基于空间信息和集成学的高光谱遥感影像分类方法

摘要

本发明公开了一种基于空间信息和集成学的高光谱遥感影像分类方法，主要解决传统单一分类器自身的局限性和现有集成方法只是利用光谱信息而忽略空间信息的问题。其实现步骤为：1)对高光谱遥感影像数据做PCA变换并提取第一主成分，并对第一主成分进行图像分割，得到一幅分割图；2)用随机特征子集选择方法得到Z个波段子集；3)用SVM对特征子集分别进行训练和测试，得到Z个预测集；4)用多数投票法融合分割图和Z个预测集，得到Z个融合后的标签集；5)对Z个标签集再次用多数投票法进行融合，得到最终的分类映射。本发明在随机特征子集选择集成方法中引入空间信息，极大的提高了分类效果，可用于实际中训练样本特别少的分类。

主权项

一种基于空间信息和集成学习的高光谱遥感影像分类方法，包括如下步骤：(1)对高光谱遥感影像数据做主成分分析PCA变换，提取第一主成分，并对所提的主成分进行L级多阈值分割，得到一幅分割图，L≥2；(2)从高光谱遥感影像数据X所有的特征中随机选择d’个特征，得到特征子集Y，重复Z次，得到Z个特征子集Y_i，i＝1,2,…，Z，其中X∈R^n×d,即X为由n个具有d个特征的像素样本组成的矩阵数组，Y_i∈R^n×d’，d’<d；(3)用支持向量机SVM分别对特征子集Y_i进行训练和测试，得到Z个预测集L_k(a)∈{1,...,c}，1≤k≤Z，c为高光谱遥感影像的总类数，a为X中的n个像素点；(4)将Z个预测集L_k(a)分别与步骤(1)得到的分割图进行多数投票，得到Z个融合后的标签集LL_k(a)；(5)对Z个标签集LL_k(a)再次用多数投票法进行融合，得到最终的分类映射结果。