[發明專利]一種遙感影像分類方法

有效

• 申請號: 201910139205.0
• 申請日: 2019-02-26
• 公開（公告）號: CN109886340B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 韓鎮;竇鵬
• 申請（專利權）人: 山東星藍信息科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 種艷麗

1.一種遙感影像分類方法，其特征在于：包括如下步驟：

步驟1：在基分類器層，通過傳統分類算法得到基分類器h_l；

步驟2：在M-Bagging層，通過M-Bagging方法，對步驟1中基分類器層的基分類器的分類結果進行集成，得到M-Bagging分類器h；

具體為：將抽樣比例設置成一個10％至100％之間的隨機數，從訓練樣本中使用隨機抽樣的方法獲取訓練樣本，分別使用基分類器層中的基分類器對訓練樣本進行分類，將分類得到的結果通過多數投票的方法進行集成，得到M-Bagging分類器h；

具體包括如下步驟：

步驟2.1：確定M-Bagging的迭代次數K_b；

步驟2.2：獲取0.1到1之間的隨機數z_l，計算從樣本集S中抽取樣本的個數n_l；通過控制樣本的個數實現分類器的多樣性；

其中，樣本集S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}(x_j∈X,y_j∈Y)，其中，n是樣本的總個數，X和Y分別為樣本的特征空間和類別標簽；

步驟2.3：采用有放回隨機抽樣的方法，從樣本集S中抽取n_l個訓練樣本，得到一個訓練集S_l，并訓練一個基分類器h_l：X→Y，其中l＝1,2,...,K_b；

步驟2.4：使用基分類器h_l，對樣本集S中的訓練樣本進行分類；

步驟2.5：循環執行步驟2.2-步驟2.4K_b次，生成K_b個基分類器，對于一個未知類別的實體x，其最終分類結果，通過對基分類器h_l按照公式(1)使用加權投票的方法集成，從而得到一個M-Bagging分類器h；

其中，h_l(x)表示使用基分類器h_l對樣本x的分類結果；

步驟3：在AdaBoost層，通過使用AdaBoost方法，對步驟2中的M-Bagging分類器進行精度提升，得到M-Bagging-AdaBoost集成分類器H；

具體為：通過M-Bagging分類器對整個訓練樣本進行分類，計算M-Bagging分類器的誤差，利用AdaBoost方法，生成多個M-Bagging分類器，并集成它們的分類結果，得到M-Bagging-AdaBoost集成分類器H；具體包括如下步驟：

步驟3.1：確定AdaBoost的迭代次數K_a，初始化樣本集S中樣本的權重W(j)；

其中，樣本集S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}(x_j∈X,y_j∈Y)，其中，n是樣本的總個數，X和Y分別為樣本的特征空間和類別標簽，W(j)為第j個樣本的權重；其中，j＝1,2,..,n；

步驟3.2：通過加權有放回采樣的方法，從S中獲取訓練樣本，訓練一個M-Bagging分類器h_i：X→Y，其中，i＝1,2,…,K_a；根據公式(2)，計算h_i的誤差ε_i：

其中，h_i(x_j)表示M-Bagging分類器h_i對第j個樣本x_j的分類結果；

如果ε_i0.5，則初始化樣本集S中第j個樣本的權重，W(j)＝1/n，然后轉到步驟3.2；

步驟3.3：計算β_i＝ε_i/(1-ε_i)，并按照公式(3)，更新樣本權重W_i+1(j)：

其中，Z_i為使所有樣本權重之和為1的歸一化因子；

步驟3.4：計算λ_i＝log(1/β_i)，并將λ_i作為h_i的投票權重；

步驟3.5：按照公式(4)，通過加權投票的方法進行集成，得到一個M-Bagging-AdaBoost集成分類器H；

其中，x表示未知類別的實體，h_i(x)表示第i個M-Bagging分類器對x的分類結果；

步驟4：將待分類像元，輸入到M-Bagging-AdaBoost集成分類器，通過M-Bagging層和AdaBoost層后，得到遙感影像的最終分類結果。