CN108399423B - 一种遥感影像分类的多时相-多分类器融合方法 - Google Patents

Abstract

本发明涉及一种遥感影像分类的多时相‑多分类器融合方法，是在同一观测区域获取多时相遥感影像的基础上，从分类器和时相两个层面先后采用该算法来完成遥感影像分类。主要步骤包括单时相多分类器分类及精度评价；单时相分类结果集成及精度评价；多时相分类结果集成及精度评价。本发明的遥感影像多时相‑多分类器融合分类方法综合权衡了多个分类器、多个时相分类结果的评价精度，降低了单时相影像、单一分类器分类的不确定性，从而确保得到更高的遥感影像分类精度。

Description

一种遥感影像分类的多时相-多分类器融合方法

技术领域

本发明涉及遥感影像分类结果集成算法，，特别涉及一种遥感影像依靠整合多时相数据以及多种分类器分类结果来实现分类精度提高的算法。

背景技术

遥感(Remote Sensing)是指利用可见光、红外、微波电磁波与地表物质的相互作用机理及其识别模型来进行地物特征定量反演，研究地表遥感信息的提取、处理与解译。

遥感图像(Remote Sensing Imagery)是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式。所以,遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。遥感图像特征综合取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响,则可按图像特征判读地面物体的属性及其分布范围,实现遥感图像的分类识别。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。同类地物在相同的条件下应该具有相同或者相似的光谱信息和空间信息特征。不同类的地物之间具有差异，根据这种差异，将影像中所有像素按其性质分为若干个类别的过程，称为影像的分类。它的算法核心就是确定判别函数和相应的判别准则，为了确保判别函数能够较好地将各类地物在特征空间中分别开来，通常是在一定的准则(如最小距离分类器)下求解判别函数和相对应的判别准则。

现已有的遥感影像分类方法通常分为3类：监督分类、非监督分类和其他分类方法(如神经网络分类器和专家系统分类器)。监督分类方法又称训练场地法，是以建立统计识别函数为理论基础上，依据典型样本训练方法进行分类的技术。现有的监督分类方法有最小距离分类法、马氏距离分类法、平行体分类法、贝叶斯分类法等；非监督分类是指在缺乏先验知识的情况下，只根据数据本身的统计特性进行分类，这种分类法的理论根据是同类样本具有内在的相似性。现有的非监督分类方法有K-均值分类法、ISODATA分类法等；其他新的分类方法有神经网络分类法、专家系统分类法等。

在图像分类完成后，通常采用一定的评价样本来评价该分类结果的精度和效果，一般采用的精度评价指标如下：

遥感图像分类精度的评价通常用的是Congalton提出的混淆矩阵(ConfusionMatrix)。混淆矩阵的定义如下：

式中，p_ij表示试验区内应属于i类的像素被分到j类中去的像素总数,n为总类别数。如果混淆矩阵中对角线上的元素值越大，则表示分类结果的精度越高，如果混淆矩阵中非对角线上的元素值越大，则表示错误分类的现象越严重。生产精度(Product Accuracy,PA)、用户精度(User Accuracy,UA)、总体精度(Overall Accuracy,OA)和Kappa系数是分类精度的主要指标。

生产精度(PA)是指某一类别的正确分类数占参考数据中该类别像元总数的比例，PA体现在混淆矩阵中为：

用户精度(UA)是指某一类别正确分类数占分为该类像元总数的比例，UA体现在混淆矩阵中为：

总体精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与地面所对应的区域实际类型相一致的概率。

总体精度(OA)是指总正确分类数占总抽样数的比例，OA反映了分类结果总的正确程度，利用混淆矩阵可表示为：

总体精度只是利用了混淆矩阵对角线上的元素，没有利用整个混淆矩阵的信息，无法对分类精度进行全面衡量，往往还需要一个更为客观的指标来评价分类质量，比如两幅图之间的吻合度。

Kappa系数是另外一种计算分类精度的方法。可用如下公式计算：

其中，n为分类矩阵行列数，p_ij为混淆矩阵中第i行第j列的元素值，p_i+和p_+i分别表示混淆矩阵的行总和及列总和，N为总观察值，即混淆矩阵中所有元素的和。Kappa系数全面地利用了混淆矩阵的信息，可以作为分类精度评价的综合指标。在本发明中，会以上述的精度评价指标作为投票权值用于整合多个分类结果。

上述的各种遥感影像分类方法都有其各自优势与缺陷，不足之处具体表现在某类方法可能对于某种地物分类精度较高，而对于另一类地物分类精度却很低；某种方法整体精度很高，而在某种地物分类精度却异常的低，等。这会导致，依靠单一分类器的遥感影像分类结果存在不可靠性和不全面性等。

本发明针对上述的单一分类器的缺陷，依靠加权投票的思想，整合多种分类的优点，规避单分类器的缺陷，能够有效地提高分类精度。

此外，结合同一区域短时间范围内的多幅遥感影像信息来提高分类精度也是现有的研究趋势。本发明同样提供一种整合多个时相的分类结果来有效提高分类精度的方法。

发明内容

本发明要解决的技术问题是：克服现有遥感影像依靠单时相-单分类器分类的不可靠和不全面的技术缺点，整合多种分类器的结果，发挥各分类器的优势，规避各分类器的缺点，实现有效的提高分类精度；并在此基础上再次整合多个时相的分类结果，实现分类精度进一步提高。

为了解决以上技术问题，本发明提供的遥感影像分类的多时相-多分类器融合方法，包括以下步骤：

第一步、单时相多分类器分类及精度评价，步骤如下：

a1)、将N个时相的遥感影像分别采用M种分类器进行地物分类得到包括P种地物类型的分类结果；遥感影像分类结果图像的像元点值用地物类型的类别值k表示，所有分类器所得分类结果中地物类型的类别值相同，k＝1,2,…P；

a2)、使用相同的评价样本对分类结果进行精度评价，得到精度评价指标；

第二步，单时相分类结果集成及精度评价——对单时相遥感影像使用多分类器得到的M个分类结果，以精度评价指标作为权值进行单时相分类结果的集成得到单时相集成分类结果并进行精度评价，具体步骤如下：

b1)、单时相单分类器分类结果中地物类型二值化图像的生成：利用分类器i对时相j遥感影像进行地物分类，将得到的分类结果图像中像元值等于k的像元点值赋值为1，像元值不等于k的像元点值赋值为0，生成二值化图像其中，j＝1,2,…N，i＝1,2,…M；

b2)、单时相单分类器地物类型加权图像的计算：选取步骤a2)中计算所得地物类型k的精度评价指标作为单时相单分类器得到分类结果中地物类型k的加权值将二值化图像与相乘，生成加权图像

b3)、单时相地物类型加权图像的计算：遍历分类器得到地物类型k的单时相单分类器地物类型加权图像并求和得到单时相地物类型的加权图像I_k(j)，即

b4)、单时相多分类器分类结果集成图像的计算：遍历地物类型重复步骤b1)、b2)、b3)获得时相j的单时相地物类型的P个加权图像，逐像元对比P个加权图像的像元值，取最大值对应的地物类型的类别值作为单时相多分类器集成图像对应像元点的像元值，获得单时相多分类器分类结果的集成图像；

b5)、遍历时相，获得N个时相的单时相多分类器分类结果集成图像，并对此N个集成图像使用步骤a2)方法进行精度评价，得到精度评价指标；

第三步，多时相分类结果融合及精度评价，步骤包括：

c1)、单时相分类结果中地物类型二值化图像的生成：将时相j的集成图像中像元值等于k的像元点值赋值1、像元值不等于k的像元点值赋值0，生成二值化图像I_k(j)；

c2)、单时相地物类型加权图像的计算：步骤b5)中计算所得选取地物类型k的精度评价指标作为单时相分类结果中地物类型k的加权值ε_k(j)，将二值化图像I_k(j)与ε_k(j)相乘，生成加权图像ε_k(j)·I_k(j)；

c3)、地物类型加权图像的计算：遍历时相得到地物类型k的地物类型加权图像并求和得到地物类型的加权图像I_k，即

c4)、分类结果融合图像的计算：遍历地物类型重复步骤c1)、c2)、c3)获得各时相地物类型的P个加权图像，逐像元对比P个加权图像的像元值，取最大值对应的地物类型的类别值作为集成图像对应像元点的像元值，获得分类结果的融合图像。

为了解决以上技术问题，本发明还具有以下进一步的特征：

1、步骤a1)中，分类结果的格式相同，为Envi标准格式或者tiff格式等，包含相同的行列数并且保证经过几何校正使中心像元经纬度相同。

2、在步骤a2)中，选择相同的评价样本来计算精度评价指标作为投票权重值，以减少不同评价样本带来的误差；

4、在第二步中，首先针对一种类别在一种分类器中，计算该类别二值化图像，乘以该类别在此分类器中的权重值得到加权图像，再遍历所有分类器结果计算各自对应加权图像；最后将所有加权图像叠加，获得多个分类器的集成下的该类别加权投票图像；此过程中，一个类别的计算次数等于分类器个数M；

5、在c4)中，P个类别最终会生成P个加权投票图，每个加权投票图的像元值代表的意义为在多分类器集成后，该像元会被分为某类别的可能性大小；其后对P个加权投票图逐像元比对，该像元最后分为加权投票值最大所对应的类别；

6、在第三步中，多个时相中每个时相的分类结果需要使用a2)中相同的评价样本来获得各自的精度评价指标作为多时相集成的投票权重；

本发明的遥感影像多时相-多分类器融合算法可以批量、快速综合集成某一区域多个时相遥感数据在多种分类器分类下的分类结果来生成更高精度的分类结果，能够有效提高分类精度和可靠度。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明遥感影像多时相-多分类器融合算法流程图。

图2为本发明方法的分类精度评价指标说明图。

图3为本发明方法的某类别P在单分类器下加权图像计算过程示意图。

图4为本发明方法的所有分类器对类别P加权投票计算过程示意图。

图5为本发明单时相多分类器集成结果示意图。

图6为本发明计算多时相多分类器集成结果示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本实施例采用同一区域3个时相的遥感影像，每个时相数据均分别采用7个单分类器，最终实施本发明获得精度更高的分类结果；事实证明，分类精度得到有效提高。

如图1所示，为本发明实施例遥感影像多时相-多分类器分类融合算法流程图，包括以下步骤：

第一步，多个时相的遥感数据一般假定这一区域实际地物不发生改变。本实施例中，先分别对3个时相数据各采用7个单分类器进行分类；每个时相的影像获得7个单分类器分类结果，每个分类器分类结果均采用相同的评价样本进行精度评价，获得精度评价指标矩阵，如图2所示。

第二步，在本实施例中，采用本发明对一个时相的7个单分类器分类结果进行集成，获得单时相-多分类器集成分类结果。

第三步，在本实施例中，对经过第二步获得的3个时相的集成结果，采用相同的评价样本获得精度评价指标作为加权值，采用本发明多时相融合，最终获得多时相-多分类器融合分类结果。

请参阅图2，表示精度评价指标在本发明中的实施方案。如图所示矩阵，假定共有M个单分类器，总类别数为P。矩阵的列向量表示，在单分类器中，每个类别的分类精度，表达的实际意义为：该分类器对于不同地物的分类性能；矩阵的行向量表示，某一类别在不同分类器中分类精度，表达的实际意义为：不同分类器对该地物的敏感度。

请参阅图3，对应图1中的第二步，表示在分类器M中类别P的加权图像计算方法。如图中局部4x4像元所示，原始图像像元值表示该像元在分类器M中的类别值；对类别P进行二值化计算，结果实现提取出分类器M中被分为类别P的所有像元；再查阅如图2所示的P类别在分类器M中的精度指标，计算获得类别P在分类器M的加权图像。

请参阅图3、图4，图3表示类别P在单个分类器中的加权图像计算方式，图4中表示类别P在所有分类器中的加权图像计算，然后叠加获得类别P在所有分类器下的加权投票图，加权投票图像元值表示的实际意义为：该像元被分为类别P的可能性大小。

请参阅图4、图5，图4为某一类别在所有分类器下的加权投票图，图5表示，所有类别在所有分类器下的各自的加权投票图，通过投票的方式逐像元计算得到最终类别，像元类别为加权投票值最大所对应的类别。至此，单时相-多分类器集成完成，实现了集成单个时相的多个分类器分类结果来获得更高精度的分类结果。

请参阅图6，在图5中获得的单时相-多分类器集成方法应用于多个时相，获得多个单时相-多分类器集成结果，参阅图2，应用同样的评价样本，同理获得对应于多个时相(即矩阵行)的精度评价指标矩阵；最后采用本发明多时相集成算法，整合多个时相的结果，获得多时相-多分类器融合结果图，即为最终分类结果图。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种遥感影像分类的多时相-多分类器融合方法，包括以下步骤：

第一步、单时相多分类器分类及精度评价，步骤如下：

a1)、将N个时相的遥感影像分别采用M种分类器进行地物分类得到包括P种地物类型的分类结果；遥感影像分类结果图像的像元点值用地物类型的类别值k表示，所有分类器所得分类结果中地物类型的类别值相同，k＝1,2,…P；

a2)、使用相同的评价样本对分类结果进行精度评价，得到精度评价指标；

第二步，单时相分类结果集成及精度评价——对单时相遥感影像使用多分类器得到的M个分类结果，以精度评价指标作为权值进行单时相分类结果的集成得到单时相集成分类结果并进行精度评价，具体步骤如下：

b1)、单时相单分类器分类结果中地物类型二值化图像的生成：利用分类器i对时相j遥感影像进行地物分类，将得到的分类结果图像中像元值等于k的像元点值赋值为1，像元值不等于k的像元点值赋值为0，生成二值化图像其中，j＝1,2,…N，i＝1,2,…M；

b2)、单时相单分类器地物类型加权图像的计算：选取步骤a2)中计算所得地物类型k的精度评价指标作为单时相单分类器得到分类结果中地物类型k的加权值将二值化图像与相乘，生成加权图像

b3)、单时相地物类型加权图像的计算：遍历分类器得到地物类型k的单时相单分类器地物类型加权图像并求和得到单时相地物类型的加权图像I_k(j)，即

b4)、单时相多分类器分类结果集成图像的计算：遍历地物类型重复步骤b1)、b2)、b3)获得时相j的单时相地物类型的P个加权图像，逐像元对比P个加权图像的像元值，取最大值对应的地物类型的类别值作为单时相多分类器集成图像对应像元点的像元值，获得单时相多分类器分类结果的集成图像；

b5)、遍历时相，获得N个时相的单时相多分类器分类结果集成图像，并对此N个集成图像使用步骤a2)方法进行精度评价，得到精度评价指标；

第三步，多时相分类结果融合及精度评价，步骤包括：

c1)、单时相分类结果中地物类型二值化图像的生成：将时相j的集成图像中像元值等于k的像元点值赋值1、像元值不等于k的像元点值赋值0，生成二值化图像I_k(j)；

c2)、单时相地物类型加权图像的计算：步骤b5)中计算所得选取地物类型k的精度评价指标作为单时相分类结果中地物类型k的加权值ε_k(j)，将二值化图像I_k(j)与ε_k(j)相乘，生成加权图像ε_k(j)·I_k(j)；

c3)、地物类型加权图像的计算：遍历时相得到地物类型k的地物类型加权图像并求和得到地物类型的加权图像I_k，即

c4)、分类结果融合图像的计算：遍历地物类型重复步骤c1)、c2)、c3)获得各时相地物类型的P个加权图像，逐像元对比P个加权图像的像元值，取最大值对应的地物类型的类别值作为集成图像对应像元点的像元值，获得分类结果的融合图像。

2.根据权利要求1所述的遥感影像分类的多时相-多分类器融合方法，其特征在于：第一步中，输入遥感影像为同一区域观测数据，且像元行列数相同，经过几何校正保证各遥感影像对应像元中心点经纬度相同。

3.根据权利要求1所述的遥感影像分类的多时相-多分类器融合方法，其特征在于：所述精度评价指标为PA、UA、OA、或Kappa系数中的任一种。

4.根据权利要求1所述的遥感影像分类的多时相-多分类器融合方法，其特征在于：步骤c4)完成后，对分类结果的融合图像使用步骤a2)方法进行精度评价，得到精度评价指标。