω_u，i(x)×w_u，i(x)

步骤5，将步骤3所得各分量分类器的测量级输出的后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，用步骤4所得各分量分类器在输出节点的总权值W_u，i(x)进行加权平均，得到融合分类器的测量级输出；

步骤6，根据步骤5所得融合分类器的测量级输出，以最大测量值原则作为融合决策规则，得到融合分类器对每个像素的抽象级输出，获得多光谱影像分类结果。

本发明还提供了相应遥感影像分类系统，包括特征提取模块、分量分类器训练模块、分量分类器输出模块、分量分类器自适应权值计算模块和融合分类器输出模块，

所述特征提取模块，用于对多光谱遥感影像提取特征，多光谱遥感影像包括训练样本和待识别样本，训练样本的特征输入到分量分类器训练模块和分量分类器自适应权值计算模块，待识别样本的特征输入到分量分类器输出模块和分量分类器自适应权值计算模块；

所述分量分类器训练模块，用于根据训练样本的特征训练分量分类器，训练后所得分量分类器输入分量分类器输出模块；

所述分量分类器输出模块，用于将待识别样本的特征输入到对应的训练后所得分量分类器，得到各个分量分类器的测量级输出和抽象级输出，测量级输出送入分量分类器自适应权值计算模块，测量级输出转换为后验概率向量并输入融合分类器输出模块；

所述分量分类器自适应权值计算模块，用于根据训练样本的特征、待识别样本的特征和由分量分类器输出模块输入的测量级输出计算各分量分类器对每个待识别样本的权值，并输出到融合分类器输出模块；

所述融合分类器输出模块，用于根据由分量分类器输出模块输入的测量级输出转换的后验概率向量和各分量分类器对每个待识别样本的权值计算融合分类器的测量级输出，根据测量级输出和决策规则计算抽象级输出，得到多光谱影像分类结果。

本发明的优点如下：

1.由于不同分量分类器提供的分类结果之间的互补性越强，融合后分类效果越好，而遥感影像上反映的地物覆盖较为复杂，影像上往往光谱特征占优的区域和纹理特征占优的区域并存、形状规则的人工地物和无规则形状的自然场景并存。为提高不同分类结果之间的互补性，本发明选择了能兼顾不同种类地物的多种特征，如光谱特征、纹理特征、分形维数特征以及专题特征；对于不同特征，选择不同的分类器，如对光谱特征选择RBF神经网络分类器、对纹理特征选择核聚类的RBF神经网络分类器、对分形维数特征选择最小聚离分类器、对专题特征选择贝叶斯分类器。与每个单分类器相比，融合分类器具有更高的分类精度和更好的分类效果。

2.本发明中分量分类器的权值是根据分量分类器对各个样本的分类可信度自适应地设计，而不是以一个对所有样本都固定的权值进行融合决策。自适应权值的确定通过两个过程来实现：首先，综合考虑样本总体分布和样本个体特征，确定分类器对样本的区分性能，以此计算样本在分类器的权值，使每个样本在每个分类器都有一个与之适应的权值。其次，根据分类器输出向量的分布情况，确定分类器对类别的区分性能，以此计算分类器每个输出节点的权值，使每个样本在每个分类器的每个输出节点也有一个与之适应的权值。多分类器自适应权值融合能将样本的总体分布特征和个体特性结合起来，给每个分类器自适应的分配权值，充分发挥了各个分类器性能的优势，其融合分类效果比各个单分类器分类效果有较大的改善。

附图说明

图1是本发明实施例的系统流程图；

图2是本发明实施例的系统结构图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本发明提供的方法可采用计算机软件技术实现自动运行流程。参见图1，本发明实施例提供的多分类器自适应权值融合的影像分类方法，具体实现流程包括以下步骤：

步骤1，提取训练样本和待识别样本的特征，包括光谱特征、纹理特征、分形维数特征和专题特征。训练样本是从多光谱遥感影像中选取的各类别的像素。一般地，需要对待识别的多光谱遥感影像内全部像素进行分类识别，也就是像素级分类。待识别样本是待识别的多光谱遥感影像内全部像素。

提取训练样本和待识别样本的特征实现方式如下，

所述光谱特征是像素在各个波段的光谱值构成的向量；

所述纹理特征是像素在各个波段的纹理特征值构成的向量，所述纹理特征值包括能量Ener、同质度Hom和熵Ent，利用灰度共生矩阵分别提取能量Ener、同质度Hom、熵Ent的计算公式如下，

$\mathrm{Ener}=\underset{a,b}{\mathrm{\Σ}}p{(a,b)}^2$

$\mathrm{Hom}=\underset{a,b}{\mathrm{\Σ}}\frac{p(a,b)}{1+|a-b|}$

$\mathrm{Ent}=-\underset{a,b}{\mathrm{\Σ}}p(a,b)\log \left(p(a,b)\right)$

其中，p(a，b)是灰度a，b的共生概率；

所述分形维数特征采用像素所在窗口影像的盒维数，计算方式是将二维的多光谱遥感影像R×R分割成一系列s×s的网格，对于网格尺寸s取一系列值，计算出对应的N_r以及相应的对数值(log(N_r)，log(1/r))，最小二乘拟合(log(N_r)，log(1/r))之间的斜率，即为所求的盒维数D，计算公式如下，

$D=\underset{r->0}{\lim }[\log \left(N_r\right)/\log (1/r)],$ r＝s/R，n_r(i，j)＝l-k+1， $N_r=\underset{(i,j)}{\mathrm{\Σ}}{n}_r(i,j),$

其中，R是多光谱遥感影像尺寸，k和l是网格(i，j)中的最小值分盒子序号和最大值分盒子序号，n_r(i，j)为网格(i，j)上的盒子数；

所述专题特征由四个分量构成，

专题特征第一分量s₁由像素在近红外波段和红外波段的光谱差与近红外波段和红外波段的光谱和的比值计算，计算公式如下，

$s_1=\frac{G_{\mathrm{NIR}}-G_R}{G_{\mathrm{NIR}}+G_R}$

专题特征第二分量s₂，由像素在各个波段的光谱加权和计算，计算公式如下，

s₂＝W_BG_B+W_GG_G+W_RG_R+W_NIRG_NIR

专题特征第三分量s₃，由像素在绿光波段与近红外波段的光谱差值计算，计算公式如下

s₃＝W_GG_G-W_NIRG_NIR

专题特征第四分量s₄，由像素在红光波段与绿光波段的光谱差值计算，计算公式如下，

s₄＝W_RG_R-W_GG_G

其中，G_B、G_G、G_R、G_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的光谱值，W_B、W_G、W_R、W_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的权值。

步骤2，以步骤1所得训练样本的特征和相应类别训练分量分类器，然后采用训练后的分量分类器对步骤1所得待识别样本的特征进行分类；所述分量分类器包括RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器，具体包括以下操作，

用训练样本的光谱特征训练RBF神经网络分类器，用训练后所得RBF神经网络分类器对待识别样本的光谱特征进行分类，获得RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的纹理特征训练基于核聚类的RBF神经网络分类器，用训练后所得核聚类改进的RBF神经网络分类器对待识别样本的纹理特征进行分类，获得核聚类改进的RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的分形维数特征训练最小距离分类器，用训练后所得最小距离分类器对待识别样本的分形维数特征进行分类，获得最小距离分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的专题特征训练贝叶斯分类器，用训练后所得贝叶斯分类器对待识别样本的专题特征进行分类，获得贝叶斯分类器的测量级输出，根据测量级输出获得抽象级输出。

实施例的具体训练实现说明如下：

利用训练样本的光谱特征训练RBF神经网络分类器，并用训练好的RBF神经网络分类器对影像光谱特征进行分类，获得多光谱影像第1个分类结果，即粒度1分类结果。训练RBF神经网络分类器时，隐含层神经元数量参数由目视解译或预设输入，神经核函数参数由ISODATA算法确定。将待识别样本的光谱特征向量输入到训练好的RBF神经网络分类器，获得其测量级输出并保存为数据文件，根据测量级输出获得其抽象级输出并保存为图像文件。

利用训练样本的纹理特征训练核聚类改进的RBF神经网络分类器，并用训练好的核聚类改进的RBF神经网络分类器对影像纹理特征进行分类，获得多光谱影像第2个分类结果，即粒度2分类结果。训练核聚类改进的RBF神经网络分类器时，隐含层神经元由两个过程获得，首先根据各类样本相似性获得初始隐含层神经元参数，然后用正态核聚类算法进行核聚类调整。将待识别样本的纹理特征向量输入到训练好的核聚类RBF神经网络分类器，获得其测量级输出并保存为数据文件，根据测量级输出获得其抽象级输出并保存为图像文件。

利用训练样本的分形维数特征训练最小距离分类器，将待识别样本的分形维数特征向量输入到训练好的最小距离分类器，获得其测量级输出并保存为数据文件，根据测量级输出获得其抽象级输出并保存为图像文件，获得多光谱影像第3个分类结果，即粒度3分类结果。

利用训练样本的专题特征训练贝叶斯分类器，将待识别样本的专题特征向量输入到训练好的贝叶斯分类器，获得其测量级输出并保存为数据文件，根据测量级输出获得其抽象级输出并保存为图像文件，获得多光谱影像第4个分类结果，即粒度4分类结果。

训练4个分量分类器具体实现为现有技术，可参见钟珞等.模式识别[M].武汉，武汉大学出版社，2006.其中对ISODATA算法、各类样本相似性获得初始隐含层神经元参数、正态核聚类算法等内容都有具体描述。

步骤3，将各分量分类器对待识别样本的测量级输出转化为后验概率向量，设某待识别样本x_j的输出向量d_j＝(d_j1，d_j2，Λ，d_jm)转化成后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，计算公式如下，

$p_{\mathrm{ji}}=p(x_j\∈c_i|x_j)=\frac{1/d_{\mathrm{ji}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}1/d_{\mathrm{ji}}},1\≤i\≤m$

其中，p_ji表示待识别样本x_j属于类别c_i的后验概率，m为类别总数。

本步骤是为实现与其他分类器分类结果的测量级融合，将4个分类器对每个像素的输出向量转化为后验概率向量。

步骤4，计算各分量分类器的每个类别的输出端点在每个待识别样本的总权值；设决策融合的分类器集合为R＝{R₁，R₂，R₃，R₄}，其中R₁，R₂，R₃，R₄分别表示RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器；为任一分量分类器R_u，u的取值为1，2，3，4，计算每个待识别样本的总权值包括以下步骤，

步骤4.1，设类别集合为C＝{c₁，c₂，L，c_m}，类别c_i的训练样本集为

(1≤i≤m，1≤k≤n_i)，xⁱ _k表示属于类别c_i的第k个训练样本，n_i是属于类别c_i的训练样本总数，通过计算期望值

熵

得到云期望曲面方程f_i(x_k，t)，将任一待识别样本x的云期望曲面方程记为f_i(x)，计算公式如下，

$E_{x,t}^i=\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{k,t}^i$

$E_{n,t}^i=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}|x_{k,t}^i-E_{x,t}^i|$

$f_i\left(x_{k,t}\right)=\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}\frac{{(x_{k,t}-E_{x,t}^i)}^2}{E_{n,t}^i})$

其中，

表示类别c_i第t维的期望和熵，

表示类别c_i第k个训练样本第t维的特征值，x_k，t表示第k个待识别样本的第t维特征值，d为特征维数(参见步骤1中各特征的种类)；期望值

为类别c_i第1，2，...d维的期望组成的向量，熵

为类别c_i第1，2，...d维的熵组成的向量。

由于正态分布具有普适性，可参照文献“李德毅，杜鹢.不确定性人工智能[M].北京：国防工业出版社，2005”中的正态云模型来表示类C_i的整体分布。

步骤4.2，根据步骤1所得云期望曲面方程f_i(x)，得任一待识别样本x对各个类别的隶属度向量(f₁(x)，f₂(x)，Λ，f_m(x))，计算分量分类器R_u在待识别样本x的权值ω_i(x)，记为ω_u，i(x)，计算公式如下，

${\mathrm{\ω}}_i\left(x\right)=1-\frac{1}{1+e^{-\frac{{(x^{\′}-{E_x}^i)}^2}{2k{\mathrm{\σ}}_i{\left(x\right)}^2}}}$

${\mathrm{\σ}}_i\left(x\right)=\frac{1}{m-1}\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(f_i\left(x\right)-{\stackrel{\‾}{f}}_i\left(x\right))}^2}$

${\stackrel{\‾}{f}}_i\left(x\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_i\left(x\right)$

其中，e为指数运算函数，k为经验值系数，x′即待识别样本x的像素值，为步骤4.1所得期望值；

步骤4.3，计算待识别样本x在分量分类器R_u中输出节点c_i的权值w_u，i(x)，u的取值为1，2，3，4；计算公式如下，

w_u，i(x)＝1/d(y^(u)，Y_u)

其中，d()表示两向量的欧式距离，y^(u)表示输入待识别样本x时分量分类器R_u的输出向量，Y_u表示分量分类器R_u的期望输出，其中输出节点c_i的期望输出，为1，其余分量均为0；

步骤4.4，计算待识别样本x在分量分类器R_u中输出节点c_i的总权值W_u，i(x)，计算公式如下，

W_u，i(x)＝ω_u，i(x)×w_u，i(x)°

步骤5，将步骤3所得各分量分类器的测量级输出的后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，用步骤4所得各分量分类器在输出节点的总权值W_u，i(x)进行加权平均，得到融合分类器的测量级输出。

步骤6，根据步骤5所得融合分类器的测量级输出，以最大测量值原则作为融合决策规则，得到融合分类器对每个像素的抽象级输出，获得待识别的多光谱遥感影像像素级分类结果。

参照图2，本发明方法可采用硬件方式实现为遥感影像分类系统，实施例的系统包括特征提取模块、分量分类器训练模块、分量分类器输出模块、分量分类器自适应权值计算模块、融合分类器输出模块，特征提取模块与分量分类器训练模块、分量分类器输出模块、分量分类器自适应权值计算模块分别连接，分量分类器训练模块与分量分类器输出模块连接，分量分类器输出模块与分量分类器自适应权值计算模块连接，分量分类器输出模块、分量分类器自适应权值计算模块分别连接融合分类器输出模块。

特征提取模块：用于对多光谱遥感影像提取特征，多光谱遥感影像包括训练样本和待识别样本，训练样本的特征输入到分量分类器训练模块和分量分类器自适应权值计算模块，待识别样本的特征输入到分量分类器输出模块和分量分类器自适应权值计算模块。提取的特征包括光谱特征、纹理特征、分形维数特征以及专题特征等。光谱特征向量由像素在各个波段的光谱值构成。纹理特征向量由各个像素在各个波段的纹理特征值构成，利用灰度共生矩阵分别提取同质度、熵和能量作为纹理特征，分形维数特征采用盒维数进行计算。专题特征由四个分量构成：专题特征第一个分量是归一化植被指数，反映了绿色生物量的特征，由近红外波段和红波段的差与近红外波段和红外波段的和的比值计算；专题特征第二个分量，由各个波段的加权和计算，反映了总体的反射值；专题特征第三个分量，由绿光与近红外的差值计算；专题特征第四个分量，由红光与绿光的差值计算。

分量分类器训练模块：用于根据训练样本的特征训练分量分类器，训练后所得分量分类器输入分量分类器输出模块。各个分量分类器采用相同训练样本集训练。其中：利用训练样本集的光谱特征训练RBF神经网络分类器，其隐含层神经元用ISODATA算法确定；用训练样本集的纹理特征训练核聚类改进的RBF神经网络分类器，其隐含层神经元用正态核聚类算法确定；利用训练样本集的分形维数特征训练最小距离分类器；利用训练样本集的专题特征训练贝叶斯分类器。

分量分类器输出模块：用于将待识别样本的特征输入到对应的训练后所得分量分类器，得到各个分量分类器的测量级输出和抽象级输出，测量级输出送入分量分类器自适应权值计算模块，测量级输出转换为后验概率向量并输入融合分类器输出模块。分别提取待识别样本的光谱特征向量、纹理特征向量、分形维数特征向量、专题特征向量，输出到对应的RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器，得到各个分量分类器的测量级输出和抽象级输出，并将测量级输出保存为数据文件、将抽象级输出保存为图像文件。

分量分类器自适应权值计算模块：用于根据训练样本的特征、待识别样本的特征和由分量分类器输出模块输入的测量级输出计算各分量分类器对每个待识别样本的权值，并输出到融合分类器输出模块。根据本发明的自适应权值计算方法确定分类器权值，使每个样本在每个分类器的每个输出节点都有一个与之适应的权值，并将全部像素的权值向量存储为数据文件。

融合分类器输出模块：用于根据由分量分类器输出模块输入的测量级输出的后验概率向量和各分量分类器对每个待识别样本的权值计算融合分类器的测量级输出，根据测量级输出和决策规则计算抽象级输出，得到多光谱影像分类结果。将分量分类器输出模块保存的每个分量分类器的测量级输出数据文件中的输出测量值用分量分类器自适应权值计算模块保存的每个分量分类器的权值数据文件中的权值加权平均，得到融合分类器的测量级输出，根据最大测量值原则确定其抽象级输出，得到最终的分类图。

为便于了解本发明的效果起见，提供以下实验说明：

实验数据为美国QuickBird卫星于2005年7月拍摄的武汉地区影像，从中截取一部分作为试验区，大小为1181×1181像素.其中，3个可见光波段和1个近红外波段分辨率为2.44米，按4、3、2波段伪彩色显示，1个全色波段分辨率为0.61米。在分类前，将3个可见光波段和1个近红外波段运用融合算法将像素地面尺寸调整为0.61米，以方便和全色波段对应起来。经过人工目视判读，本实验的影像分类体系确定为：立交桥(Classl)、绿化林(Class2)、建筑物(Class3)、居民区房屋(Class4)、道路(Class5)、空地(Class6)、阴影(Class7)、河流(Class8)。

利用RBF神经网络分类器对影像光谱特征进行分类，获得多光谱影像的分类结果1；利用核聚类改进的RBF神经网络分类器对影像纹理特征进行分类，获得多光谱影像的分类结果2；利用最小距离分类器对影像分形维数特征进行分类，获得多光谱影像的分类结果3；利用贝叶斯分类器对影像专题特征进行分类，获得多光谱影像的分类结果4；利用本发明的多分类器自适应权值融合方法，获得多光谱影像最终的分类结果。参见下表：

可见，本发明的基于多分类器自适应权值融合的遥感影像分类方法，能综合考虑样本总体分布和样本个体特性，为每个样本在每个分类器的每个输出节点都分配一个与之相适应的权值，有效地提高融合分类结果的精度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种多分类器自适应权值融合的影像分类方法，其特征在于，包括以下步骤：

步骤1，提取训练样本和待识别样本的特征，包括光谱特征、纹理特征、分形维数特征和专题特征；训练样本是从多光谱遥感影像中选取的各类别的像素，待识别样本是待识别的多光谱遥感影像内像素；提取训练样本和待识别样本的特征实现方式如下，

所述光谱特征是像素在各个波段的光谱值构成的向量；

所述纹理特征是像素在各个波段的纹理特征值构成的向量，所述纹理特征值包括能量Ener、同质度Hom和熵Ent，利用灰度共生矩阵分别提取能量Ener、同质度Hom、熵Ent的计算公式如下，

$\mathrm{Ener}=\underset{a,b}{\mathrm{\Σ}}{p(a,b)}^2$

$\mathrm{Hom}=\underset{a,b}{\mathrm{\Σ}}\frac{p(a,b)}{1+|a-b|}$

$\mathrm{Ent}=-\underset{a,b}{\mathrm{\Σ}}p(a,b)\log \left(p(a,b)\right)$

其中，p(a,b)是灰度a,b的共生概率；

所述分形维数特征采用像素所在窗口影像的盒维数，计算方式是将二维的多光谱遥感影像R×R分割成一系列s×s的网格，对于网格尺寸s取一系列值，计算出对应的Nr以及相应的对数值(log(Nr),log(1/r))，最小二乘拟合(log(Nr),log(1/r))之间的斜率，即为所求的盒维数D，计算公式如下，

$D=\underset{r->}{\lim }\[\log \left(N_r\right)/\log (1/r)\],r=s/\mathrm{\τ},n_r(i,j)=l-z+1,N_r=\underset{(i,j)}{\mathrm{\Σ}}{n}_r(i,j),$

其中，τ是多光谱遥感影像尺寸，z和l是网格(i,j)中的最小值分盒子序号和最大值分盒子序号，nr(i,j)为网格(i,j)上的盒子数；

所述专题特征由四个分量构成，

专题特征第一分量s₁由像素在近红外波段和红外波段的光谱差与近红外波段和红外波段的光谱和的比值计算，计算公式如下，

$s_1=\frac{G_{\mathrm{NIR}}-G_R}{G_{\mathrm{NIR}}+G_R}$

专题特征第二分量s₂，由像素在各个波段的光谱加权和计算，计算公式如下，

s₂＝W_BG_B+W_GG_G+W_RG_R+W_NIRG_NIR

专题特征第三分量s₃，由像素在绿光波段与近红外波段的光谱差值计算，计算公式如下

s₃＝W_GG_G-W_NIRG_NIR

专题特征第四分量s₄，由像素在红光波段与绿光波段的光谱差值计算，计算公式如下，

s₄＝W_RG_R-W_GG_G

其中，G_B、G_G、G_R、G_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的光谱值，W_B、W_G、W_R、W_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的权值；

步骤2，以步骤1所得训练样本的特征和相应类别训练分量分类器，然后采用训练后的分量分类器对步骤1所得待识别样本的特征进行分类；所述分量分类器包括RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器，具体包括以下操作，

用训练样本的光谱特征训练RBF神经网络分类器，用训练后所得RBF神经网络分类器对待识别样本的光谱特征进行分类，获得RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的纹理特征训练基于核聚类的RBF神经网络分类器，用训练后所得核聚类改进的RBF神经网络分类器对待识别样本的纹理特征进行分类，获得核聚类改进的RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的分形维数特征训练最小距离分类器，用训练后所得最小距离分类器对待识别样本的分形维数特征进行分类，获得最小距离分类器的测量级输出，根据测量级输出获得抽象级输出；

用训练样本的专题特征训练贝叶斯分类器，用训练后所得贝叶斯分类器对待识别样本的专题特征进行分类，获得贝叶斯分类器的测量级输出，根据测量级输出获得抽象级输出；

步骤3，将各分量分类器对待识别样本的测量级输出转化为后验概率向量，设某待识别样本x_j的输出向量d_j＝(d_j1,d_j2,…,d_jm)转化成后验概率向量p_j＝(p_j1,p_j2,…,p_jm)，计算公式如下，

$p_{\mathrm{ji}}=p(x_j\∈c_i|x_j)=\frac{{1/d}_{\mathrm{ji}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{1/d}_{\mathrm{ji}}}$

其中，p_ji表示待识别样本x_j属于类别c_i的后验概率，m为类别总数；

步骤4，计算各分量分类器的每个类别的输出端点在每个待识别样本的总权值；设决策融合的分类器集合为R={R₁，R₂，R₃，R₄}，其中R₁，R₂，R₃，R₄分别表示RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器；为任一分量分类器R_u，u的取值为1,2,3,4，计算每个待识别样本的总权值包括以下步骤，

步骤4.1，设类别集合为C={c₁，c₂，…，c_m}，类别c_i的训练样本集为(1≤i≤m,1≤k≤n_i)，xⁱ _k表示属于类别c_i的第k个训练样本，n_i是属于类别c_i的训练样本总数，通过计算期望值

、熵

得到云期望曲面方程f_i(x_k,t)，将任一待识别样本x的云期望曲面方程记为f_i(x)，计算公式如下，

$E_{x,t}^i=\frac{1}{n_1}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{k,t}^i$

$E_{n,t}^i=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}|x_{k,t}^i-E_{x,t}^i|$

$f_i\left(x_{k,t}\right)=\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}\frac{{(x_{k,t}-E_{x,t}^i)}^2}{E_{n,t}^i})$

其中，表示类别ci第t维的期望和熵，

表示类别c_i第k个训练样本第t维的特征值，x_k,t表示第k个待识别样本的第t维特征值，d为特征维数；期望值

为类别c_i第1,2,…d维的期望组成的向量，熵

为类别c_i第1,2,...d维的熵组成的向量；

步骤4.2，根据步骤4.1所得云期望曲面方程f_i(x)，得任一待识别样本x对各个类别的隶属度向量(f₁(x),f₂(x),…,f_m(x))，计算分量分类器R_u在待识别样本x的权值ω_i(x)，记为ω_u,i(x)，计算公式如下，

${\mathrm{\ω}}_i\left(x\right)=1-\frac{1}{{1+e}^{-\frac{{(x^{\′}-E_x^i)}^2}{2\stackrel{-}{k}{\mathrm{\σ}}_i{\left(x\right)}^2}}}$

${\mathrm{\σ}}_i\left(x\right)=\frac{1}{m-1}\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}}{(f_i\left(x\right)-{\stackrel{-}{f}}_i\left(x\right))}^2$

${\stackrel{-}{f}}_i\left(x\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_i\left(x\right)$

其中，e为指数运算函数，

为经验值系数，x'即待识别样本x的像素值，

为步骤4.1所得期望值；

步骤4.3，计算待识别样本x在分量分类器R_u中输出节点c_i的权值w_u,i(x)，u的取值为1,2,3,4；计算公式如下，

w_u,i(x)＝1/d(y^(u),Y_u)

其中，d()表示两向量的欧式距离，y^(u)表示输入待识别样本x时分量分类器R_u的输出向量，Y_u表示分量分类器R_u的期望输出，其中输出节点c_i的期望输出为1，其余分量均为0；

步骤4.4，计算待识别样本x在分量分类器R_u中输出节点c_i的总权值W_u,i(x)，计算公式如下，

W_u,i(x)=ω_u,i(x)×w_u,i(x)

步骤5，将步骤3所得各分量分类器的测量级输出的后验概率向量p_j＝(p_j1,p_j2,…,p_jm)，用步骤4所得各分量分类器在输出节点的总权值W_u,i(x)进行加权平均，得到融合分类器的测量级输出；

步骤6，根据步骤5所得融合分类器的测量级输出，以最大测量值原则作为融合决策规则，得到融合分类器对每个像素的抽象级输出，获得多光谱影像分类结果。

2.用于实现权利要求1所述多分类器自适应权值融合的影像分类方法的遥感影像分类系统，其特征在于：包括特征提取模块、分量分类器训练模块、分量分类器输出模块、分量分类器自适应权值计算模块和融合分类器输出模块，

所述特征提取模块，用于对多光谱遥感影像提取特征，多光谱遥感影像包括训练样本和待识别样本，训练样本的特征输入到分量分类器训练模块和分量分类器自适应权值计算模块，待识别样本的特征输入到分量分类器输出模块和分量分类器自适应权值计算模块；

所述分量分类器训练模块，用于根据训练样本的特征训练分量分类器，训练后所得分量分类器输入分量分类器输出模块；

所述分量分类器输出模块，用于将待识别样本的特征输入到对应的训练后所得分量分类器，得到各个分量分类器的测量级输出和抽象级输出，测量级输出送入分量分类器自适应权值计算模块，测量级输出转换为后验概率向量并输入融合分类器输出模块；

所述分量分类器自适应权值计算模块，用于根据训练样本的特征、待识别样本的特征和由分量分类器输出模块输入的测量级输出计算各分量分类器对每个待识别样本的权值，并输出到融合分类器输出模块；

所述融合分类器输出模块，用于根据由分量分类器输出模块输入的测量级输出转换的后验概率向量和各分量分类器对每个待识别样本的权值计算融合分类器的测量级输出，根据测量级输出和决策规则计算抽象级输出，得到多光谱影像分类结果。

Images