[发明专利]一种基于小波DFT零填充重采样的随机森林分类方法

说明书

一种小波DFT零填充重采样重建的随机森林分类方法，首先采用BayesShrink阈值滤波法去除遥感影像中的大部分高斯白噪声，不仅能极大地提高遥感影像的信噪比，同时也能较好地保留原始影像的边缘和尖峰点；然后对去噪后的影像应用小波DFT零填充重采样算法进行重建；接着使用随机森林对重建影像进行森林分类。经小波DFT零填充重采样重建的遥感影像较原始影像，具有更高的分辨率、噪点减少、纹理结构更加清晰；且重建影像采用随机森林分类的精度得到有效提升。

技术领域

本发明涉及一种基于遥感影像对森林分类的方法，尤其涉及一种基于小波DFT零填充重采样的随机森林分类方法。

背景技术

森林资源的调查与监测是对森林资源的数量、质量、空间分布及其利用状况进行定期观测分析和评价的工作，它能够及时掌握森林资源现状和消长变化动态，为林业方面的规划与政策的实施提供重要依据。传统的林业调查需消耗大量的人力、物力和财力，且数据更新周期长。遥感技术具有覆盖范围大，更新周期短，无视地形阻碍的特点，森林分类作为森林资源调查与监测的重要手段，遥感技术在其中有着广阔的应用和巨大的潜力。

目前，在遥感影像森林分类的研究中，通过超分辨率图像重建处理来提高分类精度的研究还较少。小波离散傅里叶变换(Discrete Fourier Transform，DFT)零填充重采样算法是基于单幅遥感影像的超分辨率重建算法，它能突破硬件限制，提高遥感影像的空间分辨率，增加细节信息，从而增加判断森林类别的特征。不同于多幅图像的超分辨率重建，小波DFT零填充重采样重建算法不需要获取同一区域两幅或两幅以上实际地表无变化的遥感影像，该方法在遥感影像缺乏或者观测条件不足的情况下尤为适用，而且当在面对特殊地物时，如森林植被，多幅遥感影像的超分辨率重建算法只能使用回访周期较短的卫星所提供的影像，这是由于森林植被的生长特性，长周期卫星的影像无法保证真实的地表无变化。因此，该算法对数据源的要求远低于多幅影像的超分辨率重建算法，同时也不存在多幅影像配准的问题，而且重建算法的执行时间远低于多幅影像超分辨率重建算法的运行时间，具有更强的适用性和实用性，是一种不可替代的重建方法。随机森林分类算法是当前流行的机器学习算法，它作为一种集成分类器，有着很强的抗干扰能力和稳定性，且对训练数据集有很强的适应能力，在解决分类问题时有着突出的表现。因此，本文将研究小波DFT零填充重采样重建方法与随机森林分类算法相结合在森林分类中的应用，提出了一种小波DFT零填充重采样重建的随机森林分类方法。

发明内容

本发明要解决的技术问题是克服现有技术的不足，提供一种能够有效地提高遥感影像的分辨率和森林分类的效果与精度的基于小波DFT零填充重采样的随机森林分类方法。

为解决上述技术问题，本发明提出的技术方案为：一种基于小波DFT零填充重采样的随机森林分类方法，其特征在于：包括以下步骤：

1)将分类区域地表植被分成三级；一级类型为林地与非林地，二级类型分为针叶林与阔叶林，三级类型根据分类区域地秒植被再分别将针叶林与阔叶林进行细分；

2)对在分类区域获取的遥感影像进行预处理；

3)小波DFT零填充重采样的随机森林分类方法；

3.1)采用BayesShrink阈值滤波方法去除遥感影像中大量的高斯噪声以及提高影像的信噪比；

3.2)采用小波DFT零填充重采样重建方法对影像进行重建处理；

①对遥感影像进行二维小波变换，分解为低频分量和三个方向的高频分量，然后对各高频分量进行傅里叶变换，二维傅里叶变换公式为：

②将得到的二维序列放入到一个尺寸为其两倍大小的空矩阵中心，矩阵中的其它部分均取零值，再对零填充处理后的信号进行离散傅里叶逆变换，其逆变换公式为：