[發(fā)明專利]基于加權(quán)熵的半監(jiān)督隨機(jī)森林高光譜遙感影像分類方法

在審

• 申請?zhí)枺?/td>: 201711323789.4
• 申請日: 2017-12-13
• 公開（公告）號: CN108038448A
• 公開（公告）日: 2018-05-15
• 發(fā)明（設(shè)計(jì)）人: 王春陽;王雙亭;孫蒙蒙;李梟;馮凡;邵偉寬;岳瀚棟
• 申請（專利權(quán)）人: 河南理工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 鄭州浩德知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41130
• 代理人: 王國旭

本發(fā)明涉及一種基于加權(quán)熵的半監(jiān)督隨機(jī)森林高光譜遙感影像分類方法，包括基礎(chǔ)建模，高光譜遙感圖像數(shù)據(jù)信息分析，評定輸出結(jié)果，不確定性轉(zhuǎn)換及補(bǔ)漏計(jì)算等五個(gè)步驟。本發(fā)明充分利用高光譜遙感圖像中僅能獲取的少量訓(xùn)練樣本和大量未標(biāo)記的樣本進(jìn)行高光譜圖像信息的挖掘，利用帶概率隨機(jī)森林通過決策樹按照投票的方式初步確定出地物的類別，之后采用加權(quán)熵算法篩選出滿足研究者需求的很難提取出來的地物類別，選取加權(quán)熵最大的像元添加到訓(xùn)練樣本中，在進(jìn)行迭代處理，直到滿足截止條件為止或者未標(biāo)記的樣本已經(jīng)用完的時(shí)候，停止迭代輸出分類結(jié)果，最終完成地物的分類。

技術(shù)領(lǐng)域

本發(fā)明涉基于加權(quán)熵的半監(jiān)督隨機(jī)森林高光譜遙感影像分類方法，屬遙感測繪技術(shù)領(lǐng)域。

背景技術(shù)

隨著空間技術(shù)的迅猛發(fā)展，遙感影像對我們的生活的影響越來越大，傳統(tǒng)的遙感分類技術(shù)已經(jīng)不能滿足現(xiàn)在人們的圖像信息挖掘的要求。如何充分的挖掘出遙感影像潛在的信息已經(jīng)成為我們研究的熱點(diǎn)。而遙感影像分類技術(shù)是信息挖掘的核心技術(shù)，因此越來越多的學(xué)者深入到對遙感影像分類技術(shù)的研究之中。

本文實(shí)驗(yàn)中使用的是高光譜遙感圖像。它是一種集光譜維度和空間維度于一體的包含大量潛在信息的成像遙感技術(shù)。由于它包含有大量的信息以及數(shù)據(jù)具有多義性，易受Huges噪聲的影響，故傳統(tǒng)的基于單個(gè)分類器分類方法已不能滿足于高光譜遙感的分類需求?？紤]到高光譜遙感圖像的特征，考慮使用隨機(jī)森林算法進(jìn)行分類。

隨機(jī)森林算法是一種基于CART決策樹算法原理的分類方法，它由一系列 CART決策樹組合而成的，并由決策樹進(jìn)行投票，最后把得票數(shù)最多的作為該地物類別最終的分類結(jié)果。其使用的屬性度量標(biāo)準(zhǔn)是Gino指標(biāo)。

這種算法是分類樹的匯總，給出了所有變量的重要性，這種算法面對在數(shù)據(jù)缺失和不平衡時(shí)候仍舊比較穩(wěn)健，可以預(yù)測多達(dá)幾千種解釋變量。隨機(jī)森林通過產(chǎn)生大量的分類樹建立自變量與因變量的關(guān)系，這可以成功得計(jì)算出變量非線性作用和交互作用，即使在干擾性比較大的情況下，業(yè)不易產(chǎn)生過度擬合?；陔S機(jī)森林的以上特性，將其用來處理高光譜遙感影像中局部極值以及各分類地物差別大以及訓(xùn)練速度較慢的問題是一個(gè)很不錯(cuò)的選擇。

鑒于高光譜遙感影像自身信息量大并且它還是一種新型細(xì)分光譜成像遙感技術(shù)，要充分挖掘出其中的潛在信息非常困難，同時(shí)考慮訓(xùn)練樣本獲取十分困難，并且代價(jià)很高的現(xiàn)狀，傳統(tǒng)的監(jiān)督分類的方法顯而不太實(shí)用。但是非監(jiān)督分類的方法雖然不需要訓(xùn)練樣本，但是由于其分類精度的局限，在現(xiàn)實(shí)分類中很少被用到。鑒于以上原因，使用半監(jiān)督分類的方法進(jìn)行地物分類會是一個(gè)不錯(cuò)的選擇。

半監(jiān)督分類是一種主動(dòng)學(xué)習(xí)的分類算法，在有訓(xùn)練過程中同時(shí)使用了標(biāo)記樣本和未標(biāo)記樣本。在信息量爆炸的今天，分類問題變得越來越復(fù)雜，而半監(jiān)督分類算法在僅獲取一小部分分類樣本的情況下，達(dá)到了很好得分類效果，受到了人們的青睞。這種分類算法是從少量標(biāo)記實(shí)例和大量未標(biāo)記實(shí)例中創(chuàng)建模型的。