[发明专利]基于加权的旋转森林高光谱图像分类方法

权利要求书

1.一种基于加权的旋转森林高光谱图像分类方法，其特征在于，包括有如下步骤：

(1)获取样本并划分训练集和测试集：通过实地采集或者遥感数据库获得高光谱图像样本，大小为M×F，其中，M表示样本个数，F表示每个样本的特征数，用C表示样本的类别数目；然后从M个样本中随机抽取N个样本作为训练集S，剩余样本作为测试集E；S＝(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，x_i表示训练集S第i个样本，是一个1×F的向量，y_i表示样本x_i的标签，y_i∈{1,2,…,C}；

(2)初始化训练集S中样本的权值：用W(x_i)表示样本x_i初始的权值，初始化训练集S中每个样本的权值：W(x_i)＝1/N，i＝1,2,...,N；

(3)生成加权后的训练集S′：将N个初始化的训练样本权值W(x_i)分别与训练集S中对应的样本x_i相乘，得到加权后的训练集S′，S′＝(W(x₁)·x₁,y₁),(W(x₂)·x₂,y₂),…,(W(x_N)·x_N,y_N)；

(4)建立基于加权的旋转森林模型：假设基于加权的旋转森林模型由T个决策树基分类器共同构成，设置决策树基分类器的序号为t，t＝1,2,…,T，T个决策树基分类器顺序排列，并按排列顺序进行训练；采用有放回的抽样方式对加权后的训练集S′采样N次，得到多样性训练样本集S_t，多样性训练样本集S_t中的每个样本都是一个1×F的向量；随机将多样性训练样本集S_t中的F个特征分为K个子集，形成特征子集F_t,k，k＝1,2,...,K；从多样性训练样本集S_t中选择特征子集F_t,k中包含特征所对应的列，组成K个多样性训练样本子集S_t,k；使用主成分分析PCA算法对多样性训练样本子集S_t,k进行特征提取得到旋转矩阵将多样性训练样本集S_t与旋转矩阵相乘得到旋转后的多样性训练样本集S′_t；用旋转后的多样性训练样本集S′_t对决策树基分类器进行训练，第t个训练后的决策树基分类器表示为ξ_t，仍存在t＝1,2,…,T；T个训练后的决策树基分类器共同组成高光谱图像的基于加权的旋转森林模型；

(5)产生分类结果：将测试集E中的每个样本分别放入基于加权的旋转森林模型中的T个训练后的决策树基分类器，得到T个分类结果；T个分类结果中数量最多的类别即为高光谱图像的基于加权的旋转森林模型分类结果。