[发明专利]一种基于规则挖掘的卫星遥感图像分类方法

说明书

技术领域

本发明涉及一种卫星遥感图像分类方法，特别是一种基于规则挖掘的卫星遥感图像分类方法，属于航天遥感领域。

背景技术

随着对地观测卫星尤其是高分辨率对地观测卫星星载遥感器数量和种类越来越多，获取图像的分辨率和数据量也在飞速发展，但数据又迫切需要实时和准实时传输，因此卫星遥感图像获取和数据传输之间的矛盾日益加剧，现有的数据传输系统已经不能够满足未来卫星数据快速处理分发的要求。如果在星上建立特定功能的卫星遥感图像处理系统，通过对实时获取的卫星遥感图像初步分类和筛选，然后再下传有用信息，则将极大地缓解数据传输通道的压力。于是，如何有效地进行卫星遥感图像分类是数据传输系统面临的关键问题之一。

目前针对遥感图像的分类问题国内外已经进行了大量的研究工作，分类器的设计方法众多，选用的特征也不尽相同。有模糊关联遥感图像分类方法、基于PCA-SVM(主成分分析-支持向量机)的遥感图像分类方法、基于小波变换系数等光谱特征的景物图像分类、融合空间信息和光谱信息来对超光谱图像进行地物分类等。

虽然这些研究工作各自取得了一定的成果，但是这些方法由于没有对卫星遥感图像特征进行充分分析，造成分类器设计较为复杂，不利于实际应用；另外，目前大部分的卫星遥感图像分类方法使用的特征均对应于特定的遥感器类型，普适性不好。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于规则挖掘的卫星遥感图像分类方法，首先基于多通道小波变换提取每一幅卫星遥感图像的纹理特征来构成纹理特征集；然后用关联规则挖掘的方法直接挖掘纹理特征集和类别集之间的关系来选择最优特征得到特征结果集；最后利用决策树分类器和特征结果集中的纹理特征对卫星遥感图像进行分类；解决了卫星遥感图像在轨快速分类问题，最大程度上满足了卫星遥感图像在轨快速分类的需求。

本发明的技术方案是：一种基于规则挖掘的卫星遥感图像分类方法，步骤如下：

(1)对每幅卫星遥感图像进行多通道小波变换，提取每一幅卫星遥感图像每个通道小波变换系数模的均值和方差组成该幅图像的纹理特征，所有卫星遥感图像的纹理特征构成纹理特征集；

(2)挖掘步骤(1)中获得的纹理特征集和卫星遥感图像类别之间的所有关联规则，关联规则的支持度定义如下：

关联规则的置信度定义如下：

设定最小支持度阈值A和最小置信度阈值B，同时满足最小支持度阈值和最小置信度阈值的关联规则为强关联规则，保留所有强关联规则，构成强关联规则集合；

(3)对步骤(2)中强关联规则集合中的强关联规则的优先次序进行排列，具体为：

(3a)根据规则长度对强关联规则集合进行升序排列，短规则优先于长规则；

(3b)根据置信度大小对步骤(3a)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，置信度大的规则优先于置信度小的规则；

(3c)根据支持度大小对步骤(3b)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，支持度大的规则优先于支持度小的规则；

(4)从步骤(3)中优先级排序后的强关联规则集中取出优先级最高的强关联规则，将优先级最高的强关联规则中的所有纹理特征作为本次特征选择的结果，添加到特征选择结果集中，用决策树分类器对该特征结果集进行分类测试，得到分类准确率；所述特征选择结果集初始设定为空集合，包含历次特征选择的所有纹理特征；

(5)将步骤(4)中选择出的纹理特征从步骤(1)中的纹理特征集合中删除；重复步骤(2)～步骤(4)，得到当前特征选择的特征结果集和分类准确率，并将当前特征选择的分类准确率与上一次特征选择的分类准确率进行比较，若本次特征选择的分类准确率小于等于上一次特征选择的分类准确率，且特征选择的次数大于等于类数目，则特征选择结束；

(6)利用决策树分类器和步骤(5)特征结果集中的纹理特征对卫星遥感图像进行分类。

所述决策树为C4.5决策树。

所述步骤(2)中A≥0.2，B≥0.9。

本发明与现有技术相比的优点在于：

(1)本发明首先基于小波变换对卫星遥感图像进行纹理特征提取，不需要预处理，直接挖掘特征集和类别集之间的关系来选择最优特征，最后决策树分类，整个方法简单且易于硬件实现；

(2)本发明用关联规则挖掘对卫星遥感图像进行纹理特征选择的过程中只保留每一类别图像最显著的特征，因此降维效果明显；