[发明专利]基于分层集成学习的高光谱遥感图像分类方法

说明书

技术领域

本发明涉及基于分层集成学习的高光谱遥感图像分类方法，属于高光谱遥感图像分类技术领域。

背景技术

随着遥感应用获取数据手段的日益改进，高光谱遥感图像以其独特的优势成为其中重点的研究内容。高光谱遥感能在电磁波谱的紫外、可见光、近红外和中红外区域获取许多非常窄而且光谱连续的图像数据，具有图像和光谱合二为一的特点。这对使用遥感图像进行目标分类、目标识别、目标跟踪等都具有重要的研究价值和应用意义。目前应用高光谱遥感数据对目标地物的分类是高光谱成像的热点应用之一。因此，对于高光谱数据分类方法的研究有着深刻而长远的意义。

目前对高光谱遥感图像进行分类的方法，由于无法克服样本数目少以及噪声和奇异值的影响，使得对图像数据的分类精度低。

发明内容

本发明目的是为了解决高光谱遥感图像数据的分类精度低的问题，提供了一种基于分层集成学习的高光谱遥感图像分类方法。

本发明所述基于分层集成学习的高光谱遥感图像分类方法，它包括以下步骤：

步骤一：读取高光谱原始数据，对其进行预处理，获得监督数据，然后根据监督数据确定标记样本，并由标记样本中选择训练样本和测试样本；

步骤二：对高光谱原始数据的所有的光谱波段，进行随机的波段选择，然后从每一个标记样本中抽取像素向量组合，该像素向量组合中每一个像素向量包含的波段数目与所述随机的波段数目一一对应，形成一个光谱集合；重复随机的波段选择过程并形成对应的光谱集合，构成多个存在差异的光谱集合；

步骤三：以每个光谱集合为单位，使用训练样本训练Adaboost集成框架的内层结构，再对测试样本进行分类，获得由Adaboost框架构成的内层集成；

步骤四：由步骤三中测试样本的分类结果及分类精度，构造Adaboost集成框架的外层结构；

步骤五：采用具有上述内层结构和外层结构的Adaboost集成框架对高光谱原始数据采用遍历方式进行分类，获得分类主题图。

步骤一中确定标记样本，并由标记样本中选择训练样本和测试样本的具体方法为：

读取以三维矩阵形式存储的高光谱原始数据，所述三维矩阵形式包括二维的空间位置信息和一维的光谱信息；将二维的空间位置信息中各像素点空间位置对应的真实地物标记图中的地物类别分别以整数值的形式标记出来，获得二维矩阵形式的监督数据，该监督数据由一一对应的像素点空间位置数据和以整数值的形式标记的地物类别数据组成；

由高光谱原始数据及监督数据，确定真实地物标记图中的地物类别数目C、二维的空间位置信息中像素点个数M行×N列以及一维的光谱信息中有效的波段数目B；

将监督数据中像素点空间位置数据按照位置坐标在高光谱原始数据中从上向下并且从左向右的方式，抽取光谱信息的像素向量作为标记样本，并将标记样本按行排列成二维矩阵形式，该二维矩阵的行数为标记样本的个数，列数为像素向量包含的波段数目B；

将以二维矩阵形式表示的标记样本的奇数行选择作为训练样本，偶数行选择为测试样本，并使训练样本与测试样本数目之比为1:1；

再由监督数据中抽取与二维矩阵形式表示的标记样本一一对应的地物类别数据，并排列成列向量，该列向量中地物类别数据的个数为标记样本的个数，每一个地物类别数据的数值为对应的一个标记样本的类别标号，该列向量中第奇数个元素作为训练样本的类别标号，第偶数个元素作为测试样本的类别标号。

步骤二中构成多个存在差异的光谱集合的具体方法为：

在1至B之间抽取一组含有b个随机数的组合{i₁,i₂,…,i_b}，其中1≤i_k≤B，k＝1,2,…,b)，然后由每一个标记样本中，按照k从1到b的顺序将第i_k个向量元素抽取出来，分别构成一个含有b个元素的像素向量组合，该像素向量组合的个数与标记样本的个数相同，所有含有b个元素的像素向量组合作为一个光谱集合；

将形成一个光谱集合的过程重复多次，在多次重复的过程中随机数均选择为b个，并使每一次随机数的组合存在差异，得到多个存在差异的光谱集合。

步骤三中获得由Adaboost框架构成的内层集成的具体方法为：