專利名稱：一種廣域遙感影像決策樹分類方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感影像的分類，尤其涉及ー種廣域遙感影像決策樹分類方法及裝置。
背景技術(shù)：
遙感影像是利用星載或機(jī)載傳感器獲取的反應(yīng)地球表面地物空間分布和光譜信息的圖像資料，它具有覆蓋范圍廣，成像周期短等特點(diǎn)，隨著遙感影像分類技術(shù)的發(fā)展，使得遙感影像分類技術(shù)在廣域地表覆蓋分類中得到越來越多的應(yīng)用?，F(xiàn)有的遙感影像分類方法和系統(tǒng)有最小距離法、平行六面法、最大似然法和IS0DATA(迭代自組織數(shù)據(jù)分析技木)、K-Means (K-均值聚類法)等監(jiān)瞀、非監(jiān)瞀分類法，以及新興的模糊聚類方法、神經(jīng)網(wǎng)絡(luò)法、決策樹、支持向量機(jī)和面向?qū)ο蠓诸惙?。其中決策樹分類法主要具有以下優(yōu)點(diǎn) (I)分類決策樹具有結(jié)構(gòu)清晰，易于理解，實(shí)現(xiàn)簡(jiǎn)單，運(yùn)行速度快，準(zhǔn)確性高等特點(diǎn)?？梢怨＜曳治觥⑴袛嗪托拚?，也可以輸入到專家系統(tǒng)中。(2)決策樹分類方法不需要假設(shè)先驗(yàn)概率分布，這種非參數(shù)化的特點(diǎn)使其具有更好的靈活性和魯棒性，因此，當(dāng)遙感影像數(shù)據(jù)特征的空間分布很復(fù)雜，或者多源數(shù)據(jù)具有不同的統(tǒng)計(jì)分布和尺度時(shí)，用決策樹分類法能獲得理想的分類結(jié)果。(3)決策樹可以有效的處理大量高維數(shù)據(jù)和非線性關(guān)系。(4)決策樹方法能夠有效地抑制訓(xùn)練樣本決策屬性缺失問題，因此可以解決由于訓(xùn)練樣本(可能由傳感器噪聲、漏掃描、信號(hào)混合、各種等原因造成)使得分類精度降低的問題。決策樹分類算法是數(shù)據(jù)挖掘技術(shù)中的一種預(yù)測(cè)模型，它通過無次序、無規(guī)則的樣本數(shù)據(jù)集推理出決策樹表現(xiàn)形式，并用于目標(biāo)數(shù)據(jù)集的分類。在遙感影像分類中缺少對(duì)應(yīng)的分類策略和算法，以提高廣域遙感影像分類精度。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例提供ー種廣域遙感影像決策樹分類方法及裝置，以提供一種基于決策樹遙感影像分類的廣域地表覆蓋分類策略，并提高廣域遙感影像分類精度。一方面，本發(fā)明實(shí)施例提供了ー種廣域遙感影像決策樹分類方法，所述廣域遙感影像決策樹分類方法，包括獲取待分類影像集；根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像?？蛇x的，在本發(fā)明ー實(shí)施例中，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換?？蛇x的，在本發(fā)明ー實(shí)施例中，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集。可選的，在本發(fā)明ー實(shí)施例中，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集?？蛇x的，在本發(fā)明ー實(shí)施例中，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到上述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。另ー方面，本發(fā)明實(shí)施例提供了ー種廣域遙感影像決策樹分類裝置，所述廣域遙感影像決策樹分類裝置包括 獲取單元，用于獲取待分類影像集；分組單元，用于根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；統(tǒng)ー采樣單元，用于分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元，用于分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；分類單元，用于將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像。可選的，在本發(fā)明ー實(shí)施例中，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換?？蛇x的，在本發(fā)明ー實(shí)施例中，所述分類単元，進(jìn)ー步用于將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集?？蛇x的，在本發(fā)明ー實(shí)施例中，所述分類単元，進(jìn)ー步用于將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集。可選的，在本發(fā)明ー實(shí)施例中，所述分類単元，進(jìn)ー步用于通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到上述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。上述技術(shù)方案具有如下有益效果因?yàn)椴捎毛@取待分類影像集；根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；分別對(duì)同一組影像進(jìn)行統(tǒng)ー采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像的技術(shù)手段，所以達(dá)到了如下的技術(shù)效果提供了ー種基于決策樹遙感影像分類的廣域地表覆蓋分類策略，提高了廣域遙感影像分類精度。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖I為本發(fā)明實(shí)施例ー種廣域遙感影像決策樹分類方法流程圖；圖2為本發(fā)明實(shí)施例ー種廣域遙感影像決策樹分類裝置結(jié)構(gòu)示意圖；圖3為本發(fā)明應(yīng)用實(shí)例應(yīng)用廣域遙感影像決策樹分類的精度評(píng)價(jià)示意圖；圖4為本發(fā)明應(yīng)用實(shí)例中單景影像具體分類策略示意圖；圖5為本發(fā)明應(yīng)用實(shí)例分組統(tǒng)ー采樣實(shí)施示意圖；
圖6為本發(fā)明應(yīng)用實(shí)例決策樹遙感影像分類具體實(shí)施流程圖。
具體實(shí)施例方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。如圖I所示，為本發(fā)明實(shí)施例ー種廣域遙感影像決策樹分類方法流程圖，所述廣域遙感影像決策樹分類方法，包括101、獲取待分類影像集；102、根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；103、分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；104、將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像?？蛇x的，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換?？蛇x的，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集。可選的，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集?？蛇x的，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到上述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。對(duì)應(yīng)于方法實(shí)施例，如圖2所示，為本發(fā)明實(shí)施例ー種廣域遙感影像決策樹分類裝置結(jié)構(gòu)示意圖，所述廣域遙感影像決策樹分類裝置包括獲取單元21，用于獲取待分類影像集；分組單元22，用于根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；統(tǒng)ー采樣單元23，用于分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元24，用于分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；分類單元25，用于將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像?？蛇x的，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換。
可選的，所述分類単元25，進(jìn)ー步用于將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集?？蛇x的，所述分類単元25，進(jìn)ー步用于將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集。可選的，所述分類単元25，進(jìn)ー步用于通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到上述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。本發(fā)明實(shí)施例上述方法或裝置技術(shù)方案具有如下有益效果因?yàn)椴捎毛@取待分類影像集；根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像的技術(shù)手段，所以達(dá)到了如下的技術(shù)效果提供了ー種基于決策樹遙感影像分類的廣域地表覆蓋分類策略，提高了廣域遙感影像分類精度。以下舉應(yīng)用實(shí)例進(jìn)行詳細(xì)說明如圖3所示，為本發(fā)明應(yīng)用實(shí)例應(yīng)用廣域遙感影像決策樹分類的精度評(píng)價(jià)示意圖，在分類前，本發(fā)明應(yīng)用實(shí)例首先根據(jù)原始影像的時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；然后對(duì)每組影像進(jìn)行采樣，同時(shí)對(duì)原始影像進(jìn)行特征指數(shù)提取(如 KT 變換(kautlr-thomas transformation,纟嬰帽變換)、NDVI (NormalizedDifference Vegetation Index,歸ー化植被指數(shù))指數(shù)提取、紋理變換等)；然后將多特征波段組合影像和樣本數(shù)據(jù)輸入到?jīng)Q策樹分類器中，經(jīng)過生成訓(xùn)練集一生成規(guī)則集-影像分類-人工編輯等一系列操作得到最終的分類影像。以TM影像(美國(guó)陸地衛(wèi)星4 5號(hào)專題制圖儀(thematic mapper)所獲取的多波段掃描影像)為例，如圖4所示，為本發(fā)明應(yīng)用實(shí)例中單景影像具體分類策略示意圖，如下在該策略中，本發(fā)明應(yīng)用實(shí)例首先對(duì)TM影像進(jìn)行了特征提取，即做指數(shù)特征提取(、NDVI指數(shù)提取、紋理變換，同時(shí)將對(duì)應(yīng)的DEM (Digital Elevation Model，數(shù)字高程模型)進(jìn)行重采樣，然后對(duì)上述結(jié)果進(jìn)行波段組合，導(dǎo)入樣本數(shù)據(jù)生成擁有15個(gè)特征變量的訓(xùn)練集，將其導(dǎo)入到?jīng)Q策樹分類器中，利用生成的規(guī)則集和多特征波段組合影像進(jìn)行分類，得到分類結(jié)果。樣本采集如圖5所示，為本發(fā)明應(yīng)用實(shí)例分組統(tǒng)ー采樣實(shí)施示意圖，如下為了提高整個(gè)分類過程的效率，本發(fā)明應(yīng)用實(shí)例按照上圖將待分類影像實(shí)施按時(shí)相分組采樣，在具體實(shí)施過程中要保證先期制定的分類系統(tǒng)中每個(gè)類別都有對(duì)應(yīng)的樣本集，且各類樣本的比例大致與影像地表覆蓋類別比例相同。在對(duì)樣本進(jìn)行檢驗(yàn)的時(shí)候，需要利用到?jīng)Q策樹分類器的十折交叉驗(yàn)證功能，即先將樣本數(shù)據(jù)與組合好的波段輸入決策樹分類器，生成訓(xùn)練集，然后對(duì)訓(xùn)練集采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，所謂十折交叉驗(yàn)證(英文名叫做10-foldcross-validation)是常用的測(cè)試方法。將數(shù)據(jù)集分成十分，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，I份作為測(cè)試數(shù)據(jù)，進(jìn)行試驗(yàn)。毎次試驗(yàn)都會(huì)得出相應(yīng)的正確率(或差錯(cuò)率)。10次的結(jié)果的正確率(或差錯(cuò)率)的平均值作為對(duì)算法精度的估計(jì)，一般還需要進(jìn)行多次10折交叉驗(yàn)證(例如10次10折交叉驗(yàn)證)，再求其均值，作為對(duì)算法準(zhǔn)確性的估計(jì)。之所以選擇將數(shù)據(jù)集分為10份，是因?yàn)橥ㄟ^利用大量數(shù)據(jù)集、使用不同學(xué)習(xí)技術(shù)進(jìn)行的大量試驗(yàn)，表明10折是獲得最好誤差估計(jì)的恰當(dāng)選擇。決策樹分類器如圖6所示，為本發(fā)明應(yīng)用實(shí)例決策樹遙感影像分類具體實(shí)施流程圖，可結(jié)合圖3理解本發(fā)明應(yīng)用實(shí)例中決策樹分類器具體實(shí)施流程。
單棵GLC (Globle Land Cover)樹本發(fā)明應(yīng)用實(shí)例中，單棵GLC樹算法主要結(jié)構(gòu)如下表I所示表I單棵GLC樹算法主要結(jié)構(gòu)表
權(quán)利要求
1.ー種廣域遙感影像決策樹分類方法，其特征在干，所述廣域遙感影像決策樹分類方法，包括獲取待分類影像集；根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像； 將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像。
2.如權(quán)利要求I所述廣域遙感影像決策樹分類方法，其特征在于，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換。
3.如權(quán)利要求I所述廣域遙感影像決策樹分類方法，其特征在干，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集。
4.如權(quán)利要求I所述廣域遙感影像決策樹分類方法，其特征在干，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器，以獲取分類影像，包括將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集。
5.如權(quán)利要求4所述廣域遙感影像決策樹分類方法，其特征在干，將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，包括通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到所述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。
6.ー種廣域遙感影像決策樹分類裝置，其特征在干，所述廣域遙感影像決策樹分類裝置包括獲取單元，用于獲取待分類影像集；分組單元，用于根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；統(tǒng)ー采樣單元，用于分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元，用于分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；分類單元，用于將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像。
7.如權(quán)利要求6所述廣域遙感影像決策樹分類裝置，其特征在于，所述特征提取包括特征指數(shù)提取、歸ー化植被指數(shù)NDVI提取、紋理變換。
8.如權(quán)利要求6所述廣域遙感影像決策樹分類裝置，其特征在干，所述分類単元，進(jìn)ー步將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入決策樹分類器，并采取十折交叉驗(yàn)證的方式進(jìn)行檢驗(yàn)，以獲取訓(xùn)練集。
9.如權(quán)利要求6所述廣域遙感影像決策樹分類裝置，其特征在干，所述分類単元，進(jìn)ー步將所述生成的訓(xùn)練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進(jìn)行學(xué)習(xí)，以獲取用于遙感影像分類的規(guī)則集。
10.如權(quán)利要求9所述廣域遙感影像決策樹分類裝置，其特征在干，所述分類単元，進(jìn)ー步通過不斷更新每個(gè)樣本的權(quán)重，將迭代技術(shù)應(yīng)用到所述ニ叉樹結(jié)構(gòu)的決策樹中，構(gòu)建迭代決策樹，以提高規(guī)則集的分類精度。
全文摘要
本發(fā)明實(shí)施例提供一種廣域遙感影像決策樹分類方法及裝置，所述廣域遙感影像決策樹分類方法包括獲取待分類影像集；根據(jù)時(shí)相特征將待分類影像集分成若干組，每組影像具有相同的波譜特征；分別對(duì)同一組影像進(jìn)行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對(duì)同一組影像特征提取后進(jìn)行波段組合以獲取多特征波段組合影像；將所述同一組影像的樣本數(shù)據(jù)和多特征波段組合影像輸入到?jīng)Q策樹分類器中，以獲取分類影像，本發(fā)明實(shí)施例達(dá)到了如下的技術(shù)效果提供了一種基于決策樹遙感影像分類的廣域地表覆蓋分類策略，提高了廣域遙感影像分類精度。
文檔編號(hào)G06K9/62GK102831440SQ20121029746
公開日2012年12月19日 申請(qǐng)日期2012年8月20日 優(yōu)先權(quán)日2012年8月20日
發(fā)明者翟亮, 張曉賀, 桑會(huì)勇, 李奇?zhèn)? 楊剛, 王曉軍, 邱程錦, 賈毅 申請(qǐng)人:中國(guó)測(cè)繪科學(xué)研究院