專利名稱：：多分類器自適應權值融合的影像分類方法及系統(tǒng)的制作方法
技術領域：
：本發(fā)明屬于遙感影像應用領域，特別是涉及多分類器自適應權值融合的遙感影像分類方法及系統(tǒng)。
背景技術：
：遙感影像分類是遙感解譯研究的一個重要方面，很多遙感應用都與影像分類直接相關。傳統(tǒng)的遙感影像分類技術多是建立在概率統(tǒng)計模型基礎上的像素級方法。統(tǒng)計分類方法一般分為兩種監(jiān)督分類法和非監(jiān)督分類法。監(jiān)督分類方法需要一定的先驗知識，如樣本的概率分布和高質量的訓練樣本，由于遙感影像通常較為復雜，其數(shù)據樣本特征維數(shù)較多，而多維或者高維特征的數(shù)據樣本很難服從一個確定的概率分布或分布無規(guī)律，同時高質量的訓練樣本的獲取也是一個難點，監(jiān)督分類方法的效果受到限制，無法達到理論上的最優(yōu)。相關的文獻有Richards,J.A.，XiupingJia.UsingSuitableNeighborstoAugmenttheTrainingSetinHyperspectralMaximumLikelihoodClassification[J].IEEEGeoscienceandRemoteSensingLetters,2008,.5(4):774-777.ParrinelloT,VaughanR.A.OncomparingmultifractalandclassicalfeaturesinminimumdistanceclassificationofAVHRRimagery[J].InternationalJournalofRemoteSensing,2006,27(18):3943-3959.非監(jiān)督分類方法是在遙感影像上地物屬性不具有先驗知識的情況下，以集群理論為基礎，通過對全部樣本統(tǒng)計特征的差異進行聚類分析，建立決策規(guī)則，從而實現(xiàn)對整幅影像的分類。非監(jiān)督分類方法的缺點在于事先很難確定全局最優(yōu)的類別數(shù)量和初始類別中心，目前一般采取人工觀察的方法提供。相關的文獻有InternationalJournalofRemoteSensing,2006,27(18):3943-3959.VenkatalakshmiK,ShalinieS.Mercy.Multispectralimageclassificationusingmodifiedk—Meansalgorithm[J].NeuralNetworkWorld,2007,17(2):113-120.MelesseAssefaM.,JordanJonathanD.Acomparisonoffuzzyvs.augmented-ISODATAclassificationalgorithmsforcloud-shadowdiscriminationfromLandsatimages[J].PhotogrammetricEngineeringandRemoteSensing,2002,68(9):905-911.一些新興的數(shù)學理論和數(shù)學工具發(fā)展的新分類方法，如人工神經網絡技術(AshishD.，2009)、模糊分類技術(ChanussotJocelyn.，2006)、決策樹分類技術(McIverD.K.，2002)等，也存在一些困難，如神經網絡分類器雖然無需數(shù)據分布的先驗知識，能學習高維、非線性分布模式，但存在網絡結構復雜，難以確定隱含層神經元等缺點；模糊分類技術雖然能考慮影像分類過程中的模糊性和隨機性，但隸屬度函數(shù)的確定和模糊規(guī)則的制定是影響其性能的關鍵因素；決策樹分類法不需要數(shù)據集服從統(tǒng)計概率分布，但分類決策規(guī)則是難點，難以做到有效地自動或自適應設計。相關的文獻有=AshishD.，McClendonR.ff.,HoogenboomG.Land—useclassificationofmultispectralaerialimagesusingartificialneuralnetworks[J].InternationalJournalofRemoteSensing,2009，30(8):1989-2004.ChanussotJocelyn,BenediktssonJonAtli,FauvelMathieu.Classificationofremotesensingimagesfromurbanareasusingafuzzypossibilisticmodel[J].IEEEGeoscienceandRemoteSensingLetters,2006,3(1):40-44.McIverD.K.,FriedlMA.Usingpriorprobabilitiesindecision-treeclassificationofremotelysenseddata[J]RemoteSensingofEnvironment,2002,81(2-3):253-261.由于遙感影像上地物呈現(xiàn)出多種特征，這些特征總體上分為光譜類、紋理類、形狀類、圖案類等，而每類特征又由多維特征分量構成。一類地物體在某一種特征空間里，可能區(qū)分較好，而在其它特征空間里可能很難區(qū)分，而通常我們并不具備哪類地物用哪種特征區(qū)分比較好的先驗知識。面對如此多的特征，如何選擇分類器才能實現(xiàn)最好識別是遙感分類中的一個難點。通常的做法是，把所有特征排列形成特征向量，然后由某一種分類器實現(xiàn)分類。這樣做至少帶來三方面的問題所有特征排列成特征向量，會帶來“維數(shù)災難”問題，增加計算的復雜度；對于不同類型的特征，其表示形式、物理意義、量綱各不相同，需對其進行尺度歸一化才能排列成特征向量，而不同特征的有效歸一化是很困難的；不同特征簡單組合在一起，很難選擇適合的分類器。由于各種像素級分類方法都存在著這樣或那樣的缺點，其性能都存在著一定的局限，且在實際應用中對于確定的遙感數(shù)據，不同的分類器的分類精度不同、同一個分類器對不同類別的分類精度也不同，挖掘、提高單個分類器識別性能的努力可能是很困難的。充分利用各種單分類器的優(yōu)點和適用性，采取多分類器融合的技術、改善單個分類器的性能已成為一個研究熱點，并成功地應用于遙感影像分類領域°相關文獻有JainAK.,DuinRPff,MaoJ.StatisticalpatternrecognitionAreview[J].IEEETransonPatternAnalysisandMachineIntelligence,2000,22(I)4-37.BruzzoneL.,CossuR.,VernazzaG.Detectionofland—covertransitionsbycombiningmultidateclassifiers[J].PatternRecognitionLetters,2004,25(13)1491-1500.MaulikUjjwal,SahaIndrajit.Automaticfuzzyclusteringusingmodifieddifferentialevolutionforimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2010，48(9):3503-3510.對于遙感影像像分類而言，多分類器融合一般在抽象級和測量級上進行。因測量級融合比抽象級融合有更豐富的信息量，保證了分類器輸出信息的完整性，分類可靠性更高，其應用潛力較大。由于多分類器融合系統(tǒng)中各個分量分類器的分類性能和適用性不同，為充分利用各個分類器的優(yōu)點，使融合結果達到高識別率和高可信度，可根據各個分量分類器的分類識別性能，對分類器在融合決策中所起的作用有所區(qū)別。若某個分類器對影像分類精度較高，則該分類器在融合分類決策時分配一個較大的權重；若該分類器對影像分類精度較低，則該分類器在融合分類決策時分配一個較小的權重。也就是說，在融合決策時，可根據各個分量分類器的分類性能對各個分類器的輸出進行加權。目前，將多分類器測量級加權融合應用于遙感影像分類的研究，常采用兩類加權方法基于平均準則的加權法和基于識別性能矩陣的加權法。相關文獻有SunShiliang.Localwithin-classaccuraciesforweightingindividualoutputsinmultipleclassifiersystems[J].PatternRecognitionLetters,2010,31(2):119-124.胡利平，劉宏偉，吳順君.基于多分類器融合的SAR圖像自動目標識別方法[J].系統(tǒng)工程與電子技術，2008，30(5)=839-842.孫灝，杜培軍，趙衛(wèi)常.基于多分類器組合的高分辨率遙感影像目標識別[J].地理與地理信息科學，2009，25(I):32-35.在多分類器加權融合的兩類方法中，基于平均準則的加權法賦予各個分類器相同的權值，其缺點是不能體現(xiàn)各個分類器的分類性能差異，也不能根據各個分量分類器的性能優(yōu)劣來調整融合分類器的輸出。基于識別性能矩陣的加權法，根據訓練樣本的分類統(tǒng)計情況評定各個成員分類器的分類性能，以此為依據確定各個分類器在融合系統(tǒng)中的權值，以使模型在統(tǒng)計意義上達到最優(yōu)，這在一定程度上體現(xiàn)了各分類器的性能差異。其缺點是當訓練樣本數(shù)量較少或訓練樣本的質量不高時，分類器的權值并不一定能正確反映分類器在融合系統(tǒng)中的作用。對于一些以識別性能矩陣為基礎的改進加權算法，在用識別性能矩陣評價分類器分類性能的同時，也考慮了訓練樣本的特點，使分類器的權值更為準確，其缺點是仍然沒有綜合考慮樣本的整體分布和各個樣本的特征差異，不能根據各分量分類器對于某一樣本的識別性能和區(qū)分可信度高低，為該樣本在該分類器分配一個與之適應的權值。相關文獻有米愛中，郝紅衛(wèi)，鄭雪峰，涂序彥.一種自整定權值的多分類器融合方法[J].電子學報，2009，37(11)=2604-2609.
發(fā)明內容針對上述問題，本發(fā)明提出基于多分類器自適應權值融合的遙感影像分類方法及系統(tǒng)，目的在于克服上述已有方法的缺點，提高遙感影像分類的精度。本發(fā)明提供的技術方案是一種多分類器自適應權值融合的影像分類方法，包括以下步驟步驟1，提取訓練樣本和待識別樣本的特征，包括光譜特征、紋理特征、分形維數(shù)特征和專題特征；訓練樣本是從多光譜遙感影像中選取的各類別的像素，待識別樣本是待識別的多光譜遙感影像內像素；提取訓練樣本和待識別樣本的特征實現(xiàn)方式如下，所述光譜特征是像素在各個波段的光譜值構成的向量；所述紋理特征是像素在各個波段的紋理特征值構成的向量，所述紋理特征值包括能量Ener、同質度Hom和熵Ent，利用灰度共生矩陣分別提取能量Ener、同質度Horn、熵Ent的計算公式如下，權利要求1.一種多分類器自適應權值融合的影像分類方法，其特征在于，包括以下步驟步驟1，提取訓練樣本和待識別樣本的特征，包括光譜特征、紋理特征、分形維數(shù)特征和專題特征；訓練樣本是從多光譜遙感影像中選取的各類別的像素，待識別樣本是待識別的多光譜遙感影像內像素；提取訓練樣本和待識別樣本的特征實現(xiàn)方式如下，所述光譜特征是像素在各個波段的光譜值構成的向量；所述紋理特征是像素在各個波段的紋理特征值構成的向量，所述紋理特征值包括能量Ener>同質度Hom和熵Ent,利用灰度共生矩陣分別提取能量Ener、同質度Horn、熵Ent的計算公式如下，2.用于實現(xiàn)權利要求I所述多分類器自適應權值融合的影像分類方法的遙感影像分類系統(tǒng)，其特征在于包括特征提取模塊、分量分類器訓練模塊、分量分類器輸出模塊、分量分類器自適應權值計算模塊和融合分類器輸出模塊，所述特征提取模塊，用于對多光譜遙感影像提取特征，多光譜遙感影像包括訓練樣本和待識別樣本，訓練樣本的特征輸入到分量分類器訓練模塊和分量分類器自適應權值計算模塊，待識別樣本的特征輸入到分量分類器輸出模塊和分量分類器自適應權值計算模塊；所述分量分類器訓練模塊，用于根據訓練樣本的特征訓練分量分類器，訓練后所得分量分類器輸入分量分類器輸出模塊；所述分量分類器輸出模塊，用于將待識別樣本的特征輸入到對應的訓練后所得分量分類器，得到各個分量分類器的測量級輸出和抽象級輸出，測量級輸出送入分量分類器自適應權值計算模塊，測量級輸出轉換為后驗概率向量并輸入融合分類器輸出模塊；所述分量分類器自適應權值計算模塊，用于根據訓練樣本的特征、待識別樣本的特征和由分量分類器輸出模塊輸入的測量級輸出計算各分量分類器對每個待識別樣本的權值，并輸出到融合分類器輸出模塊；所述融合分類器輸出模塊，用于根據由分量分類器輸出模塊輸入的測量級輸出轉換的后驗概率向量和各分量分類器對每個待識別樣本的權值計算融合分類器的測量級輸出，根據測量級輸出和決策規(guī)則計算抽象級輸出，得到多光譜影像分類結果。全文摘要本發(fā)明涉及多分類器自適應權值融合的影像分類方法及系統(tǒng)，選擇了能兼顧不同種類地物的多種特征，包括光譜特征、紋理特征、分形維數(shù)特征以及專題特征；對于不同特征，選擇不同的分類器然后進行融合，與每個單分類器相比，融合分類器具有更高的分類精度和更好的分類效果。并且，分量分類器的權值是根據分量分類器對各個樣本的分類可信度自適應地設計，而不是以一個對所有樣本都固定的權值進行融合決策。文檔編號G06N3/08GK102646200SQ20121006009公開日2012年8月22日申請日期2012年3月8日優(yōu)先權日2012年3月8日發(fā)明者萬幼川,劉繼琳,李剛申請人:武漢大學