[发明专利]一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法

说明书

本发明公开了一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法，实现步骤如下：以现有航空影像分类数据集作为源域样本，待分类航空影像作为目标域影像，仅标注少量目标域样本；计算源域样本和目标域影像的词袋特征，用改进的粒子群优化算法对原始词袋特征进行降维，利用迭代筛选TrAdaboost动态构建训练样本集，剩余源域训练样本与待分类影像的少量样本结合构成新的训练样本集，完成源域到目标域的样本迁移，把降维后新训练样本的词袋特征投入TrAdaboost分类器训练，用训练后的分类器对目标域影像进行分类。本发明与传统的分类方法相比，具有速度快、需要标注样本较少的优点，大大节约了标注样本所需的人力和物力。

技术领域

本发明属于图像处理技术领域，涉及航空图像的处理，可用于地理国情普查、土地利用调查和应急救援等方面。

背景技术

航空遥感技术的发展和成像设备的进步使航空遥感成像设备能够以更快的速度、更高的分辨率、更大的信息量为人类提供海量的观测数据，将人们利用航空遥感观测技术认识地物的能力带入了一个崭新的阶段。针对机载相机得到的航空影像数据，如何对其中蕴含的海量信息进行充分且有效的利用，是广大的科研工作者和技术人员挑战和机遇。航空影像的有效分类，能够更加深入的挖掘航空影像在地理国情普查、土地利用调查和应急救援等方面的应用。

分类按照样本标记情况可以分为监督分类、非监督分类。非监督分类不需要人工标记样本，一般易于实现，但是由于没有样本的先验信息，分类效果通常不理想。监督分类一般是根据样本提供的先验信息进行分类，在训练样本充足的情况下能获得不错的分类效果，因此监督分类在航空图像分类中被广泛应用。一些常用的监督分类算法，如SVM算法、TrAdaboost、贝叶斯算法等在训练样本充足的情况下能获得不错的分类效果，但是标注大量样本的过程需要耗费大量人力物力且某些地区因为地理条件导致无法获取先验信息，很难标注样本。

发明内容

本发明的目的在于针对TrAdaboost算法在航空遥感图像中分类的缺陷，提出一种基于空间信息迁移的航空图像分类方法，通过寻找已有样本中与待分类影像相似的样本，扩充分类样本集，实现小样本的监督分类，加快分类速度，减少人工标注样本所需的时间和人力，提高分类正确率。

为实现上述目的，本发明包含以下步骤：

(1)输入源域已有标签样本其中每张样本影像的大小为m×n，N_s为源域样本的数量；

(2)待分类目标域影像为N_t为待分类目标域影像的数量；

(3)对所有源域样本和目标域待分类影像，输入充足的源域标签Y_s和少量目标域标签Y_t，Y_s,Y_t∈{1,2,..,k}，计算其词袋特征向量X_s和X_t；

(4)使用基于改进的粒子群优化算法对词袋特征向量X_s和X_t进行降维，得到源域和目标域降维后的特征向量X_s(R)和X_t(R)；

(5)把降维后的特征向量X_s(R)和X_t(R)投入TrAdaboost分类器，使用改进的校正因子更新源域样本权重；

(6)对更新后的源域样本权重设定阈值，权重低于该阈值的样本被剔出源域样本集；

(7)重复(5)-(6)直到没有源域样本被剔除，使用剩余源域样本和少量目标域样本训练TrAdaboost分类器；

(8)使用训练好的TrAdaboost分类器对测试影像进行分类，得到分类标签l。