CN106203328A - 提高遥感影像中目标地物分类提取准确度的方法 - Google Patents
提高遥感影像中目标地物分类提取准确度的方法 Download PDFInfo
- Publication number
- CN106203328A CN106203328A CN201610536337.3A CN201610536337A CN106203328A CN 106203328 A CN106203328 A CN 106203328A CN 201610536337 A CN201610536337 A CN 201610536337A CN 106203328 A CN106203328 A CN 106203328A
- Authority
- CN
- China
- Prior art keywords
- decision
- making
- sample
- target scalar
- classification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种提高遥感影像中目标地物分类提取准确度的方法,该方法权衡目标地物的提取准确率和提取率,通过设置目标地物提取准确率与提取率阈值来得到决策权衡区间,大幅提高了现有遥感影像中目标地物分类提取的准确度。
Description
技术领域
本发明涉及遥感影像的分类提取技术领域,具体涉及一种用于提高多光谱遥感影像中目标地物分类提取准确度的方法。
背景技术
通过分类技术对遥感图像中目标地物进行提取在我国农业、林业、水利、灾害等各个方面都有着非常广泛的应用。通过分类技术所制作的各种农作物的分布专题图,林地和树种分布的专题图以及灾害制图等为政府决策提供了有力的客观数据上的支持。
目前分类技术主要有人工目视解译以及软件的自动化解译,人工目视解译对解译人员的经验以及专业知识要求比较高,并且需要花费大量的人力和物力,不适合大规模应用。
自动化解译包括监督分类以及非监督分类等技术,其中最为常用的是基于最小错误率的最大似然分类法,但是此方法分类的结果通常在所提取的目标地物中会包含很多的非目标地物,目标地物分类提取的准确度较低,分类后仍需进行大量的后续处理工作,人工工作量大。
目前使用的基于最小错误率的最大似然分类方法可以将分类平均错误率降到最低,最小平均错误率的证明说明如下:
第一类错误, 原本属于,但是落在了区间内,
第二类错误,原本属于,但是落在了区间内,
平均错误率,
基于最小风险的最大似然分类法决策依据如下:
该判别依据表明,每种地物所属类别都会使最大,因而会使X判错的可能性达到最小,即平均错误率达到最小。
例如将地物分为目标地物与非目标地物,基于最小错误的最大似然分类方法决策依据是将目标地物分为非目标地物的错误率与将非目标地物分为目标地物的错误率之和限制在最小。但是对于这种方法,这种错误率并不是越低越好,因为将目标地物分为非目标地物的错误率越低的话,就会导致目标地物的提取率的降低,也就是虽然最后得到的分类结果准确度较高,但是目标地物有很大一部分被分到了非目标地物中。
发明内容
针对上述问题,本发明提供了一种提高遥感影像中目标地物分类提取准确度的方法,该方法权衡目标地物的提取准确率和提取率,通过设置目标地物提取准确率与提取率阈值来得到决策权衡区间,大幅提高了现有遥感影像中目标地物分类提取的准确度。
为了实现本发明所述目的,采用以下技术方案:
一种提高遥感影像中目标地物分类提取准确度的方法,具体操作步骤包括:
步骤一,选取多光谱遥感影像;
步骤二,将目标地物样本指定为、典型的非目标地物样本指定为,针对多光谱影像,人工选取目标地物的样本中上标表示第一类、下标表示第一类样本的维数、下标表示第一类样本点的数量,非目标地物的样本中上标表示第一类、下标表示第二类样本的维数、下标表示第二类样本点的数量,写为:
利用目标地物样本计算步骤四中、的参数;样本数据要保证单一、采样点要均匀分布在整个图上;
步骤三,根据样本数据计算目标地物样本的均值,目标地物样本的协方差矩阵,非目标地物样本数据的均值,非目标地物样本的协方差矩阵,
其中
其中;
步骤四,将与简化为:
不考虑该公式可以化简为:
两边取常用对数可以得到:
其中为类的先验概率,为类的概率密度函数,因而最终可以化简为:
步骤五,设置决策损失,将地物分类为目标地物的决策称为,将地物分类为非目标地物的决策称为,根据每一类决策设置相应的决策损失,
X属于采取决策,决策损失为,
X属于采取决策,决策损失为,
X属于采取决策,决策损失为,
X属于采取决策,决策损失为;
步骤六,利用基于最小风险的决策方案来进行决策,决策函数为:
根据风险的大小对X进行分类,如下
;
步骤七,通过调整决策风险的值来提高目标地物提取的准确率。
由于目标地物采取决策的决策将目标地物分为了目标地物,所以该决策的损失应该为0;同样的,将非目标地物分为非目标地物的决策的损失应该也为0;而将目标地物分为非目标地物,以及将非目标地物分类为目标地物的决策损失是不确定的;在进行遥感目标地物分类提取的过程中,将类地物作为目标地物,所以通过设置决策损失的数值可以提高目标提取的准确率,也就是降低所提取的目标地物中非目标地物所占的比重。
本发明克服了现有遥感影像中目标地物分类方法不能兼顾提取准确率和提取率的缺陷,所提供的方法能将遥感影像中目标地物分类提取的准确度大幅提高,在准确率能达到95%的前提下,提取率能达到90%以上,分类结果准确可靠,能够为决策工作提供有力支持,并且分类后结果无需再进行人工处理,提高了遥感影像中目标地物分类提取自动化的程度。
附图说明
图1 为本发明选取的多光谱遥感影像;
图2 为本发明中选择的目标地物与非目标地物样本;
图3 为本发明中取值3目标地物提取结果;
图4为本发明中取值1目标地物提取结果;
图5为本发明中取值0.05目标地物提取结果。
具体实施方式
下面结合具体实施例对本发明所述内容作进一步详细的说明。
步骤一,选取波士顿地区部分多光谱遥感影像,该遥感影像具有R、G、B三个波段,选取的遥感影像如图1所示;
步骤二,将遥感影像中的船体作为待提取的目标地物,将其它地物看做为非目标地物,并选取目标地物与非目标地物的样本如图2所示;
步骤三,利用得到的样本计算目标地物的均值,协方差矩阵;非目标地物的样本均值,协方差矩阵,计算结果如下所示:
步骤四,计算。
步骤五,将、、分别设置为0、1、0,将作为待调整参数。
步骤六,计算决策函数。
如果,将点X判为目标地物,标记为红色;,将点X判为非目标地物,标记为绿色。
步骤七,调整决策风险来调整目标地物提取的准确率,
在图3、图4、图5中显示了在分别取值为3、1、0.5的情况下目标地物分类的结果。
对比例
发明人选取实施例中遥感影像的照片,采用基于最小错误率的最大似然分类法对目标地物进行分类提取,即将分别设置为0、1、1、0其他步骤与基于最小风险的最大似然分类法完全一致。
从两种方法分类的结果来看,基于最小风险的最大似然分类法能够通过对决策风险的调整,控制将非目标地物判别为目标地物的误判情况,对比基于最小错误率的最大似然分类法来看能够有效的减少误判的情况,因而能够减少分类后处理的工作量,提高遥感地物信息提取的效率。
Claims (1)
1.一种提高遥感影像中目标地物分类提取准确度的方法,其特征在于:具体操作步骤包括:
步骤一,选取多光谱遥感影像;
步骤二,将目标地物样本指定为 、典型的非目标地物样本指定为,针对多光谱影像,人工选取目标地物的样本其中上标表示第一类、下标表示第一类样本的维数、下标表示第一类样本点的数量,非目标地物的样本其中上标表示第一类、下标表示第二类样本的维数、下标表示第二类样本点的数量,写为:
利用目标地物样本计算步骤四中、的参数;样本数据要保证单一、采样点要均匀分布在整个图上;
步骤三,根据样本数据计算目标地物样本的均值,目标地物样本的协方差矩阵,非目标地物样本数据的均值,非目标地物样本的协方差矩阵,
其中
其中;
步骤四,将与简化为:
不考虑该公式可以化简为:
两边取常用对数可以得到:
其中为类的先验概率,为类的概率密度函数,因而最终可以化简为:
步骤五,设置决策损失,将地物分类为目标地物的决策称为,将地物分类为非目标地物的决策称为,根据每一类决策设置相应的决策损失,
X属于采取决策,决策损失为,
X属于采取决策,决策损失为,
属于采取决策,决策损失为,
X属于采取决策,决策损失为;
步骤六,利用基于最小风险的决策方案来进行决策,决策函数为:
根据风险的大小对进行分类,如下
;
步骤七,通过调整决策风险的值来提高目标地物提取的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610536337.3A CN106203328A (zh) | 2016-07-11 | 2016-07-11 | 提高遥感影像中目标地物分类提取准确度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610536337.3A CN106203328A (zh) | 2016-07-11 | 2016-07-11 | 提高遥感影像中目标地物分类提取准确度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203328A true CN106203328A (zh) | 2016-12-07 |
Family
ID=57472677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610536337.3A Pending CN106203328A (zh) | 2016-07-11 | 2016-07-11 | 提高遥感影像中目标地物分类提取准确度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203328A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847731B1 (en) * | 2000-08-07 | 2005-01-25 | Northeast Photo Sciences, Inc. | Method and system for improving pattern recognition system performance |
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 |
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 |
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN102609703A (zh) * | 2012-03-05 | 2012-07-25 | 中国科学院对地观测与数字地球科学中心 | 一种高光谱图像中目标地物检测方法及装置 |
CN102938073A (zh) * | 2012-10-23 | 2013-02-20 | 中国人民解放军空军工程大学 | 一种遥感图像的分类方法 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
US20150023553A1 (en) * | 2013-07-18 | 2015-01-22 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Image anomaly detection in a target area using polarimetric sensor data polarimetric sensor data |
-
2016
- 2016-07-11 CN CN201610536337.3A patent/CN106203328A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847731B1 (en) * | 2000-08-07 | 2005-01-25 | Northeast Photo Sciences, Inc. | Method and system for improving pattern recognition system performance |
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 |
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 |
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN102609703A (zh) * | 2012-03-05 | 2012-07-25 | 中国科学院对地观测与数字地球科学中心 | 一种高光谱图像中目标地物检测方法及装置 |
CN102938073A (zh) * | 2012-10-23 | 2013-02-20 | 中国人民解放军空军工程大学 | 一种遥感图像的分类方法 |
US20150023553A1 (en) * | 2013-07-18 | 2015-01-22 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Image anomaly detection in a target area using polarimetric sensor data polarimetric sensor data |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
周晓光: "极化SAR图像分类方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
王金亮: "基于多种遥感指数综合应用的城市典型地物分类", 《地球信息科学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
US9805293B2 (en) | Method and apparatus for object recognition in image processing | |
CN109765462A (zh) | 输电线路的故障检测方法、装置和终端设备 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN106971152A (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN110956187A (zh) | 一种基于集成学习的无人机影像植物冠层信息提取方法 | |
CN106096627A (zh) | 顾及特征优化的极化sar图像半监督分类方法 | |
Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及系统 | |
Sun et al. | Object-oriented land cover classification using HJ-1 remote sensing imagery | |
CN104573654A (zh) | 一种基于分层决策树的红树林提取方法 | |
CN114693616B (zh) | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 | |
Zhao et al. | An entropy and MRF model-based CNN for large-scale landsat image classification | |
Varamesh et al. | Detection of land use changes in northeastern Iran by Landsat satellite data. | |
CN117496345A (zh) | 一种基于CVCUnet的多地形多波段耕地的提取方法 | |
CN110399785B (zh) | 一种基于深度学习与传统算法的树叶遮挡的检测方法 | |
Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges | |
CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
CN117876823A (zh) | 一种茶园图像检测方法及其模型训练方法和系统 | |
CN117893973A (zh) | 一种监测玉米苗数的方法、计算机设备及计算机程序产品 | |
CN106203328A (zh) | 提高遥感影像中目标地物分类提取准确度的方法 | |
CN114463630B (zh) | 一种对速生林中多种不同植株生长态势精准判断的方法 | |
CN114694048A (zh) | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 |
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: 20161207 |