[發(fā)明專利]基于集成學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410283594.1
• 申請(qǐng)日: 2014-06-23
• 公開（公告）號(hào): CN104021396A
• 公開（公告）日: 2014-09-03
• 發(fā)明（設(shè)計(jì)）人: 陳雨時(shí);趙興;王強(qiáng);劉思宇
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/66
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 張利明

技術(shù)領(lǐng)域

本發(fā)明涉及基于集成學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，屬于光譜數(shù)據(jù)分類技術(shù)領(lǐng)域。

背景技術(shù)

隨著遙感技術(shù)的發(fā)展和成像設(shè)備的日益改進(jìn)，高光譜遙感成為了光學(xué)遙感中的一個(gè)新的階段。高光譜遙感能在電磁波譜的紫外、可見(jiàn)光、近紅外和中紅外區(qū)域獲取許多非常窄而且光譜連續(xù)的圖像數(shù)據(jù)。這使得人們通過(guò)遙感技術(shù)觀測(cè)和偵察地表地物的能力有了一個(gè)新的飛躍。在高光譜數(shù)據(jù)中，同時(shí)包含了地物的空間結(jié)構(gòu)以及光譜特性信息，這使得對(duì)地物的識(shí)別和分類能力都有了很大的提升。但是高光譜遙感的海量數(shù)據(jù)、高維度、小樣本以及存在噪聲和奇異值等特點(diǎn)為高光譜圖像地物分類在實(shí)際應(yīng)用中帶來(lái)了極大的困難。因此，對(duì)于高光譜數(shù)據(jù)分類方法的研究有著深刻而長(zhǎng)遠(yuǎn)的意義。

傳統(tǒng)的單一分類器對(duì)于高光譜數(shù)據(jù)的高維度以及噪聲和異常值較為敏感。此外，其分類算法大多是從光譜維的角度對(duì)高光譜數(shù)據(jù)進(jìn)行處理的，沒(méi)有結(jié)合圖像這個(gè)最直觀的空間信息。

發(fā)明內(nèi)容

本發(fā)明目的是為了解決現(xiàn)有高光譜數(shù)據(jù)的分類方法從光譜維的角度對(duì)數(shù)據(jù)進(jìn)行分類，數(shù)據(jù)分類精度低的問(wèn)題，提供了一種基于集成學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法。

本發(fā)明所述基于集成學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，它包括以下步驟：

步驟一：讀取高光譜遙感數(shù)據(jù)，采用主成分分析法計(jì)算獲得高光譜遙感數(shù)據(jù)的特征值和特征向量，進(jìn)而獲得高光譜遙感數(shù)據(jù)的光譜特征；再運(yùn)用灰度共生矩陣由特征向量提取獲得高光譜遙感數(shù)據(jù)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(biāo)記樣本并選擇訓(xùn)練樣本和測(cè)試樣本；

步驟四：基于集成學(xué)習(xí)方法，設(shè)計(jì)特征差異的Adaboost集成分類框架，并使用訓(xùn)練樣本訓(xùn)練獲得F個(gè)弱分類器；

步驟五：使用F個(gè)弱分類器對(duì)測(cè)試樣本進(jìn)行分類。

高光譜遙感數(shù)據(jù)的光譜特征的獲得方法為：

首先計(jì)算出高光譜遙感數(shù)據(jù)的協(xié)方差矩陣，根據(jù)協(xié)方差矩陣采用主成分分析法求出所有數(shù)據(jù)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(yīng)的特征向量，并使用特征向量作為加權(quán)系數(shù)計(jì)算獲得B個(gè)主成分分量，B為正整數(shù)；選取排列在前的N個(gè)主成分分量作為高光譜遙感數(shù)據(jù)的光譜特征，N為B/2取整后的數(shù)值；

高光譜遙感數(shù)據(jù)的空間特征的獲得方法為：將N個(gè)主成分分量中每一個(gè)主成分分量作為一幅二維灰度圖像；對(duì)每幅二維灰度圖像進(jìn)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(qū)域窗口，設(shè)定該二維灰度圖像的灰度值級(jí)數(shù)為K，在所述區(qū)域窗口內(nèi)任取兩個(gè)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(diǎn)，使該兩點(diǎn)遍歷整個(gè)區(qū)域窗口，計(jì)算該兩點(diǎn)遍歷過(guò)程中，對(duì)應(yīng)出現(xiàn)特定灰度值(g_p,g_q)的頻率，再將該頻率歸一化為出現(xiàn)的概率P(g_p,g_q)，所有(g_p,g_q)的組合對(duì)應(yīng)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(shù)f_GLCM(b,w,d,θ,m)，將w×w的區(qū)域窗口在整幅二維灰度圖像上以每一個(gè)像素點(diǎn)為中心滑動(dòng)，得到由函數(shù)f_GLCM(b,w,d,θ,m)的值構(gòu)成的二維圖像，該二維圖像作為高光譜遙感數(shù)據(jù)的空間特征。

步驟二中多特征集合的獲得方法為：

在1到N中隨機(jī)的選擇D個(gè)數(shù)字編號(hào)，D<N，在光譜特征與空間特征中按照D個(gè)數(shù)字編號(hào)抽取對(duì)應(yīng)的一維光譜特征和二維空間特征數(shù)據(jù)，形成一個(gè)三維矩陣表示的多特征集合；重復(fù)此過(guò)程F-1次，獲得F個(gè)多特征集合。

所述D的取值范圍為20-30。

選擇訓(xùn)練樣本和測(cè)試樣本的具體方法為：

將高光譜遙感數(shù)據(jù)中各像素點(diǎn)空間位置對(duì)應(yīng)的真實(shí)地物標(biāo)記圖表達(dá)為二維矩陣，該二維矩陣作為監(jiān)督數(shù)據(jù)，監(jiān)督數(shù)據(jù)以整數(shù)值的形式標(biāo)記真實(shí)地物標(biāo)記圖中相應(yīng)像素點(diǎn)的地物類別，使具有同一地物類別的像素點(diǎn)具有相同的標(biāo)記整數(shù)值，所有標(biāo)記整數(shù)值形成標(biāo)記樣本；

讀入多特征集合S_f(f＝1,2,…,F)以及監(jiān)督數(shù)據(jù)，確定真實(shí)地物標(biāo)記圖中地物類別數(shù)目C以及有效的特征數(shù)目2D；