CN109447111A - 一种基于子类训练样本的遥感监督分类方法 - Google Patents
一种基于子类训练样本的遥感监督分类方法 Download PDFInfo
- Publication number
- CN109447111A CN109447111A CN201811103892.2A CN201811103892A CN109447111A CN 109447111 A CN109447111 A CN 109447111A CN 201811103892 A CN201811103892 A CN 201811103892A CN 109447111 A CN109447111 A CN 109447111A
- Authority
- CN
- China
- Prior art keywords
- subclass
- classification
- major class
- sample
- atural object
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于子类训练样本的遥感监督分类方法。它包括以下步骤:S1:根据土地利用图自动提取待分类目标地物影像的地物大类的大类样本;S2:对地物大类的大类样本进行无监督分类,得到地物大类的子类及属于每个子类的子类样本;S3:对每个子类的子类样本进行训练,得到每个子类的子类分类标准;S4:按每个子类的子类分类标准对待分类目标地物影像进行监督分类,得到基于子类分类标准的子类分类结果;S5:将属于同一个地物大类的子类分类结果合并,得到基于地物大类的分类结果影像,该分类结果影像即为遥感监督分类结果。本发明分类结果精度较高,分类结果较完整,不需要大量人工干预,节省人力资源。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种基于子类训练样本的遥感监督分类方法。
背景技术
现有遥感监督分类方法按分类目标类别标记样本,然后进行训练分类,这样的样本标记分类方法具有以下缺陷:
(1)按分类目标类别标记的样本,由于部分地物类内特征差异较大,对某些统一种类但具有不同属性特征的地物样本进行分类容易造成判别偏差;
(2)直接建立大类样本分类库,通过训练分类样本,易造成破碎化的分类结果;
(3)对破碎化、斑块化的分类结果进行修改浪费大量的人力成本。
发明内容
本发明的目的是克服现有遥感监督分类方法分类结果精度较低,分类结果破碎化,需要花费大量人力修改的技术问题,提供了一种基于子类训练样本的遥感监督分类方法,其分类结果精度较高,分类结果较完整,不需要大量人工干预,节省人力资源。
为了解决上述问题,本发明采用以下技术方案予以实现:
本发明的一种基于子类训练样本的遥感监督分类方法,包括以下步骤:
S1:根据土地利用图自动提取待分类目标地物影像的地物大类的大类样本;
S2:对地物大类的大类样本进行无监督分类,得到地物大类的子类及属于每个子类的子类样本;
S3:对每个子类的子类样本进行训练,得到基于子类的子类分类标准;
S4:按每个子类的子类分类标准对待分类目标地物影像进行监督分类,得到基于子类分类标准的子类分类结果;
S5:将属于同一个地物大类的子类分类结果合并,得到基于地物大类的分类结果影像,该分类结果影像即为遥感监督分类结果。
在本技术方案中,采用细化分类样本建立子类训练样本的遥感分类体系。样本的建立中,先按国家分类标准建立大类样本分类体系,再根据待分类样本属性特征将大类样本分类成属性独立的子类样本。
按属性特征建立子类样本后,通过对子类样本进行训练,得到子类分类标准,按子类分类标准对待分类目标地物进行监督分类,得到子类分类结果;将子类分类结果按照大类进行合并,得到完整的大类分类结果。
作为优选,所述步骤S1包括以下步骤:
S101:获取待分类目标地物的大类分类标准;
S102:按照大类分类标准矢量栅格化土地利用图;
S103:获取待分类目标地物的影像,利用矢量栅格化处理后的土地利用图,从影像中自动提取地物大类对应的图像区域作为其大类样本。
作为优选,所述步骤S2包括以下步骤:
S201:将地物大类的大类样本按属性进行无监督分类,确定地物大类的子类种类及子类样本的分类标准;
S202:根据地物大类的子类种类及子类样本的分类标准,将地物大类的大类样本拆分成属于每个子类的子类样本。
对于大类样本,在同一研究范围,可能存在的与整体纹理或光谱不同的斑块,直接训练大类样本易出现分类结果破碎化、斑块化现象。将大类样本进行细化,得到某一地物的子类样本,以子类样本作为训练样本,进行监督分类,获得子类样本分类结果。得到的子类样本分类结果进行合并,得到大样本分类结果,相比于现有大类样本分类方法,基于子类样本分类方法结果更准确,精度更高。
作为优选,所述步骤S2采用isodata算法进行无监督分类。
作为优选,所述步骤S3采用最短欧式距离模型对每个子类的子类样本进行训练。
作为优选,所述步骤S4采用最短欧式距离模型进行监督分类。
本发明的有益效果是:本方法过程简单、分类结果精度较高,不需要大量人工干预,节省人力资源,分类后子样本合并成大样本类型使结果更加完整。
附图说明
图1是本发明的流程图;
图2是实施例1中的试验区内的盐碱地准确范围图;
图3是实施例1中采用本发明方法得到的试验区盐碱地分类结果影像;
图4是实施例1中采用传统监督分类方法得到的试验区盐碱地分类结果影像。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本实施例的一种基于子类训练样本的遥感监督分类方法,如图1所示,包括以下步骤:
S1:根据土地利用图自动提取待分类目标地物影像的地物大类的大类样本;
S2:对地物大类的大类样本进行无监督分类,得到地物大类的子类及属于每个子类的子类样本;
S3:对每个子类的子类样本进行训练,得到每个子类的子类分类标准;
S4:按每个子类的子类分类标准对待分类目标地物影像进行监督分类,得到基于子类分类标准的子类分类结果;
S5:将属于同一个地物大类的子类分类结果合并,得到基于地物大类的分类结果影像,该分类结果影像即为遥感监督分类结果。
步骤S1包括以下步骤:
S101:获取待分类目标地物的大类分类标准,建立基于大类分类标准的遥感分类体系;
S102:按照大类分类标准矢量栅格化土地利用图;
S103:利用矢量栅格化处理后的土地利用图,获取待分类目标地物的影像,从影像中自动提取地物大类对应的图像区域作为其大类样本。
步骤S2包括以下步骤:
S201:将地物大类的大类样本按属性进行无监督分类,确定地物大类的子类种类及子类样本的分类标准;
S202:根据地物大类的子类种类及子类样本的分类标准,将地物大类的大类样本拆分成属于每个子类的子类样本。
采用细化分类样本建立子类训练样本的遥感分类体系。样本的建立中,先按国家分类标准建立大类样本分类体系,再根据待分类样本属性特征将大类样本分类成属性独立的子类样本。
按属性特征建立子类样本后,通过对子类样本进行训练,得到子类分类标准,按子类分类标准对待分类目标地物进行监督分类,得到子类分类结果;将子类分类结果按照大类进行合并,得到完整的大类分类结果。
对于大类样本,在同一研究范围,可能存在的与整体纹理或光谱不同的斑块,直接训练大类样本易出现分类结果破碎化、斑块化现象。将大类样本进行细化,得到某一地物的子类样本,以子类样本作为训练样本,进行监督分类,获得子类样本分类结果。得到的子类样本分类结果进行合并,得到大样本分类结果,相比于现有大类样本分类方法,基于子类样本分类方法结果更准确,精度更高。
步骤S2采用isodata算法进行无监督分类。
步骤S3采用最短欧式距离模型对每个子类的子类样本进行训练。
步骤S4采用最短欧式距离模型进行监督分类。
采用本发明方法和传统监督分类方法分别对同一实验区的盐碱地提取为例,对比本发明方法和传统监督分类方法的精度,具体如下:
实验区为新疆天山北坡,纬度:北纬44度49分2秒至44度56分54秒,经度:东经83度50分32秒至84度10分30秒。新疆天山北坡包含的大小湖泊,盐碱地,荒漠,绿洲等典型地貌使得这一地区成为较好的实验区。
以人工目视解译结果作为实验区的真值(即准确的盐碱地范围),实验区内盐碱地的准确范围,如图2中的白色区域。
本实验为采用控制变量的思想进行对比实验。实验条件如表一所示。
表一
两个对比实验使用的输入数据,监督分类模型和精度评定方法都是一样的,不一样的地方是样本选择标准不同。传统的监督分类方法采用传统的大类样本选择方法,即所有的盐碱地样本使用同一个大类标签;基于子类训练样本的遥感监督分类方法采用划分子类的样本选择方法,盐碱地被划分为若干个子类,每个样本使用对应的子类标签。
基于子类的样本库建立采用如下方法:利用模板窗口同步扫描栅格化的土地利用图和影像,统计模板内各个类别的比例,当窗口内象元类别足够纯净(比如99%都是盐碱地)时,对窗口内的影像进行无监聚类,将聚类结果与已有子类进行距离比较,当最小距离小于阈值时归为一类,否则新建一类,将新的聚类中心连同子类编码保存得到样本库。
基于子类样本的遥感监督分类采用如下方法:首先将待分类影像数据归一化,将光谱特征合并得到该象元的特征值;取每一个待分类象元的特征向量,计算其到各个子类别光谱中心的距离,找出最小距离和其对应的子类,如果这个最小距离小于该子类的3倍标准差,就认为其属于这个子类别,否则判定到不确定类别。确定该象元类别,写入分类图;确定所有象元处理完成后,生成分类结果影像并输出;准备大类子类关系文件,将子类合并为对应的大类,得到最终分类结果。
采用基于子类训练样本的遥感监督分类方法得到的分类结果影像,如图3所示。
基于大类的样本库建立采用如下方法:同样利用模板窗口同步扫描栅格化的土地利用图和影像,统计模板内各个类别的比例,当窗口内象元类别足够纯净(比如99%都是盐碱地)时,将聚类结果连同对应的大类编码保存到样本库。
传统的遥感监督分类采用如下方法:将待分类影像数据归一化,将光谱特征合并得到该象元的特征值;取每一个待分类象元的特征向量,计算其到各个大类别光谱中心的距离,找出最小距离和其对应的大类,如果这个最小距离小于该类的3倍标准差,就认为其属于这个大类别,否则判定到不确定类别。
采用传统的遥感监督分类方法得到的分类结果影像,如图4所示。
比较图2、图3、图4,可以看出图3的精确度比图4高。
计算这两种遥感监督分类方法的精度,具体如下:
精度计算方法采用总体分类精度,根据矢量化解译图和分类结果建立混淆矩阵计算分类的总体精度,对盐碱地信息的提取结果进行精度评价。混淆矩阵是一种常用的分类精度评价方法,是通过将每种地表真实像元的位置、分类与分类图像中的相应位置、分类进行比较计算而获得分类精度。其中,总体精度的公式为:
计算得到的总体分类精度结果,如表二所示。
分类模型 | 总体分类精度 |
基于子类样本的遥感监督分类模型 | 83.26% |
传统的监督分类模型 | 63.50% |
表二
基于子类训练样本的遥感监督分类方法的优势在于子类分割,子类分割使得每一个子类别被划分的更加具体,子类别的特征更加明显;比如这里的盐碱地,有些盐碱地盐分较为纯净,明亮度高,划为一个子类,有些盐碱地则出于某些原因导致明亮度低一些,被划分为另一个子类,还有一些盐碱地和周围的其它地物混在一起,属于模糊地带,就被直接剔除盐碱地子类了。倘若不进行子类划分,而是将这些子类混淆在一起,形成内部有多个特征收敛点的样本库,势必导致模型训练精度降低,进而拉低分类结果精度。而本发明的方法先将这些子类别提取出来,然后在根据大类子类关系文件将各个盐碱地子类合并成盐碱地大类,则成功解决了这一传统监督分类方法中面临的技术难点,大幅提升了盐碱地分类精度。
Claims (6)
1.一种基于子类训练样本的遥感监督分类方法,其特征在于,包括以下步骤:
S1:根据土地利用图自动提取待分类目标地物影像的地物大类的大类样本;
S2:对地物大类的大类样本进行无监督分类,得到地物大类的子类及属于每个子类的子类样本;
S3:对每个子类的子类样本进行训练,得到每个子类的子类分类标准;
S4:按每个子类的子类分类标准对待分类目标地物影像进行监督分类,得到基于子类分类标准的子类分类结果;
S5:将属于同一个地物大类的子类分类结果合并,得到基于地物大类的分类结果影像,该分类结果影像即为遥感监督分类结果。
2.根据权利要求1所述的一种基于子类训练样本的遥感监督分类方法,其特征在于,所述步骤S1包括以下步骤:
S101:获取待分类目标地物的大类分类标准;
S102:按照大类分类标准矢量栅格化土地利用图;
S103:利用矢量栅格化处理后的土地利用图,获取待分类目标地物的影像,从影像中自动提取地物大类对应的图像区域作为其大类样本。
3.根据权利要求1所述的一种基于子类训练样本的遥感监督分类方法,其特征在于,所述步骤S2包括以下步骤:
S201:将地物大类的大类样本按属性进行无监督分类,确定地物大类的子类种类及子类样本的分类标准;
S202:根据地物大类的子类种类及子类样本的分类标准,将地物大类的大类样本拆分成属于每个子类的子类样本。
4.根据权利要求1或2或3所述的一种基于子类训练样本的遥感监督分类方法,其特征在于,所述步骤S2采用isodata算法进行无监督分类。
5.根据权利要求1或2或3所述的一种基于子类训练样本的遥感监督分类方法,其特征在于,所述步骤S3采用最短欧式距离模型对每个子类的子类样本进行训练。
6.根据权利要求1或2或3所述的一种基于子类训练样本的遥感监督分类方法,其特征在于,所述步骤S4采用最短欧式距离模型进行监督分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811103892.2A CN109447111B (zh) | 2018-09-20 | 2018-09-20 | 一种基于子类训练样本的遥感监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811103892.2A CN109447111B (zh) | 2018-09-20 | 2018-09-20 | 一种基于子类训练样本的遥感监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447111A true CN109447111A (zh) | 2019-03-08 |
CN109447111B CN109447111B (zh) | 2021-12-03 |
Family
ID=65530842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811103892.2A Active CN109447111B (zh) | 2018-09-20 | 2018-09-20 | 一种基于子类训练样本的遥感监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447111B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222539A (zh) * | 2019-11-22 | 2020-06-02 | 国际竹藤中心 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
CN111325126A (zh) * | 2020-02-12 | 2020-06-23 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN112380904A (zh) * | 2020-10-15 | 2021-02-19 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于遥感信息的多种农作物分类成果分割方法 |
CN115147746A (zh) * | 2022-09-02 | 2022-10-04 | 广东容祺智能科技有限公司 | 基于无人机遥感图像的盐碱地质识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102289581A (zh) * | 2011-08-10 | 2011-12-21 | 武汉大学 | 一种基于空间作用划分的模拟城市扩展的方法 |
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN104331498A (zh) * | 2014-11-19 | 2015-02-04 | 亚信科技(南京)有限公司 | 一种对互联网用户访问的网页内容自动分类的方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN106021751A (zh) * | 2016-05-26 | 2016-10-12 | 上海海洋大学 | 基于ca和sar的海岸带土地利用变化模拟方法 |
-
2018
- 2018-09-20 CN CN201811103892.2A patent/CN109447111B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102289581A (zh) * | 2011-08-10 | 2011-12-21 | 武汉大学 | 一种基于空间作用划分的模拟城市扩展的方法 |
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN104331498A (zh) * | 2014-11-19 | 2015-02-04 | 亚信科技(南京)有限公司 | 一种对互联网用户访问的网页内容自动分类的方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN106021751A (zh) * | 2016-05-26 | 2016-10-12 | 上海海洋大学 | 基于ca和sar的海岸带土地利用变化模拟方法 |
Non-Patent Citations (1)
Title |
---|
刘桂生 等: "基于遥感影像的土地利用监督分类探讨", 《城市勘测》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222539A (zh) * | 2019-11-22 | 2020-06-02 | 国际竹藤中心 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
CN111325126A (zh) * | 2020-02-12 | 2020-06-23 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111325126B (zh) * | 2020-02-12 | 2023-11-03 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN111401467B (zh) * | 2020-03-26 | 2023-12-19 | 苏州征图智能科技有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN112380904A (zh) * | 2020-10-15 | 2021-02-19 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于遥感信息的多种农作物分类成果分割方法 |
CN115147746A (zh) * | 2022-09-02 | 2022-10-04 | 广东容祺智能科技有限公司 | 基于无人机遥感图像的盐碱地质识别方法 |
CN115147746B (zh) * | 2022-09-02 | 2022-11-29 | 广东容祺智能科技有限公司 | 基于无人机遥感图像的盐碱地质识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109447111B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN109584251A (zh) | 一种基于单目标区域分割的舌体图像分割方法 | |
CN107610087A (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN102663757A (zh) | 基于核传递的半自动图像分割方法 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及系统 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN109034233A (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
CN110598564A (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN111709901A (zh) | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 | |
CN106846246B (zh) | 一种基于对象的遥感影像超分辨率制图方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN108154158A (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |