一种结合线性相关信息熵的多光谱数据有监督分类方法

摘要

一种结合线性相关信息熵的多光谱数据有监督分类方法，涉及一种基于线性相关信息熵和kNN分类器的遥感图像有监督分类方法。本发明的步骤为：一、人工采样后自动筛选有监督分类所需的训练样本集合；二、自动寻优确定kNN分类器算法的参数；三、使用kNN分类器算法完成对多光谱遥感图像的分类。本发明通过多变量输入的训练样本高效自动筛选过程以及分类器参数自动寻优步骤，有效改善了kNN分类器算法的分类精度且减少了分类时间，使之更加适合大数据量多光谱遥感图像的高精度分类任务。

主权项

一种结合线性相关信息熵的多光谱数据有监督分类方法，其特征在于所述方法步骤如下：步骤一、人工采样后自动筛选有监督分类所需的训练样本集合：1)对于拍摄的多光谱遥感图像其中Row，Column表示多光谱遥感图像的宽和长，B表示多光谱遥感图像的波段数目，由图像分析人员按照F×F大小的采样器选择训练样本，用向量P_m，m＝1，...，F²来表示，每个P_m的维数都等于B，代表着该像素的各波段信息；2)针对人工选择的训练样本进行自动筛选，设定每次选择的像素为M，即删除掉了F²‑M个训练样本的像素；3)计算所有可能选择的M个像素P₁，...，P_M的线性相关信息熵，并选出数值最大的一个线性相关信息熵，即则其中的便是从F²个像素中选定的M个像素；4)对本次选择的F²个像素统一标注一个确定的类别标号Class^*，将选定的M个像素以数据对的形式归入训练样本集合，剩余的F²‑M个像素也以数据对的形式$(P_{M+1}^{*},{\mathrm{Class}}^{*}),...,(P_{F^2}^{*},{\mathrm{Class}}^{*})$归入遗弃样本集合；5)如果需要继续选择更多的训练样本，则返回1)，否则进行步骤二；步骤二、自动寻优确定kNN分类器算法的参数：1)对kNN分类器参数k进行以下数据的遍历筛查：k∈{3，5，7，9}；2)遵照kNN算法，以步骤一得到的训练样本集合为训练数据对kNN分类器进行训练，并用遗弃样本集合作为测试样本集合，计算各测试样本的判定类别标号；3)根据各测试样本的判定类别标号统计出测试样本集合中所有像素的判定类别标号正确度，即整体分类精度，用OA来表示，对于分类器参数k的不同取值，分别计算各k对应的OA；4)选择OA最大值所对应的k值作为kNN分类器算法的参数；步骤三、使用kNN分类器算法完成对多光谱遥感图像的分类：使用步骤一得到的训练样本集合作为训练数据对已知参数k的kNN分类器进行训练，之后对多光谱遥感图像上的未知类别像素进行分类。