[發明專利]基于集成學習的高光譜遙感數據分類方法

在審

• 申請號: 201410283594.1
• 申請日: 2014-06-23
• 公開（公告）號: CN104021396A
• 公開（公告）日: 2014-09-03
• 發明（設計）人: 陳雨時;趙興;王強;劉思宇
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 張利明

1.一種基于集成學習的高光譜遙感數據分類方法，其特征在于，它包括以下步驟：

步驟一：讀取高光譜遙感數據，采用主成分分析法計算獲得高光譜遙感數據的特征值和特征向量，進而獲得高光譜遙感數據的光譜特征；再運用灰度共生矩陣由特征向量提取獲得高光譜遙感數據的空間特征；

步驟二：將光譜特征與空間特征整合為多特征集合；

步驟三：由多特征集合確定標記樣本并選擇訓練樣本和測試樣本；

步驟四：基于集成學習方法，設計特征差異的Adaboost集成分類框架，并使用訓練樣本訓練獲得F個弱分類器；

步驟五：使用F個弱分類器對測試樣本進行分類。

2.根據權利要求1所述的基于集成學習的高光譜遙感數據分類方法，其特征在于，高光譜遙感數據的光譜特征的獲得方法為：

首先計算出高光譜遙感數據的協方差矩陣，根據協方差矩陣采用主成分分析法求出所有數據的特征值和特征向量，并按照特征值從大到小的順序，排列相應的特征向量，并使用特征向量作為加權系數計算獲得B個主成分分量，B為正整數；選取排列在前的N個主成分分量作為高光譜遙感數據的光譜特征，N為B/2取整后的數值；

高光譜遙感數據的空間特征的獲得方法為：將N個主成分分量中每一個主成分分量作為一幅二維灰度圖像；對每幅二維灰度圖像進行處理獲得空間特征的具體方法為：

選定一幅二維灰度圖像b的w×w的區域窗口，設定該二維灰度圖像的灰度值級數為K，在所述區域窗口內任取兩個特定灰度值(g_p,g_q)，p＝1，2，3……，K，q＝1，2，3……，K；再取連線角度為θ，相距距離為d的兩點，使該兩點遍歷整個區域窗口，計算該兩點遍歷過程中，對應出現特定灰度值(g_p,g_q)的頻率，再將該頻率歸一化為出現的概率P(g_p,g_q)，所有(g_p,g_q)的組合對應獲得的概率P(g_p,g_q)形成K×K方陣，該K×K方陣作為二維灰度圖像b的灰度共生矩陣；以度量m作為灰度共生矩陣紋理的描述，獲得函數f_GLCM(b,w,d,θ,m)，將w×w的區域窗口在整幅二維灰度圖像上以每一個像素點為中心滑動，得到由函數f_GLCM(b,w,d,θ,m)的值構成的二維圖像，該二維圖像作為高光譜遙感數據的空間特征。

3.根據權利要求2所述的基于集成學習的高光譜遙感數據分類方法，其特征在于，步驟二中多特征集合的獲得方法為：

在1到N中隨機的選擇D個數字編號，D<N，在光譜特征與空間特征中按照D個數字編號抽取對應的一維光譜特征和二維空間特征數據，形成一個三維矩陣表示的多特征集合；重復此過程F-1次，獲得F個多特征集合。

4.根據權利要求3所述的基于集成學習的高光譜遙感數據分類方法，其特征在于，所述D的取值范圍為20-30。

5.根據權利要求4所述的基于集成學習的高光譜遙感數據分類方法，其特征在于，

選擇訓練樣本和測試樣本的具體方法為：

將高光譜遙感數據中各像素點空間位置對應的真實地物標記圖表達為二維矩陣，該二維矩陣作為監督數據，監督數據以整數值的形式標記真實地物標記圖中相應像素點的地物類別，使具有同一地物類別的像素點具有相同的標記整數值，所有標記整數值形成標記樣本；

讀入多特征集合S_f(f＝1,2,…,F)以及監督數據，確定真實地物標記圖中地物類別數目C以及有效的特征數目2D；

在監督數據中，查找所有標記樣本的空間位置坐標，按照空間位置坐標在高光譜遙感數據中從上向下，并且從左向右的順序，抽取每一個多特征集合S_f(f＝1,2,…,F)中數據的多特征向量，將所有抽取的多特征向量排列成行向量，形成二維矩陣，該二維矩陣的行數是高光譜數據標記樣本的個數，列數是每個像素的特征數目2D，將二維矩陣中奇數行作為訓練樣本的多特征向量，偶數行作為測試樣本的多特征向量；

對標記樣本的地物類別標號，在監督數據中從上向下，并且從左向右抽取數值，排列形成列向量，該列向量中元素的個數為標記樣本的個數，每一個元素的數值為一個標記樣本的類別標號，第奇數個元素作為訓練樣本的類別標號；第偶數個元素作為測試樣本的類別標號。