[发明专利]一种基于集成学习算法的遥感图像分类方法

权利要求书

1.一种基于集成学习算法的遥感图像分类方法，其特征在于，所述方法包括：

确定遥感图像的原始数据集D，所述遥感图像的原始数据集D为已知类型标签的遥感图像数据；

确定分类算法模型的最终精度，所述最终精度由多次十折交叉验证的采集方法得到，其中，所述分类算法模型包括支持向量机、随机森林和BP神经网络的分类算法模型；

利用投票算法确定主分类算法模型与辅助算法模型，所述主分类算法模型为最终精度最高的分类算法模型，所述辅助分类算法模型为其余两种分类算法模型；

获取遥感图像的预测数据集Dt，所述遥感图像的预测数据集Dt包括含有未知类型标签的遥感图像数据和待分类处理的遥感图像数据；

若所述取遥感图像的预测数据集Dt不为空时，将所述遥感图像的预测数据集Dt导入所述主分类算法模型和所述辅助分类算法模型，得到主分类算法结果集S和辅助分类算法结果集S1和S2；

比较所述主分类算法结果集S中的遥感图像分类类型Wi与所述辅助分类算法结果集S1和S2中对应的遥感图像分类类型V1i和V2i，判断所述遥感图像的预测数据集Dt中对应的遥感图像Dti的分类结果；

若所述取遥感图像的预测数据集Dt为空时，结束分类。

2.根据权利要求1所述的一种基于集成学习算法的遥感图像分类方法，其特征在于，所述最终精度由多次十折交叉验证的采集方法得到包括：

通过多次十折交叉验证的采集方法，得到多次支持向量机、随机森林和BP神经网络的分类算法模型的精度；

对所述多次支持向量机、随机森林和BP神经网络的分类算法模型的精度求平均，得到支持向量机、随机森林和BP神经网络的分类算法模型的最终精度。

3.根据权利要求2所述的一种基于集成学习算法的遥感图像分类方法，其特征在于，所述十折交叉验证的采集方法包括：

将所述遥感图像的原始数据集D进行训练集和验证集分组；

构建支持向量机、随机森林和BP神经网络的分类算法模型；

将所述训练集导入到所述支持向量机、随机森林和BP神经网络的分类算法模型中学习；

通过验证集对训练后的所述支持向量机、随机森林和BP神经网络的分类算法模型进行验证；

得到所述支持向量机、随机森林和BP神经网络的分类算法模型的精度。

4.根据权利要求3所述的一种基于集成学习算法的遥感图像分类方法，其特征在于，所述训练集和验证集分组包括：

将所述遥感图像的原始数据集D，均分成十等份，将其中一份作为验证集，其余作为训练集。

5.根据权利要求1所述的一种基于集成学习算法的遥感图像分类方法，其特征在于，比较所述主分类算法结果集S中的遥感图像分类类型Wi与所述辅助分类算法结果集S1、S2中对应的遥感图像分类类型V1i、V2i，判断所述遥感图像的预测数据集Dt中对应的遥感图像Dti的分类结果包括：

若所述遥感图像分类类型Wi与对应的所述遥感图像分类类型V1i、V2i相同或所述遥感图像分类类型Wi与对应的所述遥感图像分类类型V1i、V2i其中之一相同时，判断对应的遥感图像Dti的分类类型结果已确定，输出所述遥感图像Dti的分类结果，并将所述遥感图像Dti加入所述遥感图像的原始数据集D；

若所述遥感图像分类类型Wi与对应的所述遥感图像分类类型V1i、V2i均不相同时，判断对应的遥感图像Dti的分类类型结果错误，将所述遥感图像Dti重新加入所述遥感图像的预测数据集Dt。

6.根据权利要求5所述的一种基于集成学习算法的遥感图像分类方法，其特征在于，所述遥感图像分类类型Wi与对应的所述遥感图像分类类型V1i、V2i均不相同包括：

所述遥感图像分类类型V1i与所述遥感图像分类类型V2i不相同，且与所述遥感图像分类类型Wi不相同；

所述遥感图像分类类型V1i与所述遥感图像分类类型V2i相同，且与所述遥感图像分类类型Wi不相同。