[發明專利]基于加權的旋轉森林高光譜圖像分類方法

在審

• 申請號: 202011207564.4
• 申請日: 2020-11-03
• 公開（公告）號: CN112308151A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 馮偉;董淑仙;全英匯;鐘嫻;童瑩萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

本發明公開了一種基于加權的旋轉森林高光譜圖像分類方法，解決了對高光譜圖像分類精度低和分類模型集成性能低的問題。方案是：高光譜圖像樣本分為訓練和測試集；初始化訓練集樣本權值，與訓練集對應樣本相乘得到加權后訓練集；訓練決策樹基分類器并獲得加權后訓練集分類結果；建立基于加權的旋轉森林模型；將測試集放入基于加權的旋轉森林模型，得到高光譜圖像樣本最終分類結果。本發明通過設計動態加權函數挖掘含有重要信息樣本，并將已生成決策樹基分類器對加權后訓練集分類結果帶入當前要訓練決策樹基分類器中，本發明提高了分類精度和模型集成性能，可用于高光譜圖像的土地分類。

本發明屬于圖像處理技術領域，主要涉及遙感圖像處理，具體是一種基于加權的旋轉森林高光譜圖像分類方法。尤其涉及挖掘重要樣本的遙感分類方法，可用于高光譜圖像土地分類。

背景技術

分類是遙感信息處理的主要任務之一。高光譜數據的分類通常比其他遙感圖像更為困難，這是因為高光譜數據的特征與樣本數目的比率很高，而且特征集中存在冗余信息。盡管大多數學習系統都面臨著被稱為“維數災難”的棘手問題，但研究已經證明了分類器集成技術在高光譜分類中的成功應用。集成學習是開發精確分類系統的有效方法，能夠提升弱分類器性能，做出準確的預測。提升方法(Boosting)和自主聚合法(Bootstrapaggregation，bagging)是主要的集成學習方法。多樣性被認為是分類器組合的一個非常重要的特征，它可以有效地用于減少方差誤差而不增加集成方法的偏差誤差。為了鼓勵bagging的多樣性，1995年，貝爾實驗室的Tin Kam Ho提出了隨機森林(Random Forests,RFs)算法。2005年，Jisoo Ham首次將RFs應用到遙感圖像分類，并取得了令人滿意的效果。RFs是樹預測器的組合，其中決策樹使用有放回的采樣訓練樣本技術構建；它們隨機采樣屬性，并在這些變量中選擇最佳分割，而不是在所有屬性中選擇最佳分割。RFs具有在大型數據庫上高效運行、無需刪除變量即可處理數千個輸入變量、時間成本低等重要優點。

在圖像處理中，Juan J Rodríguez借鑒RFs的思想，提出了旋轉森林(RotationForest，RoF)方法，其目的是建立更加精確和多樣化的基礎分類器。它將特征空間隨機分割成若干子空間，對每個子空間分別應用特征變換，并重復上述過程，為不同的特征子空間生成不同的訓練數據集和基本分類器。邵良杉在論文《基于旋轉森林的分類器集成算法研究》中驗證了旋轉森林算法優于bagging、自適應提升算法(Adaptive Boosting，AdaBoost)和RFs等算法。

綜上，由于旋轉森林使用特征提取算法生成稀疏旋轉矩陣，將原始圖像投影到不同的坐標系中，從而使構建的基分類器具有很強的差異性。因此，RoF在圖像分類中提供了比bagging、AdaBoost和RFs等算法更好的性能。但是，由于RoF算法賦予所有訓練樣本相同的權值，忽略了提供重要信息樣本的潛力。此外，這些算法各自獨立地生成基分類器，其中一些基分類器不僅增加了算法的計算復雜度，而且降低了算法的集成性能。

發明內容

本發明的目的在于針對上述現有技術的不足，提出一種集成性能更好的基于加權的旋轉森林高光譜圖像分類方法。本發明通過挖掘重要樣本，并對樣本進行加權，自適應地指導加權的旋轉森林中樹木的生長，以提高對高光譜圖像的分類精度。

本發明是一種基于加權的旋轉森林高光譜圖像分類方法，其特征在于，包括有如下步驟：

(1)獲取樣本并劃分訓練集和測試集：通過實地采集或者遙感數據庫獲得高光譜圖像樣本，大小為M×F，其中，M表示樣本個數，F表示每個樣本的特征數，用C表示樣本的類別數目；然后從M個樣本中隨機抽取N個樣本作為訓練集S，剩余樣本作為測試集E；S＝(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，x_i表示訓練集S第i個樣本，是一個1×F的向量，y_i表示樣本x_i的標簽，y_i∈{1,2,…,C}；