[发明专利]多分类器自适应权值融合的影像分类方法及系统

摘要

本发明涉及多分类器自适应权值融合的影像分类方法及系统，选择了能兼顾不同种类地物的多种特征，包括光谱特征、纹理特征、分形维数特征以及专题特征；对于不同特征，选择不同的分类器然后进行融合，与每个单分类器相比，融合分类器具有更高的分类精度和更好的分类效果。并且，分量分类器的权值是根据分量分类器对各个样本的分类可信度自适应地设计，而不是以一个对所有样本都固定的权值进行融合决策。

主权项

1.一种多分类器自适应权值融合的影像分类方法，其特征在于，包括以下步骤：步骤1，提取训练样本和待识别样本的特征，包括光谱特征、纹理特征、分形维数特征和专题特征；训练样本是从多光谱遥感影像中选取的各类别的像素，待识别样本是待识别的多光谱遥感影像内像素；提取训练样本和待识别样本的特征实现方式如下，所述光谱特征是像素在各个波段的光谱值构成的向量；所述纹理特征是像素在各个波段的纹理特征值构成的向量，所述纹理特征值包括能量Ener、同质度Hom和熵Ent，利用灰度共生矩阵分别提取能量Ener、同质度Hom、熵Ent的计算公式如下，Ener=Σa,bp(a,b)2]]>Hom=Σa,bp(a,b)1+|a-b|]]>Ent=-Σa,bp(a,b)log(p(a,b))]]>其中，p(a，b)是灰度a，b的共生概率；所述分形维数特征采用像素所在窗口影像的盒维数，计算方式是将二维的多光谱遥感影像R×R分割成一系列s×s的网格，对于网格尺寸s取一系列值，计算出对应的N_r以及相应的对数值(log(N_r)，log(1/r))，最小二乘拟合(log(N_r)，log(1/r))之间的斜率，即为所求的盒维数D，计算公式如下，D=limr->0[log(Nr)/log(1/r)],]]>r＝s/R，n_r(i，j)＝l-k+1，Nr=Σ(i,j)nr(i,j),]]>其中，R是多光谱遥感影像尺寸，k和l是网格(i，j)中的最小值分盒子序号和最大值分盒子序号，n_r(i，j)为网格(i，j)上的盒子数；所述专题特征由四个分量构成，专题特征第一分量s₁由像素在近红外波段和红外波段的光谱差与近红外波段和红外波段的光谱和的比值计算，计算公式如下，s1=GNIR-GRGNIR+GR]]>专题特征第二分量s₂，由像素在各个波段的光谱加权和计算，计算公式如下，s₂＝W_BG_B+W_GG_G+W_RG_R+W_NIRGNIR专题特征第三分量s₃，由像素在绿光波段与近红外波段的光谱差值计算，计算公式如下s₃＝W_GG_G-W_NIRG_NIR专题特征第四分量s₄，由像素在红光波段与绿光波段的光谱差值计算，计算公式如下，s₄＝W_RG_R-W_GG_G其中，G_B、G_G、G_R、G_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的光谱值，W_B、W_G、W_R、W_NIR分别为蓝光波段、绿光波段、红光波段、近红外波段的权值；步骤2，以步骤1所得训练样本的特征和相应类别训练分量分类器，然后采用训练后的分量分类器对步骤1所得待识别样本的特征进行分类；所述分量分类器包括RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器，具体包括以下操作，用训练样本的光谱特征训练RBF神经网络分类器，用训练后所得RBF神经网络分类器对待识别样本的光谱特征进行分类，获得RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；用训练样本的纹理特征训练基于核聚类的RBF神经网络分类器，用训练后所得核聚类改进的RBF神经网络分类器对待识别样本的纹理特征进行分类，获得核聚类改进的RBF神经网络分类器的测量级输出，根据测量级输出获得抽象级输出；用训练样本的分形维数特征训练最小距离分类器，用训练后所得最小距离分类器对待识别样本的分形维数特征进行分类，获得最小距离分类器的测量级输出，根据测量级输出获得抽象级输出；用训练样本的专题特征训练贝叶斯分类器，用训练后所得贝叶斯分类器对待识别样本的专题特征进行分类，获得贝叶斯分类器的测量级输出，根据测量级输出获得抽象级输出；步骤3，将各分量分类器对待识别样本的测量级输出转化为后验概率向量，设某待识别样本x_j的输出向量d_j＝(d_j1，d_j2，Λ，d_jm)转化成后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，计算公式如下，pji=p(xj∈ci|xj)=1/djiΣi=1m1/dji,1≤i≤m]]>其中，p_ji表示待识别样本x_j属于类别c_i的后验概率，m为类别总数；步骤4，计算各分量分类器的每个类别的输出端点在每个待识别样本的总权值；设决策融合的分类器集合为R＝{R₁，R₂，R₃，R₄}，其中R₁，R₂，R₃，R₃分别表示RBF神经网络分类器、核聚类改进的RBF神经网络分类器、最小距离分类器和贝叶斯分类器；为任一分量分类器R_u，u的取值为1，2，3，4，计算每个待识别样本的总权值包括以下步骤，步骤4.1，设类别集合为C＝{c₁，c₂，L，c_m}，类别c_i的训练样本集为(1≤i≤m，1≤k≤ni)，xⁱ_k表示属于类别c_i的第k个训练样本，n_i是属于类别c_i的训练样本总数，通过计算期望值熵得到云期望曲面方程f_i(x_k，t)，将任一待识别样本x的云期望曲面方程记为f_i(x)，计算公式如下，Ex,ti=1niΣk=1nixk,ti]]>En,ti=π2×1niΣk=1ni|xk,ti-Ex,ti|]]>fi(xk,t)=exp(-12Σi=1d(xk,t-Ex,ti)2En,ti)]]>其中，表示类别c_i第t维的期望和熵，表示类别c_i第k个训练样本第t维的特征值，x_k，t表示第k个待识别样本的第t维特征值，d为特征维数；期望值为类别c_i第1，2，...d维的期望组成的向量，熵为类别c_i第1，2，...d维的熵组成的向量；步骤4.2，根据步骤1所得云期望曲面方程f_i(x)，得任一待识别样本x对各个类别的隶属度向量(f₁(x)，f₂(x)，Λ，f_m(x))，计算分量分类器R_u在待识别样本x的权值ω_i(x)，记为ω_u，i(x)，计算公式如下，ωi(x)=1-11+e-(x′-Exi)22kσi(x)2]]>σi(x)=1m-1Σi=1m(fi(x)-f‾i(x))2]]>f‾i(x)=1mΣi=1mfi(x)]]>其中，e为指数运算函数，k为经验值系数，x′即待识别样本x的像素值，为步骤4.1所得期望值；步骤4.3，计算待识别样本x在分量分类器R_u中输出节点c_i的权值w_u，i(x)，u的取值为1，2，3，4；计算公式如下，w_u，i(x)＝1/d(y^(u)，Y_u)其中，d()表示两向量的欧式距离，y^(u)表示输入待识别样本x时分量分类器R_u的输出向量，Y_u表示分量分类器R_u的期望输出，其中输出节点c_i的期望输出为1，其余分量均为0；步骤4.4，计算待识别样本x在分量分类器R_u中输出节点c_i的总权值W_u，i(x)，计算公式如下，W_u，i(x)＝ω_u，i(x)×w_u，i(x)步骤5，将步骤3所得各分量分类器的测量级输出的后验概率向量p_j＝(p_j1，p_j2，Λ，p_jm)，用步骤4所得各分量分类器在输出节点的总权值W_u，i(x)进行加权平均，得到融合分类器的测量级输出；步骤6，根据步骤5所得融合分类器的测量级输出，以最大测量值原则作为融合决策规则，得到融合分类器对每个像素的抽象级输出，获得多光谱影像分类结果。