[发明专利]一种基于决策理论粗糙集的地物特征提取方法

说明书

技术领域

本发明涉及图像处理，尤其涉及一种基于决策理论粗糙集的地物特征提取方法。

背景技术

遥感地物特征提取指区分城乡工矿居民用地(城建地)、水体、农用地、林地、裸地不同地物关键信息提取，如从高光谱数据中获取特定地物信息。目前利用遥感影像提取地物信息的主要是人工提取与计算机辅助半自动方法；这些方法中需要大量人工操作、效率低，而高光谱、多光谱内含信息挖掘较少。

目前，德国的eCognition系统对于遥感地物特征提取实现较好，它是基于多尺度分割，分类时需要有分类协议，每一次分类的分类协议用于其它分类时需经过修改，这里的分类协议类似于知识支持，其特点是分类细化，但对分类协议有较大依赖(有协议库支持较好)，并且也不是专门针对地物特征提取的系统，应用效率不高。

由于地物都具有反射或辐射电磁波的特性，即地物波谱响应，或者通过总结前人研究成果形成专家知识如植被指数VI(vegetation indices)，由两个或者两个以上波段响应以一定形式组合而成的对植被长势、生物量等有一定指示意义的参数。波段以某种形式组合可以在一定程度上消除植被冠层光谱中大气与土壤背景的干扰，且与一些重要的生物物理参数(如LAI，干物资等)有着密切的函数关系。常用的植被指数有归一化植被指数(NDVI)、比值植被指数(SR)、环境植被指数(EVI)、缨帽变换中的绿被植被指数(GVI)和正交植被指数(PVI)等(陈述彭等，1990)。除植被以外，钱乐祥等发现水体在TM中有(TM2+TM3)>(TM4+TM5)的谱间光谱特征，Duggin等发现用TM4与TM6就能区别林地与其他植被，解译经验表明TM1/TM3，TM5/TM7，TM5+TM7，(TM4-TM3)/(TM4+TM3)等都会特出某些地物特征。多个谱段的数据加减乘除及线性非线性组合构成了具有指示意义的数值，这是隐藏在数据集中的事物固有知识，而前人只是根据文献资料和经验进行随机组合试验达到实际意义。

由于地物关键特征涉及到遥感大数据，地物表现复杂，因此提升了信息提取难度，使得提取效果受到影响。针对现有的利用遥感影像进行地物提取方法存在的受各种干扰信息严重、提取效率低效果差、提取方法也并非针对高光谱/多光谱分辨率遥感影像提取等缺点，本发明提出高效的遥感影像地物特征提取方法。

发明内容

为解决上述技术问题，本发明的目的是提供一种误差小、分类精度高的基于决策理论粗糙集的地物特征提取方法。

本发明的基于决策理论粗糙集的地物特征提取方法，包括步骤：

(1)获取多源遥感数据，并对遥感多波段数据进行预处理得到波段数据向量；

(2)收集专家知识库并将专家知识向量加入到所述波段数据向量中作为条件集，所述条件集为开放式；

(3)对所述条件集进行归一化处理；

(4)由真实地类构成决策集，并将决策集转化为向量与条件集对齐合并作为遥感决策表；

(5)利用前向贪婪搜索算法对决策表进行处理，得到特征排序，由特征主次得到地物核心特征以及区分不同地类的决策规则，在决策规则下进行地物特征提取。

进一步的，利用前向贪婪搜索算法对决策表进行处理的具体步骤为

(11)建立核心特征集R并赋为空集；

(12)对每一个属于条件集C-R中的特征a_k，计算k＝1,2…,C＝{a₁,a₂,…a_k,…}，为属于D_X的概率，为x的描述，X是决策类，满足准则Ⅰ：≥α，α为置信水平；

(13)计算代价函数ω_i是第i类，i＝1，2，…，c，X是决策类，最大的P代表最大可能是边界域中大类；

(14)对遥感数据中每一个单元i计算代价函数，累加为总代价函数i＝1，2，…，n；

(15)计算|U|为单元总数，γ是一种集置信水平、代价或风险量度、普适度为一体的指标；

(16)首先对每一个特征计算一个γ值，从中选取最大者，满足以下两个条件：

准则Ⅱ：总代价循环间不增加，

准则Ⅲ：普适度最大；

(17)γ₀初始值赋0；