[发明专利]基于对象的OBIA-SVM-CNN遥感影像分类方法

权利要求书

1.基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述方法具体过程为：

步骤一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；

步骤二、对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；

步骤三、使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；

步骤四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果；

如果CNN模型对目标类别的支持度大于或等于一个预先定义的阈值α，则优先采纳CNN模型的预测结果作为最终输出结果；否则信任SVM模型的预测结果；

所述CNN模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，CNN模型的预测结果为m维度的向量P＝(p₁,p₂,...,p_x,...,p_m)，

其中，p_x为第x类别的概率；m表示分类数目，x∈(1,2,...,m)；

每类类别的概率表示为：

f(x)＝{p_x|x∈(1,2,...,m)} (3)

式中，p_x∈[0,1]并且

CNN模型预测结果class(C)^CNN为：

class(C)^CNN＝argmax({f(x)＝p_x|x∈(1,2,...,m)}) (4)；

所述RBF-SVM模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，RBF-SVM模型的预测结果为m′维度的向量，P'＝(p_1',p_2',…,p_x',…,p_m')，

其中，p_x′为第x′类别的概率；m′表示分类数目，x′∈(1,2,...,m′)；

每类类别的概率表示为：

f(x′)＝{p_x′|x′∈(1,2,...,m′)} (5)

式中，p_x′∈[0,1]并且

RBF-SVM模型模型预测结果class(C)^RBF-SVM为：

class(C)^RBF-SVM＝argmax({f(x′)＝p_x′|x′∈(1,2,...,m′)}) (6)；

所述步骤四中将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果；具体过程为：

假设步骤一中分割对象为N个对象，对于某一分割对象O_i建立一种决策融合规则来确定该分割对象的类别，表达式为：

式中，i＝1,2，...，N；α为阈值；

得到最终分类结果；

所述阈值α确定过程为：

确定初始阈值，以步长0.01调节初始阈值，选取CNN模型输出分类准确率最高时对应的阈值α。

2.根据权利要求1所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述步骤一中基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；具体过程为：

分割后的对象为农田斑块；

应用多尺度分割算法将遥感影像分割为光谱和空间信息均质的农田斑块；

多尺度分割算法包含三个分割控制参数，分别为尺度、颜色量度和平滑度量度；

通过试错法确定分割控制参数的最优组合值，以使通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合。