[发明专利]一种遥感影像分类方法

权利要求书

1.一种遥感影像分类方法，其特征在于：包括如下步骤：

步骤1：在基分类器层，通过传统分类算法得到基分类器h_l；

步骤2：在M-Bagging层，通过M-Bagging方法，对步骤1中基分类器层的基分类器的分类结果进行集成，得到M-Bagging分类器h；

具体为：将抽样比例设置成一个10％至100％之间的随机数，从训练样本中使用随机抽样的方法获取训练样本，分别使用基分类器层中的基分类器对训练样本进行分类，将分类得到的结果通过多数投票的方法进行集成，得到M-Bagging分类器h；

具体包括如下步骤：

步骤2.1：确定M-Bagging的迭代次数K_b；

步骤2.2：获取0.1到1之间的随机数z_l，计算从样本集S中抽取样本的个数n_l；通过控制样本的个数实现分类器的多样性；

其中，样本集S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}(x_j∈X,y_j∈Y)，其中，n是样本的总个数，X和Y分别为样本的特征空间和类别标签；

步骤2.3：采用有放回随机抽样的方法，从样本集S中抽取n_l个训练样本，得到一个训练集S_l，并训练一个基分类器h_l：X→Y，其中l＝1,2,...,K_b；

步骤2.4：使用基分类器h_l，对样本集S中的训练样本进行分类；

步骤2.5：循环执行步骤2.2-步骤2.4K_b次，生成K_b个基分类器，对于一个未知类别的实体x，其最终分类结果，通过对基分类器h_l按照公式(1)使用加权投票的方法集成，从而得到一个M-Bagging分类器h；

其中，h_l(x)表示使用基分类器h_l对样本x的分类结果；

步骤3：在AdaBoost层，通过使用AdaBoost方法，对步骤2中的M-Bagging分类器进行精度提升，得到M-Bagging-AdaBoost集成分类器H；

具体为：通过M-Bagging分类器对整个训练样本进行分类，计算M-Bagging分类器的误差，利用AdaBoost方法，生成多个M-Bagging分类器，并集成它们的分类结果，得到M-Bagging-AdaBoost集成分类器H；具体包括如下步骤：

步骤3.1：确定AdaBoost的迭代次数K_a，初始化样本集S中样本的权重W(j)；

其中，样本集S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}(x_j∈X,y_j∈Y)，其中，n是样本的总个数，X和Y分别为样本的特征空间和类别标签，W(j)为第j个样本的权重；其中，j＝1,2,..,n；

步骤3.2：通过加权有放回采样的方法，从S中获取训练样本，训练一个M-Bagging分类器h_i：X→Y，其中，i＝1,2,…,K_a；根据公式(2)，计算h_i的误差ε_i：

其中，h_i(x_j)表示M-Bagging分类器h_i对第j个样本x_j的分类结果；

如果ε_i0.5，则初始化样本集S中第j个样本的权重，W(j)＝1/n，然后转到步骤3.2；

步骤3.3：计算β_i＝ε_i/(1-ε_i)，并按照公式(3)，更新样本权重W_i+1(j)：

其中，Z_i为使所有样本权重之和为1的归一化因子；

步骤3.4：计算λ_i＝log(1/β_i)，并将λ_i作为h_i的投票权重；

步骤3.5：按照公式(4)，通过加权投票的方法进行集成，得到一个M-Bagging-AdaBoost集成分类器H；

其中，x表示未知类别的实体，h_i(x)表示第i个M-Bagging分类器对x的分类结果；

步骤4：将待分类像元，输入到M-Bagging-AdaBoost集成分类器，通过M-Bagging层和AdaBoost层后，得到遥感影像的最终分类结果。