[發明專利]多分類器自適應權值融合的影像分類方法及系統

無效

• 申請號: 201210060093.8
• 申請日: 2012-03-08
• 公開（公告）號: CN102646200A
• 公開（公告）日: 2012-08-22
• 發明（設計）人: 萬幼川;李剛;劉繼琳
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 薛玲

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Hom、熵Ent的計算公式如下，

Ener=Σa,bp(a,b)2]]>

Hom=Σa,bp(a,b)1+|a-b|]]>

Ent=-Σa,bp(a,b)log(p(a,b))]]>

其中，p(a，b)是灰度a，b的共生概率；

所述分形維數特征采用像素所在窗口影像的盒維數，計算方式是將二維的多光譜遙感影像R×R分割成一系列s×s的網格，對于網格尺寸s取一系列值，計算出對應的N_r以及相應的對數值(log(N_r)，log(1/r))，最小二乘擬合(log(N_r)，log(1/r))之間的斜率，即為所求的盒維數D，計算公式如下，

D=limr->0[log(Nr)/log(1/r)],]]>r＝s/R，n_r(i，j)＝l-k+1，Nr=Σ(i,j)nr(i,j),]]>

其中，R是多光譜遙感影像尺寸，k和l是網格(i，j)中的最小值分盒子序號和最大值分盒子序號，n_r(i，j)為網格(i，j)上的盒子數；

所述專題特征由四個分量構成，

專題特征第一分量s₁由像素在近紅外波段和紅外波段的光譜差與近紅外波段和紅外波段的光譜和的比值計算，計算公式如下，

s1=GNIR-GRGNIR+GR]]>

專題特征第二分量s₂，由像素在各個波段的光譜加權和計算，計算公式如下，

s₂＝W_BG_B+W_GG_G+W_RG_R+W_NIRGNIR

專題特征第三分量s₃，由像素在綠光波段與近紅外波段的光譜差值計算，計算公式如下

s₃＝W_GG_G-W_NIRG_NIR

專題特征第四分量s₄，由像素在紅光波段與綠光波段的光譜差值計算，計算公式如下，

s₄＝W_RG_R-W_GG_G

其中，G_B、G_G、G_R、G_NIR分別為藍光波段、綠光波段、紅光波段、近紅外波段的光譜值，W_B、W_G、W_R、W_NIR分別為藍光波段、綠光波段、紅光波段、近紅外波段的權值；

步驟2，以步驟1所得訓練樣本的特征和相應類別訓練分量分類器，然后采用訓練后的分量分類器對步驟1所得待識別樣本的特征進行分類；所述分量分類器包括RBF神經網絡分類器、核聚類改進的RBF神經網絡分類器、最小距離分類器和貝葉斯分類器，具體包括以下操作，

用訓練樣本的光譜特征訓練RBF神經網絡分類器，用訓練后所得RBF神經網絡分類器對待識別樣本的光譜特征進行分類，獲得RBF神經網絡分類器的測量級輸出，根據測量級輸出獲得抽象級輸出；

用訓練樣本的紋理特征訓練基于核聚類的RBF神經網絡分類器，用訓練后所得核聚類改進的RBF神經網絡分類器對待識別樣本的紋理特征進行分類，獲得核聚類改進的RBF神經網絡分類器的測量級輸出，根據測量級輸出獲得抽象級輸出；

用訓練樣本的分形維數特征訓練最小距離分類器，用訓練后所得最小距離分類器對待識別樣本的分形維數特征進行分類，獲得最小距離分類器的測量級輸出，根據測量級輸出獲得抽象級輸出；

用訓練樣本的專題特征訓練貝葉斯分類器，用訓練后所得貝葉斯分類器對待識別樣本的專題特征進行分類，獲得貝葉斯分類器的測量級輸出，根據測量級輸出獲得抽象級輸出；

步驟3，將各分量分類器對待識別樣本的測量級輸出轉化為后驗概率向量，設某待識別樣本x_j的輸出向量d_j＝(d_j1，d_j2，Λ，d_jm)轉化成后驗概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，計算公式如下，

pji=p(xj∈ci|xj)=1/djiΣi=1m1/dji,1≤i≤m]]>

其中，p_ji表示待識別樣本x_j屬于類別c_i的后驗概率，m為類別總數；

步驟4，計算各分量分類器的每個類別的輸出端點在每個待識別樣本的總權值；設決策融合的分類器集合為R＝{R₁，R₂，R₃，R₄}，其中R₁，R₂，R₃，R₃分別表示RBF神經網絡分類器、核聚類改進的RBF神經網絡分類器、最小距離分類器和貝葉斯分類器；為任一分量分類器R_u，u的取值為1，2，3，4，計算每個待識別樣本的總權值包括以下步驟，

步驟4.1，設類別集合為C＝{c₁，c₂，L，c_m}，類別c_i的訓練樣本集為(1≤i≤m，1≤k≤ni)，xⁱ_k表示屬于類別c_i的第k個訓練樣本，n_i是屬于類別c_i的訓練樣本總數，通過計算期望值熵得到云期望曲面方程f_i(x_k，t)，將任一待識別樣本x的云期望曲面方程記為f_i(x)，計算公式如下，

Ex,ti=1niΣk=1nixk,ti]]>

En,ti=π2×1niΣk=1ni|xk,ti-Ex,ti|]]>

fi(xk,t)=exp(-12Σi=1d(xk,t-Ex,ti)2En,ti)]]>

其中，表示類別c_i第t維的期望和熵，表示類別c_i第k個訓練樣本第t維的特征值，x_k，t表示第k個待識別樣本的第t維特征值，d為特征維數；期望值為類別c_i第1，2，...d維的期望組成的向量，熵為類別c_i第1，2，...d維的熵組成的向量；

步驟4.2，根據步驟1所得云期望曲面方程f_i(x)，得任一待識別樣本x對各個類別的隸屬度向量(f₁(x)，f₂(x)，Λ，f_m(x))，計算分量分類器R_u在待識別樣本x的權值ω_i(x)，記為ω_u，i(x)，計算公式如下，

ωi(x)=1-11+e-(x′-Exi)22kσi(x)2]]>

σi(x)=1m-1Σi=1m(fi(x)-f‾i(x))2]]>

f‾i(x)=1mΣi=1mfi(x)]]>

其中，e為指數運算函數，k為經驗值系數，x′即待識別樣本x的像素值，為步驟4.1所得期望值；

步驟4.3，計算待識別樣本x在分量分類器R_u中輸出節點c_i的權值w_u，i(x)，u的取值為1，2，3，4；計算公式如下，

w_u，i(x)＝1/d(y^(u)，Y_u)

其中，d()表示兩向量的歐式距離，y^(u)表示輸入待識別樣本x時分量分類器R_u的輸出向量，Y_u表示分量分類器R_u的期望輸出，其中輸出節點c_i的期望輸出為1，其余分量均為0；

步驟4.4，計算待識別樣本x在分量分類器R_u中輸出節點c_i的總權值W_u，i(x)，計算公式如下，

W_u，i(x)＝ω_u，i(x)×w_u，i(x)

步驟5，將步驟3所得各分量分類器的測量級輸出的后驗概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，用步驟4所得各分量分類器在輸出節點的總權值W_u，i(x)進行加權平均，得到融合分類器的測量級輸出；

步驟6，根據步驟5所得融合分類器的測量級輸出，以最大測量值原則作為融合決策規則，得到融合分類器對每個像素的抽象級輸出，獲得多光譜影像分類結果。

2.用于實現權利要求1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，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則計算抽象級輸出，得到多光譜影像分類結果。