CN105335761A - 一种基于最近邻的遥感影像单类信息提取方法 - Google Patents
一种基于最近邻的遥感影像单类信息提取方法 Download PDFInfo
- Publication number
- CN105335761A CN105335761A CN201510881202.6A CN201510881202A CN105335761A CN 105335761 A CN105335761 A CN 105335761A CN 201510881202 A CN201510881202 A CN 201510881202A CN 105335761 A CN105335761 A CN 105335761A
- Authority
- CN
- China
- Prior art keywords
- category
- interest
- sensing image
- remote sensing
- arest neighbors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 title abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 25
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于最近邻的遥感影像单类信息提取方法,它涉及遥感影像特定类别提取技术领域。其包括以下步骤:(1)先对遥感影像聚类;(2)确定并选择兴趣类别和非兴趣类别训练样本;(3)采用最近邻方法进行单类分类。本发明基于最近邻方法提取单类信息,由于其不受类别划分的影响,从而可以将分类过程简化为二类问题,而且可以保证分类精度。
Description
技术领域
本发明涉及的是遥感影像特定类别提取技术领域,具体涉及一种基于最近邻的遥感影像单类信息提取方法。
背景技术
影像分类是遥感科学与技术最重要的应用之一,影像分类的结果用于产生地物类别专题图。在有些应用中,人们只对影像中的某一个类别感兴趣,例如植被、水田、水体、岩矿、湿地提取等,这些都是单类信息提取问题。单类信息提取问题中,待提取的类别称为兴趣类别,其他的类别统称为非兴趣类别。遥感影像单类信息提取可以通过多类分类器或者单分类器来实现。采用多类分类器提取单类信息,将影像数据划分为多个地物类别,同时获取兴趣类别信息。例如为了能准确地提取水田信息,需要将原影像分成水田与林地、旱地、水体和城镇用地等不同的类别。遥感分类算法层出不穷,例如支持向量机,其优点是能在样本较小的情况下获得较好的分类结果,而且具有高维数据处理能力,可以用于单类信息提取。
采用单类分类器提取兴趣类别,在不了解非兴趣类别的情况下,只需兴趣类别样本进行训练,例如单类支持向量机(one-classsupport-vectormachine,OCSVM),OCSVM方法在高维空间中,寻找一个能将兴趣类别分开的具有最大间隔的超平面,它的缺点是自由参数的选择困难。Lietal.提出了PUL(positiveandunlabeledlearning)算法进行单类提取,在高分辨率遥感影像中进行了实验,分别提取了影像中的各个单类,包括市区、树木、草地、水体、裸地。LiandGuo提出的遥感影像单类提取的MAXENT方法,在训练过程中只要求正样本,实验结果表明其单类提取效果优于OCSVM方法。MAXENT方法选择具有最大熵的分布形式作为兴趣类别的数据分布,是一种参数化的方法,对于不规则的兴趣类别分布形式,效果受到影响。
单分类器应用是在非兴趣类别样本很难获取的情况下使用的,而一般来说,遥感影像中的非兴趣类别样本可以部分的提取,因此,采用多分类器进行遥感影像单类提取仍然是一个重要方法。而且,由于提供了非兴趣类别样本参考,多类分类器的分类精度一般要优于单类分类器。另一方面,在单类信息提取中,对兴趣类别了解的比较充分,而对于非兴趣类别的了解可能不是很充分,有时不能确定非兴趣类别的特征与类别划分情况。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于最近邻的遥感影像单类信息提取方法,基于最近邻的遥感影像单类信息提取精度高于单类支持向量机方法,而且分类过程简单。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于最近邻的遥感影像单类信息提取方法,其包括以下步骤:(1)先对遥感影像聚类;(2)确定并选择兴趣类别和非兴趣类别训练样本;(3)采用最近邻方法进行单类分类。
作为优选,所述的步骤(1)为了选择非兴趣类别中每个模式的代表点作为样本,避免漏选,通过聚类的方法,搜寻影像数据中固有的聚类,然后从每个聚类中选择样本。
作为优选,所述的步骤(2)的非兴趣类别包含兴趣类别之外的所有地物类别,一般是多模式的。
作为优选,所述的步骤(3)在基于最近邻的方法中,将遥感影像数据分成两个类别,简化了分类过程,同时保证了分类精度。
本发明的有益效果:基于最近邻方法提取单类信息,由于其不受类别划分的影响,从而可以将分类过程简化为二类问题,而且可以保证分类精度。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1(a)为本发明的TM原图;
图1(b)为本发明的分类测试区域图;
图2为本发明的Meanshift聚类结果图;
图3为本发明的单类提取结果图,(白色为兴趣类别;第1行为本发明方法,第2行为OCSVM方法;第1-4列分别为:不透水表面、草地、林地、水体)。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1-3,本具体实施方式采用以下技术方案:一种基于最近邻的遥感影像单类信息提取方法,其包括以下步骤:(1)先对遥感影像聚类;(2)确定并选择兴趣类别和非兴趣类别训练样本;(3)采用最近邻方法进行单类分类。
在单类提取中,由于只提取其中的一个感兴趣类别,因此,影像中的类别划分是可以选择的。首先,基于分类错误率分析最近邻方法中类别划分对单类信息提取结果的影响。
单类提取中在给定样本X时的条件错误概率包括两个部分,一部分是把来自兴趣类别的样本错分引起的,另一部分是把来自非兴趣类别的样本错分成兴趣类别而引起的,总的错误概率是这两种错误的加权和。
在最近邻分类规则中,假设有来自M个类别的N个样本,在这N个样本中找出给定样本的最近邻,那么最近邻的类别就是未知样本的所属类别。给定未知样本X,其最近邻为Xn∈ωi,假定X∈ωj,如果ωj不等于ωi,则发生一次错误,不失一般性,假定兴趣类别为ω1,因此在给定X和Xn时的条件错误概率为:
r(X,Xn)=Pr{ωi≠ωj/Xn,X}
=P(ω1/Xn)P(ω2/X)+P(ω2/Xn)P(ω1/X)+…+(1)
P(ω1/Xn)P(ωM/X)+P(ωM/Xn)P(ω1/X)
若N足够大,使X与最近邻xn的距离非常接近,则有
P(ωi/Xn)≌P(ωi/X)(2)
于是,公式(1)变成
当N→∞时,可以证明公式(1)以概率1收敛于公式(3)。
由公式(3)可见,基于最近邻规则提取单类信息的错误率只与兴趣类别(ω1)的条件概率相关,而与其他类别无关,即类别划分对基于最近邻规则的单类信息提取没有影响。因此,在基于最近邻规则提取遥感影像中的单类信息时,可以将其视为二类分类问题,只需标记兴趣类别和非兴趣类别,简化了分类过程。
采用最近邻方法的单类信息提取精度与类别划分无关。因此,在单类信息提取中,可以将影像数据划分成兴趣类别和非兴趣类别两类,而非兴趣类别包含兴趣类别之外的所有地物类别,一般是多模式的。由于非兴趣类别包含了除兴趣类别之外的所有区域,其样本的选择应该覆盖兴趣类别之外的所有子类。而非兴趣类别的这些样本可能属于一般分类体系中的某个类别,也可能不属于任一规范的类别。为此,为了选择非兴趣类别中每个模式的代表点作为样本,避免漏选,可以通过聚类的方法,搜寻影像数据中固有的聚类,然后从每个聚类中选择样本。
实施例1:实验图像如图1所示为一幅专题制图仪(ThematicMapper,TM)影像,图1(a)为原图,图1(b)为地面真值作为分类结果的测试区域,图像大小为600×600,b、g、r、n、m五个波段。按照一般的遥感影像类别划分,包含四个类别:不透水表面、水体、耕地和村庄。
在为兴趣类别和非兴趣类别选择样本前,先作聚类处理,本实验采用均值漂移(Meanshift)方法对遥感影像进行聚类[11,12]。均值漂移聚类不需要预先给出地物的类别数目,聚类过程中自动确定类别数,可以更加准确的找到影像中的固有聚类。聚类结果如图2所示,其中包含9个聚类。
实验中,分别将不透水表面、水体、耕地和村庄四个类别作为兴趣类别进行单独提取。在最近邻分类方法中,分别选取兴趣类别和非兴趣类别的训练样本,非兴趣类别包含兴趣类别以外的所有地物类型。以如图2所示的聚类结果为基础,选择各自的训练样本,分成两个类别,得到的单类提取结果如图3第一行所示。图3第一行从左到右分别为不透水表面、水体、耕地和村庄类别的单类提取结果,其中白色为兴趣类别,黑色为所有其他类别组成的非兴趣类别。在遥感影像单类信息提取中,精度评价指标包括生产精度、用户精度、总体精度和Kappa系数。根据图1(b)所示的地面测试区域,计算各个类别提取的精度评价指标如表1-4所示。
表1不透水面的分类精度
表2水体的分类精度
表3耕地的分类精度
表4村庄的分类精度
本实施例采用OCSVM方法进行实验,OCSVM方法中选择RBF核函数,并通过10折交叉验证获得各种参数。实验结果如图3第二行所示,对应的分类精度估计见表1-4。从分类结果中看出,总体上本文方法的单类提取精度略高于OCSVM方法。而且,在基于最近邻的方法中,将遥感影像数据分成两个类别,简化了分类过程,同时保证了分类精度,而OCSVM方法对参数的依赖性强,参数选择困难。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于最近邻的遥感影像单类信息提取方法,其特征在于,其包括以下步骤:(1)先对遥感影像聚类;(2)确定并选择兴趣类别和非兴趣类别训练样本;(3)采用最近邻方法进行单类分类。
2.根据权利要求1所述的一种基于最近邻的遥感影像单类信息提取方法,其特征在于,所述的步骤(1)为了选择非兴趣类别中每个模式的代表点作为样本,避免漏选,通过聚类的方法,搜寻影像数据中固有的聚类,然后从每个聚类中选择样本。
3.根据权利要求1所述的一种基于最近邻的遥感影像单类信息提取方法,其特征在于,所述的步骤(2)的非兴趣类别包含兴趣类别之外的所有地物类别,一般是多模式的。
4.根据权利要求1所述的一种基于最近邻的遥感影像单类信息提取方法,其特征在于,所述的步骤(3)在基于最近邻的方法中,将遥感影像数据分成两个类别,简化了分类过程,同时保证了分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881202.6A CN105335761A (zh) | 2015-11-27 | 2015-11-27 | 一种基于最近邻的遥感影像单类信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881202.6A CN105335761A (zh) | 2015-11-27 | 2015-11-27 | 一种基于最近邻的遥感影像单类信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335761A true CN105335761A (zh) | 2016-02-17 |
Family
ID=55286276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510881202.6A Pending CN105335761A (zh) | 2015-11-27 | 2015-11-27 | 一种基于最近邻的遥感影像单类信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335761A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
CN112308024A (zh) * | 2020-11-23 | 2021-02-02 | 中国水利水电科学研究院 | 一种水体信息提取方法 |
CN110321840B (zh) * | 2019-06-28 | 2024-08-06 | 广州大学 | 一种基于迭代聚类的不透水层提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430763A (zh) * | 2008-11-10 | 2009-05-13 | 西安电子科技大学 | 遥感图像中水上桥梁目标检测方法 |
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN104134073A (zh) * | 2014-07-31 | 2014-11-05 | 郑州航空工业管理学院 | 一种基于一类归一化的遥感影像单类分类方法 |
US20150055820A1 (en) * | 2013-08-22 | 2015-02-26 | Ut-Battelle, Llc | Model for mapping settlements |
-
2015
- 2015-11-27 CN CN201510881202.6A patent/CN105335761A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430763A (zh) * | 2008-11-10 | 2009-05-13 | 西安电子科技大学 | 遥感图像中水上桥梁目标检测方法 |
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
US20150055820A1 (en) * | 2013-08-22 | 2015-02-26 | Ut-Battelle, Llc | Model for mapping settlements |
CN104134073A (zh) * | 2014-07-31 | 2014-11-05 | 郑州航空工业管理学院 | 一种基于一类归一化的遥感影像单类分类方法 |
Non-Patent Citations (3)
Title |
---|
K.P.SOMAN 等: "《数据挖掘基础教程》", 31 January 2009, 北京:机械工业出版社 * |
苏涛: "《遥感原理与应用》", 30 September 2015, 煤炭工业出版社 * |
薄树奎 等: "《面向对象遥感影像信息提取》", 31 August 2014, 哈尔滨:哈尔滨工业大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
CN110321840B (zh) * | 2019-06-28 | 2024-08-06 | 广州大学 | 一种基于迭代聚类的不透水层提取方法 |
CN112308024A (zh) * | 2020-11-23 | 2021-02-02 | 中国水利水电科学研究院 | 一种水体信息提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN103678680B (zh) | 基于感兴趣区域多元空间关系模型的图像分类方法 | |
CN100557626C (zh) | 基于免疫谱聚类的图像分割方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN101847263B (zh) | 基于多目标免疫聚类集成的无监督图像分割方法 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN104463203B (zh) | 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法 | |
Cho et al. | Authority-shift clustering: Hierarchical clustering by authority seeking on graphs | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
Chen et al. | Optimal segmentation of a high-resolution remote-sensing image guided by area and boundary | |
CN102208037B (zh) | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 | |
CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 | |
CN109583305A (zh) | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及系统 | |
CN104392454B (zh) | 高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法 | |
CN109815357A (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN104820840B (zh) | 基于字典和波段重组的最近邻高光谱图像分类方法 | |
CN103903012A (zh) | 基于面向对象和支持向量机的极化sar数据分类方法 | |
CN102622753A (zh) | 基于密度可达测度的半监督谱聚类sar图像分割方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
Chen et al. | Measuring the effectiveness of various features for thematic information extraction from very high resolution remote sensing imagery | |
CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |