【摘要】 本发明公开了一种基于AdaBoost的高光谱遥感影像分类方法。传统的模式识别方法无法满足对数据维数高、数据量大的高光谱数据进行高效率高精度的分类，神经网络、支持向量机虽然能够对遥感数据进行有效的分类，但是参数没有理想的选择方法。本发明首先对高光谱数据进行预处理，去掉大气吸收等因素影响下的异常波段。之后利用MNF变换进行波段优选，达到优化数据、去除噪声和数据降维的目的。然后划分训练样本以及测试样本，选择决策树桩作为弱分类器，对弱分类器训练利用AdaBoost算法得到强分类器，选择合适的迭代次数，最后用一对一的方法构建多分类器，本发明增强了分类器收敛速度，提高了高光谱图像的分类性能。 【专利类型】发明授权 【申请人】杭州电子科技大学 【申请人类型】学校 【申请人地址】310018 浙江省杭州市下沙高教园区2号大街 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】上城区 【申请号】CN201210231579.3 【申请日】2012-07-04 【申请年份】2012 【公开公告号】CN102819745B 【公开公告日】2014-11-05 【公开公告年份】2014 【授权公告号】CN102819745B 【授权公告日】2014-11-05 【授权公告年份】2014.0 【IPC分类号】G06K9/62 【发明人】郭宝峰; 陈华杰; 谷雨; 徐钰明; 彭冬亮; 刘俊; 郭云飞; 左燕 【主权项内容】一种基于AdaBoost的高光谱遥感影像分类方法，其特征在于该方法包括以下步骤：1)高光谱数据的预处理；将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射因素的作用对光谱数据产生较大影响的异常波段和由于其他因素对光谱数据产生较大噪声的异常波段，对异常波段做直接剔除处理；2)MNF特征提取；MNF是含有两次叠置处理的主成分分析，其步骤如下：第一步，对高光谱图像的噪声协方差矩阵进行估计，得到噪声协方差矩阵CN，然后将其对角化为矩阵DN，即 : DN＝UTCNU；其中DN为CN的特征值按照降序排列的对角矩阵，U为由相应的特征值对应的特征向量而组成的正交矩阵；第二步，在第一步公式的基础上构造矩阵第三步，利用第二步中构造的矩阵P对图像总协方差矩阵CD进行变换，得到噪声调整后的总协方差矩阵CD-adj，即CD-adj＝PTCDP；第四步，计算总协方差矩阵CD-adj的特征向量矩阵V，使得DD-adj＝VTCD-adjV，其中DD-adj为特征向量矩阵V所对应的特征值按照降序排列的对角矩阵，且有VTV＝I, I为单位矩阵；通过以上四个步骤可得到MNF的变换矩阵TMNF＝PV；对步骤1)得到的波段影像进行MNF变换，选取维数缩减、信息量集中的前30波段的MNF变换影像作为训练样本数据；3)训练样本准备；依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本；每个二分类问题，可组成训练样本集T＝{(x1, y1), (x2, y2), ..., (xl, yl)}，xi∈X＝Rn，yi∈Y＝{1, -1}，其中xi为n维输入向量，也即n维训练样本，yi为第i个样本的样本标签，l为训练样本总数；4)AdaBoost的分类器设计；选择计算复杂度低，使用按照单一特征进行判别的决策树树桩作为弱分类器；对于决策树树桩，弱分类器形式为：h(x, φ, θ, a, b)＝aδ[θ(x)> θ]+b其中，δ为指示函数，θ是阈值，a和b是回归参数；在AdaBoost迭代过程中选择使加权经验风险最小的参数(φ, θ, a, b)；针对第j个特征的弱分类器求解，首先将训练样本集按照第j特征值大小重新排序，最小化加权经验风险等价于寻找一种划分使得两部分尽可能同质，即两部分标号尽量一致；若在第l个样本处进行尝试划分，回归参数a和b的估计值公式为：b*Σ i=1NyiDi/Σ i=1lDi]]>a*=(Σ i=1NyiDi-Σ i=1lyiDi)/(1-Σ i=1lDi)-b*]]>其中Di为训练样本集权值，i∈1, 2, ..., N；针对第j个特征，如果l*能使弱分类器h(x, (θ, a, b))的分类错误率最小，阈值θ为：θ *=12(xl*, j+xl*+1, j)]]>对弱分类器训练利用AdaBoost算法得到强分类器，包括如下步骤：(1)、给定一个训练样本集S＝{(x1, y1), (x2, y2), ..., (xN, yN)}；(2)、初始化训练样本集权值D1 : 对于i＝1，...，N, D1(i)＝1/N；(3)、做T轮循环，t＝1, …, T, T为弱分类器数量, 执行以下步骤：a.对于具有权值的训练样本集S，求使得加权误差函数最小的弱分类器ht(x)；Jt=Σ n=1NDt(i)I(ht(xi)≠ yi)]]>其中I(ht(xi)≠yi)为指示函数，若ht(xi)≠yi时输出为1，否则输出0；b.计算弱分类器ht(x)的误差若εt＝0或εt≥1/2，跳出循环；c.计算弱分类器的权值d.更新训练样本集权值Zt为计算归一化系数；(4)、最后得到强分类器：H(x)=sign(Σ t=1Tα tht(x)); ]]>5)对于K类训练样本，构造所有可能的两类分类器，每次仅仅在K类中的两类训练样本上训练，结果共构造K(K-1)/2个分类器；运用这些分类器，分别对高光谱遥感数据进行预测，得到每个数据点的K(K-1)/2个预测标签；采用投票的方法，得票最多的类成为这个数据点的最终预测的类别。 【当前权利人】徐州智控创业投资有限公司 【专利权人类型】公立 【统一社会信用代码】12330000470009026T 【引证次数】3.0 【被引证次数】2 【他引次数】3.0 【被他引次数】2.0 【家族引证次数】3.0 【家族被引证次数】31

未经允许不得转载：http://www.zhongzhencnc.com/1791499805.html