【技术实现步骤摘要】
本专利技术涉及地理信息测绘，特别是涉及一种面向复杂地理环境的遥感图像分类方法、系统及介质。
技术介绍
1、传统的海岸带lulc信息获取方式，主要依靠人工目视判读、人机交互判读以及基于像素和面向对象的分类等方法；但随着科技的发展，人工神经网络(a rtificial neuralnetwork，ann)、支持向量机(support vector machine，svm)、分类回归树(classificationand regression tree，cart)和随机森林(random f orest，rf)等机器学习算法也逐渐应用于海岸带地物分类与提取方案中。
2、近年来，随着图像识别技术与ai技术的发展，深度学习算法因其突出的能力，已被广泛用于海岸带信息提取中；其中，随机森林算法凭借其在处理复杂数据时的高可解释性和可靠性，近年来受到广泛关注，在地理信息测绘方面，也常用于进行遥感图像的分类识别。
3、但是，传统随机森林算法存在一定的缺陷：
4、第一方面，传统随机森林算法单纯依靠原始图像数据时，具有较大的局限性。
5、第二方面，传统随机森林算法融合多特征时，可以极大地丰富遥感数据的信息内容，增强单位决策树的强度；但是，过多的特征堆叠而造成信息冗余，最终增加计算时间，降低了计算效率。
6、第三方面，考虑到传统随机森林算法在删除冗余特征时，也可能在一定程度上降低决策树的强度。
7、因此，如何保证分类精度，又能均衡特征丰富性以及特征重要性，这是随机森林算法面临的主要问
技术实现思路
1、本专利技术的目的在于，提供一种面向复杂地理环境的遥感图像分类方法、系统及介质，进而解决现有技术中存在的上述所有问题或问题之一。
2、为解决上述技术问题，本专利技术的具体技术方案如下：
3、一方面，本专利技术提供一种面向复杂地理环境的遥感图像分类方法，包括以下步骤：
4、特征参数选取：
5、获取待处理遥感图像，基于所述待处理遥感图像的多维度特征参数构建遥感影像堆栈；
6、基于重要性阈值的分类器迭代：
7、设定重要性阈值，将所述遥感影像堆栈输入至rf模型中，基于所述重要性阈值对所述rf模型进行基于特征贡献度的模型迭代；
8、模型调用：
9、采用迭代后的所述rf模型进行遥感图像分类分析。
10、作为一种改进的方案，所述基于所述待处理遥感图像的多维度特征参数构建遥感影像堆栈，包括：
11、基于所述待处理遥感图像，提取光谱特征参数集合、纹理特征参数集合、温热特征参数集合、主成分特征特征参数集合以及高程特征参数集合；
12、令所述光谱特征参数集合、所述纹理特征参数集合、所述温热特征参数集合、所述主成分特征特征参数集合以及所述高程特征参数集合组建为所述遥感影像堆栈。
13、作为一种改进的方案，所述将所述遥感影像堆栈输入至rf模型中，基于所述重要性阈值对所述rf模型进行基于特征贡献度的模型迭代，包括：
14、基于所述rf模型的多组决策树计算所述遥感影像堆栈中多维度特征参数的所述特征贡献度，根据所述重要性阈值以及所述特征贡献度对所述遥感影像堆栈中多维度特征参数进行排序筛选，得到新特征参数集；
15、采用所述新特征参数集再次训练所述rf模型，根据每次所述rf模型训练所得的新特征参数集，决策所述rf模型的迭代进度。
16、作为一种改进的方案，所述设定重要性阈值，包括：
17、设置若干组备选阈值；
18、采用若干组所述备选阈值优化所述rf模型；
19、获取每组所述备选阈值下所述rf模型的精度曲线；
20、确认若干所述精度曲线中，均衡特征提取精度与特征提取效率的第一曲线；
21、令所述第一曲线所对应的所述备选阈值作为所述重要性阈值。
22、作为一种改进的方案，所述光谱特征参数集合，包括：所述待处理遥感图像对应的归一化植被指数、增强植被指数、比值植被指数、土壤调整植被指数、归一化建筑物指数、改进归一化差异水体指数以及所述待处理遥感图像中原有波段的光谱特征；
23、所述纹理特征参数集合，包括：所述待处理遥感图像对应的角二阶距、对比度、相关度、方差、逆差距、求和平均值、总熵、熵以及差分熵；
24、所述温热特征参数集合，包括：所述待处理遥感图像对应的lst特征图像；
25、所述高程特征参数集合，包括：所述待处理遥感图像对应的高程数据、坡度特征和坡向特征。
26、作为一种改进的方案，所述主成分特征特征参数集合的提取步骤，包括：
27、将所述待处理遥感图像的原始光谱波段进行主成分分析；
28、令所述主成分分析中的前三分量构成所述主成分特征特征参数集合。
29、作为一种改进的方案，所述基于所述重要性阈值对所述rf模型进行基于特征贡献度的模型迭代，还包括：
30、当计算多维度特征参数的所述特征贡献度时，进行所述多维度特征参数的g ini指数计算、gini指数变化量计算、在决策树中的重要性表现计算以及特征重要性计算。
31、作为一种改进的方案，所述重要性阈值，包括：百分之十；
32、所述rf模型中包括至少五组分类器，五组所述分类器的决策树数目分别为200、300、400、500以及600。
33、另一方面，本专利技术还提供一种面向复杂地理环境的遥感图像分类系统，包括：
34、特征参数选取模块，用于：获取待处理遥感图像，基于所述待处理遥感图像的多维度特征参数构建遥感影像堆栈；
35、分类器迭代模块，用于：设定重要性阈值，将所述遥感影像堆栈输入至rf模型中，基于所述重要性阈值对所述rf模型进行基于特征贡献度的模型迭代；
36、模型调用模块，用于：采用迭代后的所述rf模型进行遥感图像分类分析。
37、另一方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述面向复杂地理环境的遥感图像分类方法的步骤。
38、本专利技术技术方案的有益效果是：
39、1、本专利技术所述的面向复杂地理环境的遥感图像分类方法，可以选取多维度的特征参数，并基于重要性阈值和基尼指数对最优特征组合进行筛选和发掘，保证所有特征在随机森林中的贡献度，利于提升特征选择的效率和精度，能够优化遥感解译精度，提升随机森林算法的分类性能，且具有一定的可解释性，具有较强的鲁棒性，弥补了现有技术的缺陷，具有较高的应用价值。
40、2、本专利技术所述的面向复杂地理环境的遥感图像分类系统，可以通过特征参数选取模块、分类器迭代模块和模型调用模块的相互配合，进而实现选取多维度的特征参数，并基于重要性阈值和基尼指数对最优特征组合进行筛选和发掘，保证所有特征在随机森林中的贡献度，本文档来自技高网...
【技术保护点】
1.一种面向复杂地理环境的遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
3.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
4.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
5.根据权利要求2所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
6.根据权利要求2所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
7.根据权利要求3所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
8.根据权利要求4所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
9.一种面向复杂地理环境的遥感图像分类系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～8中任一项所述面向复杂地理环境的遥感图像分类方法的步骤。
【技术特征摘要】
1.一种面向复杂地理环境的遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
3.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
4.根据权利要求1所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
5.根据权利要求2所述的面向复杂地理环境的遥感图像分类方法，其特征在于：
6.根据权利要求2所述的面向复杂地理环境的遥感...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。