[发明专利]一种基于集成学习算法的遥感图像分类方法

说明书

本申请提供一种基于集成学习算法的遥感图像分类方法，根据遥感图像的原始数据集D，确定支持向量机、随机森林和BP神经网络分类算法模型的最终精度，进而确定主分类算法模型与辅助算法模型；获取遥感图像的预测数据集Dt并导入算法模型，得到主分类算法结果集S和辅助分类算法结果集S1和S2；比较主分类算法结果集S中的遥感图像分类类型Wi与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，判断对应的遥感图像Dti的分类结果；本申请采用交叉验证进行分组提高样本代表程度；利用多种算法模型，在每次循环时利用精确度确定主分类算法和辅助分类算法，对预测结果进行多重计算、多对比，减少误判和错判情况的概率，提高了预测精度。

技术领域

本申请涉及遥感图像处理领域，尤其涉及一种基于集成学习算法的遥感图像分类方法。

背景技术

遥感图像是通过探测地物电磁辐射强度获得反映地表各种地物的综合影像，包含从可见光到近红外波段内获取的地物图像，人们根据典型影像特征，可判断特定遥感目标。随着遥感技术的提高，遥感图像中目标地物轮廓更加清晰，纹理特征更加复杂，空间信息更加丰富。遥感图像分类是对研究区地物类型在遥感图像上的各种统计信息进行特征提取，充分利用获取的特征向量按照规则对图像上像元进行划分归类，获取地物类型信息，因此已被广泛用于对地探测及物理学、农业、环境科学研究等。

遥感图像的传统的分类算法主要包括有监督分类类型、半监督分类类型和无监督分类类型等，其中，常用的有监督分类算法有神经网络、支持向量机(Support VectorMachine，SVM)、随机森林(Random forest，RF)、决策树等。SVM属于浅层结构模型，浅层结构模型的共同点是对于原始的导入信号只经过较少层次的线性或者非线性处理来达到信号与信息处理的目的，但是对于一些复杂的信号，采用浅层的结构模型其表达能力具有一定的局限性；结合高斯-牛顿法改进的BP神经网络(Back Propagation Neural Network)在提高图像分类快速收敛的基础上，能保证较好的稳定性和分类精度，但需要训练样本特征信息具有典型性、代表性和完整性；随机森林是一个以决策树为基础分类器的集成分类器，其分类表现优异，能提供在当前流行的同类算法中顶级的准确性，能在类大小分布不平衡的情况下保持分类误差平衡，而且有非常快的运算速度。

然而，遥感图像包含着复杂的非线性特征，以及光谱信息之间既具有互补性又存在冗余性，使得遥感数据的处理存在复杂性，使得特征提取困难，对目标分类等领域精度的提高有所限制；单一的分类方法具有各自的优缺点和使用性，无法满足不断提高的遥感图像的分类精度。

发明内容

本申请提供了一种基于集成学习算法的遥感图像分类方法，以解决单一的分类方法无法满足不断提高的遥感图像的分类精度技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

本申请提供一种基于集成学习算法的遥感图像分类方法，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；