一种基于极少训练样本的高分辨率遥感影像监督分类方法技术

本发明专利技术公开了一种基于极少训练样本的高分辨率遥感影像监督分类方法，利用分类器对初始训练样本进行分类，得到初始分类图；统计分类器同时标记为同一类别的像素点；对每类像素点以像素灰度值进行分析，得到直方图；按直方图步长下像素个数的比例随机抽样，得到每一类像素种子点，并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P

【技术实现步骤摘要】
一种基于极少训练样本的高分辨率遥感影像监督分类方法
本专利技术属于遥感影像分类
，涉及一种基于极少训练样本的高分辨率遥感影像监督分类方法。
技术介绍
近年来随着卫星及航空遥感技术的快速发展，影像的时间分辨率和空间分辨率大幅度提高，因此通过对遥感影像和航空影像的分析和处理可以快速、有效地获取地表覆盖信息，对人类迫切认识地球提供数据支持，对环境监测，地籍调查，精准农业，城市规划，政府宏观调控和制定相应的政策提供重要的科学依据。尽管影像分辨率的提高确实增强了获取地物信息的能力，能够提供更加丰富的地物细节信息，但与此同时不同地物的光谱相互重叠，“同物异谱”、“异物同谱”现象大量发生，使得地物类内方差变大，类间方差变小。传统分类方法依然依靠大量的人工标记训练样本并且所获取的分类结果仍存在较多的椒盐噪声以及大量地物错分类现象，大大降低了分类结果的可靠性和分类精度。
技术实现思路
本专利技术的目的是提供一种基于极少训练样本的高分辨率遥感影像监督分类方法，解决了现有技术中存在的类结果的可靠性和分类精度低的问题。本专利技术所采用的技术方案是，1.一种基于极少训练样本的高分辨率遥感影像监督分类方法，其特征在于，具体按照以下步骤实施：步骤1、利用至少两个分类器对初始训练样本进行分类，得到至少两张初始分类图；步骤2、统计各分类器同时标记为同一类别的像素点；步骤3、对每类像素点以像素灰度值做直方图分析，得到每一类像素的直方图；步骤4、按直方图步长下像素个数的比例随机抽样，得到每一类选取的像素种子点，并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1；步骤5、以像素种子点为中心进行预定领域搜索，并选取训练样本；步骤6、重复步骤1-5对训练样本再次分类，并进行n次迭代，得到Pn，直到||Pn-Pn-1||≤ε成立时，迭代停止，其中ε∈(0.0001-0.001)，将迭代最后一次的训练样本输入分类器，得到最终分类结果。步骤1中：初始训练样本是从高分影像中选取极少像素并手动标记像素的类别构成初始训练集，每类初始训练样本选取3-15个。步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。步骤1中利用分类器对初始训练样本进行分类时选择三个分类器，三个所述分类器为KNN分类器、MLC分类器和随机树分类器。步骤5中：以像素种子点为中心进行预定领域搜索时的方法由以下步骤组成：以像素种子点为中心，以n*n的动态窗口进行领域搜索，当该n*n的动态窗口内所有像素点类别一致时，以像素种子点为中心，以(n+2)*(n+2)的动态窗口进行领域搜索，依次类推，直到以像素种子点为中心、(n+2m)*(n+2m)的动态窗口内像素点类别不一致；最后以(n+2m-4)*(n+2m-4)的窗口内所有像素自身为中心分别以同样大小的窗口计算窗口内像素点的方差，对所得的方差进行升序排序，去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本；其中，n为大于等于3的奇数，m为正整数。步骤6中进行迭代时，迭代方程||Pn-Pn-1||≤ε中，Pn＝pu/pt，pu为所有分类器共同分类一致的像素点个数，pt为高分影像像素的总个数。本专利技术的有益效果是：本专利技术能够在极少人工标记样本下，分类结果精度得到显著提升，有效降低了标记样本的人工成本和时间成本；传统方法在样本选择后，其空间分布上是固定的，由于样本选择的差异性，有可能无法顾及到同一类别的多样性及地理异质性；本专利技术所提出的样本选择方法通过分析初始分类图及数据分布状态，实现了样本的动态选择，有效顾及了样本的多样性，有利于分类精度提高。附图说明图1是本专利技术基于极少训练样本的高分辨率遥感影像监督分类方法的流程示意图；图2是本专利技术基于极少训练样本的高分辨率遥感影像监督分类方法的RGB假彩色图像(a)及地面参考真值(b)示意图；图3是本专利技术基于极少训练样本的高分辨率遥感影像监督分类方法的比较结果分析图，(a)为初始样本分类图，(b)为JohnA.Richards方法下的结果，(c)为Kang-方法下的结果，(d)为Li-方法学习方法下的结果，(e)为第16次迭代的效果图；(f)为地面参考真值；图4是本专利技术基于极少训练样本的高分辨率遥感影像监督分类方法的整体精度，平均精度随迭代次数的关系示意图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。如图1所示，一种基于极少训练样本的高分辨率遥感影像监督分类方法，在进行处理之前，手动标记初始训练样本，每类初始训练样本选取3-15个，然后进行以下步骤：步骤1、利用至少两个分类器对初始训练样本进行分类，得到至少两张初始分类图；步骤2、统计各分类器同时标记为同一类别的像素点；步骤3、对每类像素点以像素灰度值做直方图分析，得到每一类像素的直方图；步骤4、按直方图步长下像素个数的比例随机抽样，得到每一类选取的像素种子点，并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1；步骤5、以像素种子点为中心进行预定领域搜索，并选取训练样本；步骤6、重复步骤1-5对训练样本再次分类，并进行n次迭代，得到Pn，直到||Pn-Pn-1||≤ε成立时，迭代停止，其中ε∈(0.0001-0.001)，将迭代最后一次的训练样本输入分类器，得到最终分类结果。所述步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。所述步骤1中利用分类器对初始训练样本进行分类时选择三个分类器，三个所述分类器为KNN分类器、MLC分类器和随机树分类器。可以选择的分类器还包括：随机森林分类器、SVM分类器、朴素贝叶斯分类器、DT分类器。所述步骤5中：以像素种子点为中心进行预定领域搜索时的方法由以下步骤组成：以像素种子点为中心，以n*n的动态窗口进行领域搜索，当该n*n的动态窗口内所有像素点类别一致时，以像素种子点为中心，以(n+2)*(n+2)的动态窗口进行领域搜索，依次类推，直到以像素种子点为中心、(n+2m)*(n+2m)的动态窗口内像素点类别不一致；最后以(n+2m-4)*(n+2m-4)的窗口内所有像素自身为中心分别以同样大小的窗口计算窗口内像素点的方差，对所得的方差进行升序排序，去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本；其中，n为大于等于3的奇数，m为正整数。所述步骤6中进行迭代时，迭代方程||Pn-Pn-1||≤ε中，Pn＝pu/pt，pu为所有分类器共同分类一致的像素点个数，pt为高分影像像素的总个数。实施例1以高光谱公开数据GF-2为例进行验证，如图1的流程图所示，图中Q1、Q2、Q3、Q4、Q5均为P-Q箱线原理选取的训练样本点，高分影像的GF-2数据是通过高分2号卫星获取的数据，提本文档来自技高网...

【技术保护点】
1.一种基于极少训练样本的高分辨率遥感影像监督分类方法，其特征在于，具体按照以下步骤实施：/n步骤1、利用至少两个分类器对初始训练样本进行分类，得到至少两张初始分类图；/n步骤2、统计各分类器同时标记为同一类别的像素点；/n步骤3、对每类像素点以像素灰度值做直方图分析，得到每一类像素的直方图；/n步骤4、按直方图步长下像素个数的比例随机抽样，得到每一类选取的像素种子点，并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P

【技术特征摘要】
1.一种基于极少训练样本的高分辨率遥感影像监督分类方法，其特征在于，具体按照以下步骤实施：
步骤1、利用至少两个分类器对初始训练样本进行分类，得到至少两张初始分类图；
步骤2、统计各分类器同时标记为同一类别的像素点；
步骤3、对每类像素点以像素灰度值做直方图分析，得到每一类像素的直方图；
步骤4、按直方图步长下像素个数的比例随机抽样，得到每一类选取的像素种子点，并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1；
步骤5、以像素种子点为中心进行预定领域搜索，并选取训练样本；
步骤6、重复步骤1-5对训练样本再次分类，并进行n次迭代，得到Pn，直到||Pn-Pn-1||≤ε成立时，迭代停止，其中ε∈(0.0001-0.001)，将迭代最后一次的训练样本输入分类器，得到最终分类结果。


2.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法，其特征在于，所述步骤1中：初始训练样本是从高分影像中选取极少像素并手动标记像素的类别构成初始训练集，每类初始训练样本选取3-15个。


3.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法，其特征在于，所述步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。


4.根...

【专利技术属性】
技术研发人员：吕志勇，杨萱，李广飞，王锋军，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61