CN103489005B - 一种基于多分类器融合的高分辨率遥感影像分类方法 - Google Patents

Abstract

本发明公开一种基于多分类器融合的高分辨率遥感影像分类方法，包括下述步骤：首先，在感兴趣区域选取训练样本集；其次，利用多个分类器分别对遥感影像进行分类；然后，将地物类别分类精度低于阈值a的区域采用基于先验知识的投票法再次进行分类；最后，将地物类别分类精度低于阈值b的区域运用模糊决策样板法进行分类，最终得到目标影像的分类结果。本发明最大限度地集中单分类器的优势，抑制单分类器的劣势，降低“同物异谱”、“同谱异物”对分类精度的影响，提高了高分辨率遥感影像分类精度。

Description

一种基于多分类器融合的高分辨率遥感影像分类方法

技术领域

本发明涉及一种基于多分类器融合的高分辨率遥感影像分类方法，特别是一种基于多层次控制的多分类器融合的高分辨率遥感影像分类方法，属于感影像处理技术领域。

背景技术

遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。

相比于中低分辨率遥感影像，高分辨率遥感影像能够更加清楚地表达地物目标的空间结构与表层纹理特征，可分辨出地物内容更为精细的组成，地物边缘信息也更加清晰，为有效的解义分析提供了条件和基础。高分辨率遥感影像存在以上优势，但是也面临一些挑战。高分辨率遥感影像数据量大，空间分辨率高，单幅影像的数据量就显著增加。细节复杂，由于高分辨率遥感影像信息的高度细节化，在双向反射率因子（BRDF）等影响下，造成同一地物的不同部分灰度可能不一致；加之地物阴影、相互遮盖、云层遮盖等因素，高分辨率遥感影像的“同物异谱”现象更为突出，“同谱异物”现象依旧存在，这为信息提取工作带来了很大困难。

当前，遥感影像的分类问题已经成为一个非常活跃的研究方向。在目前的遥感分类应用中，用得较多的是传统的模式识别分类方法，诸如最小距离法、平行六面体法、最大似然法、支持向量机法、等混合距离法（ISOMIX）、循环集群法（ISODATA）等监督非监督分类法。针对遥感应用技术的飞速发展，P.V BaIstad研究了利用神经网络进行遥感影像分类，章杨清等探讨了利用分维向量改进神经网络在遥感模式识别中的分类精度问题，M.A.Fried和C.E.BrodIey研究了大量适用于遥感影像分类的决策树结构。

传统的遥感影像计算机分类方法是根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的，其分类精度往往不甚理想。同时，由于地物类型分布方式本身的复杂性，仅利用单一分类规则对影像进行分类，而不考虑空间位置、色调特征等构成影像的多种因素也是造成传统分类方法不理想的原因。加上卫星遥感影像数据分辨率的提高，同一地物的不同部分灰度可能不一致，遥感影像的“同物异谱”现象更为突出，“同谱异物”现象依旧存在，这为信息提取工作带来了很大困难。

对于高分辨率的遥感图像，尽管各种分类器分类性能有所差异，而且针对某一种类的分类精度不尽相同，但被不同分类器错分的样本并非重叠的，即对于某个分类器错分的样本，运用其他分类器有可能得到正确的分类结果。这表明，不同分类器之间存在着分类模式的互补。如何对这些互补信息加以利用，多分类器组合分类思想就是在这种条件下被提出来的。Leland等人在利用雷达影像进行土地覆盖的分类时，将专家系统分类法和ISODATA法结合，取得了较好的分类结果；柏延臣等利用不限定票数闭值的多数投票法分类器组合进行了相同和不同特征集训练遥感图像分类研究，结果发现，多分类器结合后总体分类精度高于单个分类器；Warrender和Augustihn使用贝叶斯技术将最大似然法和神经网络法结合进行遥感影像分类组合，结果表明组合后分类精度得到了提高；Debeir等在对比利时西部地区的遥感影像土地利用/覆盖分类时，比较了自举与特征子集混合分类器(amixture of bagging and feature subset classifier,BAGFS)和两个单分类器(最近邻法和决策树法)的分类结果，结果显示BAGFS组合分类器可以一定程度上提高分类精度。

多分类器融合算法进行遥感图像分类虽然对分类精度有所提升，但是由于地面地物复杂多样、数据选择不同、影像处理和分类器算法各异等相关因素的影响致使当前遥感影像分类的效果不是十分理想。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于多分类器融合的高分辨率遥感影像分类方法，该方法采用了结合投票规则、先验规则、模糊积分融合规则的多分类器组合规则，利用模糊积分融合算法解决单一分类器的疑难类别区分问题，对于无法正确学习的类别样本，能够集中学习，将学习的结果输出。最大限度的减少单分类器数量和数据冗余，降低“同物异谱”、“同谱异物”对分类精度的影响，提高了高分辨率遥感影像分类精度。

技术方案：一种基于多分类器融合的高分辨率遥感影像分类方法，包括以下步骤：

步骤1数据准备

选取需要进行分类的一幅高分辨率遥感影像数据I。

步骤2训练样本的采集

为了保证监督分类结果的精度，选取感兴趣区域(Region Of Interest，ROI)训练样本有两个标准：一是训练样本的数量要足够多，一般情况下，每类至少要有10～100个训练样本数据；二是训练样本应具有代表性，避免集中在某个局部位置上。

步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类

最大似然法是基于Bayes分类准则的应用最为广泛的监督分类方法。主要依据光谱性质的相似和属于某类的概率，如果某一类别的概率最大，则将像元定义这一类别。

人工神经网络分类以其强大的非线性映射能力、自组织、自学习等特性受到人们的欢迎。神经网络模型模拟生物体神经元和神经脉络处理信息的过程，涵盖信息的获取、提取、解译、存储和检索等功能。它分散地存储信息，对信息并行处理，具有自学习、自组织等优良特点.神经网络的运行包括训练或学习阶段和预测（应用）阶段。

支持向量机是一种基于统计学机器学习方法。对于非线性分类问题，常见的核函数有多项式、RBF、Sigmoid函数等。将SVM有效地推广到多类，将多类分类问题逐步转化为两类分类问题，即用多个BSVM组成的多类分类器——1-v-r分类器、1-v-1分类器和多级BSVM分类器。本文选用核函数为RBF，进行1-v-r分类。

步骤4基于先验知识的投票法分类器组合遥感分类

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，则将此类别分类像元作为最终的分类结果。若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果。

不符合标准a的剩余分类像元输入到基于先验知识投票法中计算票数，如果某类别的票数比例符合标准b，则将该分类像元为最终的分类结果。

步骤5模糊积分法分类

剩余像元值运用模糊决策样板法进行分类。

本发明与现有的技术相比具有以下优点：

1.本发明通过多层次控制的多分类器融合算法，首先运用单个分类器对遥感影像进行分类，再进行精度降序排列，分类出部分像元，减少之后分类方法的工作量。

2.本发明通过多层次控制的多分类器融合算法整合了基于先验知识的投票法和模糊积分等较为成熟的理论算法，能够获取更高的总体分类精度和更加稳定的各类别分类精度。

3.本发明多层次控制的设计算法能够最大限度地集中单分类器的优势，抑制单分类器的劣势，高效地整合了联级和并级多分类器融合算法在有争议类别判断上的优点。

附图说明

图1为本发明实施例的方法实现流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，基于多分类器融合的高分辨率遥感影像分类方法，包括以下步骤：

步骤1数据准备

选取需要分类的一幅高分辨率遥感影像数据。

步骤2训练样本的采集

为了保证监督分类结果的精度，选取感兴趣区域训练样本有两个标准：一是训练样本的数量要足够多，一般情况下，每类至少要有10～100个训练样本数据；二是训练样本应具有代表性，避免集中在某个局部位置上。

分析图像，定义N类地物样本，分别为C1,C2, … CN。

采用ENVI4.8软件对目标数据进行训练样本的采集。具体操作步骤为：（1）打开目标影像文件并分析图像。（2）应用ROI Tools创建感兴趣区域：从主图像窗口中，选择Overlay->Region of Interest，打开ROI Tools对话框。选择ROI_Type->Polygon,在Window中选择Image，在主图像窗口中绘制多边形感兴趣区域。在ROI Tool对话框中，单击New Region按钮，新建一个训练样本种类，重复以上步骤。(3)评价训练样本：在ROI Tools对话框中选择Options->Compute ROI Separability。在文件选择对话框时，选择输入TM图像文件。在ROISeparability Calculation对话框中，单击Select All Items按钮，选择所有ROI用于可分离性计算。在ROI Tools对话框中，选择File->Save ROI，将所有训练样本保存。

步骤3利用ML、NN和SVM分类器三个分类器分别对图像I进行分类

图像数据经过前期预处理，选取ROI样本进行子分类器的训练，然后利用子分类器单独进行影像分类。

基于ENVI4.8中提供的分类模块，分别采用最大似然法，神经网络法和支持向量机法对研究区遥感影像进行分类。实验中采用相同的特征训练数据，各方法的参数设置根据多次实验综合确定，选取结果较优的参数。

最大似然法分类具体操作步骤为：（1）在主菜单中，选择Classification->Supervised->Likelihood Classification，选择TM分类图像，单击OK打开LikelihoodClassification参数设置对话框。（2）Select Classes from Region，单击Select AllItems按钮，选择全部的训练样本。（3）Set Probability Threshold:设置似然度的阈值。（4）Date Scale Factor输入一个数据比例系数。（5）单击Preview可以预览分类结果。

神经网络法分类具体步骤：（1）主菜单中选择Classification->Supervised->Neural Net Classification，选择TM分类图像，单击OK打开Neural Net Classification参数设置对话框。(2)Select Classes from Regions:单击Select All Items按钮，选择全部的训练样本。（3）参数设置。（4）单击OK按钮执行分类。

支持向量机法分类具体步骤：（1）在主菜单中，选择Classification->Supervised->Support Vector Machine Classification,选择TM分类图像，单击OK打开Support Vector Machine Classification参数设置对话框。(2)Kernel Type下拉列表中选择Radial Basis Function。(3)参数设置。（4）单击OK按钮执行分类。

计算上述单分类器的误差矩阵，并统计每个单分类器的总体精度、生产者精度、用户精度和Kappa系数等。

步骤4基于先验知识的投票法分类器组合遥感分类

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，则将此类别分类像元作为最终的分类结果。若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果。

提取不符合标准a的剩余分类像元输入到加权投票法中计算票数。

在获取单分类器分类结果和性能的基础上，采用基于先验知识的投票法进行研究区遥感影像分类。采用各分类器的用户精度作为投票加权值，最后使用多数投票法对各分类器的分类输出结果进行组合决策，取不符合标准a的剩余分类像元，利用基于先验知识的投票法组合分类，即在进行组合分类之前,对能够反映遥感图像的统计分布的测试样本集进行分类,得到各个分类器在样本集上的分类性能信息——即混淆矩阵，确定用户精度投票加权值，最后使用多数投票法对各分类器的输出结果进行组合决策。混淆矩阵为：

式中，为将e_k类中的样本识别成C_i的数量。若i＝j则为正确识别的数量；若i≠j，则为将e_k类中的样本错误识别为C_j类的数量。对e_k而言，类别C_j的用户精度p_k(X∈C_j)即为分类器对输入X识别结果为e_k＝j的情况下，X实际为类别C_j的概率，

基于先验知识的投票法组合规则：

其中，对于某一输入X，T_k(X∈C_j)为类别C_j在分类器e_k分类输出中得到的票数，即若输出类别为j，则对类别C_j投出的票数不再为一票，而为该类别的用户精度值p_k(X∈C_j)。

进行分类器结合分类时，决定票数阈值的参数的选取对分类精度有很大影响。越大，分类精度越高，但同时分类的拒绝率也越高，即更多的像元被判别为未知像元；越小，分类精度降低，但分类拒绝率也会降低，即有更多的像元被识别。本研究中为便于进行结果比较，在投票决策过程中采用相对多数投票规则，即设定为无限小的正值，只要某一类别获得的票数超过其他所有类别，即可被采纳为组合决策的输出类别。组合规则的表示形式：

步骤5模糊积分法分类

运用模糊决策样板法对剩余像元进行分类。

设Ω为特征空间（或样本空间），C＝{C₁,C₂,…CL}是L个分类器，w₁,w₁,…,w_c表示c个目标类别，用C_i(x)＝[d_i1(x),…,d_ic(x)]表示第i个分类器C_i的输出，d_ij(x)∈[0,1]。对于给定的样本x,x∈Ω，定义分类器的联合决策剖面的矩阵为：

其中，第i行的元素组成的向量是分类器Ci的输出向量。设训练集为Z＝{z₁,z₂,…z_N}，类别w_j，j＝1,2,…c的决策样板是一个L×c矩阵，记为DT_j它的每个元素f_j(t,s),(t＝1,2,…,L;s＝1,2,…,c)由下式确定：

Ind(z_k,j),(k＝1,2,…，,N)是一个指示函数，当样本z_k属于C_j类时，Ind(z_k,j)＝1，否则Ind(z_k,j)＝0这样，C_j类的决策样板就是关于训练集中属于C_j类的样本的平均决策剖面。当x是一个未知样本时，经C₁,C₂…C_L的识别后得到x的决策剖面矩阵，再通过计算DP(x)和C_j类的决策样本的相似度，给出对该样本属于C_j类的支持程度u_j(x)，j＝1,2,…,c，最后取最大的u_j(x)所对应的的类别作为该样本的识别结果。用决策模板融合的流程：

相似性度量的方法：

其中A,B是论域U＝{u₁,u₂,…,u_n}上的模糊集，||·||是相对势，

集合的交和并的隶属度分别等于对应隶属度的取小和取大，集合A的补集上的隶属度为u_A-(u_i)＝1-u_A(u_i),u_i∈U。并且，如果两个相似性度量总可以导致相同的融合结果，就认为它们在这个意义上是等价的。

实验影像中所有的像元都得到了分类，最后，将包含3种组合分类结果保存，得到的结果就是通过多分类器融合后的分类结果图。

Claims (1)

1.一种基于多分类器融合的高分辨率遥感影像分类方法，其特征在于，包括下述步骤：

步骤1 数据准备

选取需要进行分类的一幅高分辨率遥感影像数据图像I；

步骤2 训练样本的采集

选取感兴趣区域训练样本有两个标准：一是训练样本的数量要足够多，每类至少要有10～100个训练样本数据；二是训练样本避免集中在某个局部位置；

步骤3 利用ML、NN和SVM分类器三个分类器分别对图像I进行分类

图像I数据经过前期预处理，选取ROI样本进行子分类器的训练，然后利用子分类器单独进行影像分类；

步骤4 基于先验知识的投票法分类器组合遥感分类

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，阈值a设定为85％，则将此类别分类像元作为最终的分类结果；若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果；

不符合标准a的剩余分类像元输入到基于先验知识投票法中计算票数，如果某类别的票数比例符合标准b，阈值b设定为90％，则将该分类像元为最终的分类结果；

步骤5 模糊积分法分类

对剩余像元值运用模糊决策样板法进行分类；

所述步骤4包括如下步骤：

读取先期获取的单分类器先验参数信息，如果某单分类器的某类别的生产精度和用户精度的均值符合标准a，则将此类别分类像元作为最终的分类结果；若有两个或两个以上的单分类器标准a，则按照用户精度和生产精度均值从大到小排序，取排序首位的单分类器的分类像元作为最终结果；

采用各分类器的用户精度作为投票加权值，最后使用多数投票法对各分类器的分类输出结果进行组合决策，取不符合标准a的剩余分类像元，利用基于先验知识的投票法组合分类，即在进行组合分类之前，对能够反映遥感图像的统计分布的测试样本集进行分类，得到各个分类器在样本集上的分类性能信息——即混淆矩阵，确定用户精度投票加权值，最后使用多数投票法对各分类器的输出结果进行组合决策；混淆矩阵为：

式中，为e_k将C_i类中的样本识别成C_j的数量；若i＝j则为正确识别C_i的数量；若i≠j，则为e_k将C_i类中的样本错误识别为C_j类的数量；对e_k而言，类别C_j的用户精度p_k(X∈C_j)即为分类器对输入X识别结果为e_k＝j的情况下，X实际为类别C_j的概率，

$p_k(X\∈C_j)=\frac{n_{jj}^k}{\underset{i=1}{\overset{M+1}{\Σ}}{n}_{ij}^k}---\left(2\right)$

基于先验知识的投票法组合规则：

其中，对于某一输入X，T_k(X∈C_j)为类别C_j在分类器e_k分类输出中得到的票数，即若输出类别为j，则对类别C_j投出的票数不再为一票，而为该类别的用户精度值p_k(X∈C_j)；

进行分类器结合分类时，决定票数阈值的参数β的选取对分类精度有很大影响；β越大,分类精度越高，但同时分类的拒绝率也越高，即更多的像元被判别为未知像元；β越小，分类精度降低，但分类拒绝率也会降低，即有更多的像元被识别；为便于进行结果比较，在投票决策过程中采用相对多数投票规则，即设定β为无限小的正值，只要某一类别获得的票数超过其他所有类别，即可被采纳为组合决策的输出类别；组合规则的表示形式：

所述步骤5包括如下步骤：

设Ω为特征空间，C＝{C₁,C₂,...C_L}是L个分类器，w₁,w₁,…,w_c表示c个目标类别，用C_i(x)＝[d_i1(x),...,d_ic(x)]表示第i个分类器C_i的输出，d_ij(x)∈[0,1]；对于给定的样本x,x∈Ω，定义分类器的联合决策剖面的矩阵为：

$DP\left(x\right)=\left[\begin{array}{ccccc}{d}_{11}\left(x\right)& ...& d_{1j}\left(x\right)& ...& d_{1c}\left(x\right)\\ & ...& & ...& \\ d_{i1}\left(x\right)& ...& d_{ij}\left(x\right)& ...& d_{ic}\left(x\right)\\ & ...& & ...& \\ d_{L1}\left(x\right)& ...& d_{Lj}\left(x\right)& ...& d_{Lc}\left(x\right)\end{array}\right]---\left(5\right)$

其中，第i行的元素组成的向量是分类器C_i的输出向量；设训练集为Z＝{z₁,z₂,…z_N}，类别w_j，j＝1,2,...c的决策样板是一个L×c矩阵，记为DT_j它的每个元素f_j(t,s),(t＝1,2,...,L；s＝1,2,...,c)由下式确定：

$f_j\left(t,s\right)=\frac{{\mathrm{\Σ}}_{k=1}^{N}Ind\left(z_k,j\right)d_{ts}\left(z_k\right)}{{\mathrm{\Σ}}_{k=1}^{N}Ind\left(z_k,j\right)}---\left(6\right)$

Ind(z_k,j),(k＝1,2,...,N)是一个指示函数，当样本z_k属于C_j类时，Ind(z_k,j)＝1，否则Ind(z_k,j)＝0这样，C_j类的决策样板就是关于训练集中属于C_j类的样本的平均决策剖面；当x是一个未知样本时，经C₁,C₂…C_L的识别后得到x的决策剖面矩阵，再通过计算DP(x)和C_j类的决策样本的相似度，给出对该样本属于C_j类的支持程度u_j(x)，j＝1,2,...,c，最后取最大的u_j(x)所对应的的类别作为该样本的识别结果；用决策模板融合的流程：

相似性度量的方法：

$S(A,B)\≡\frac{\left|\right|A\∩B\left|\right|}{\left|\right|A\∪B\left|\right|}---\left(7\right)$

其中A,B是论域U＝{u₁,u₂,...,u_n}上的模糊集，||·||是相对势，

集合的交和并的隶属度分别等于对应隶属度的取小和取大，集合A的补集上的隶属度为u_A-(u_i)＝1-u_A(u_i),u_i∈U；并且，如果两个相似性度量总可以导致相同的融合结果，就认为它们在这个意义上是等价的。