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，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。現(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、支持向量機和面向?qū)ο蠓诸惙āＦ渲袥Q策樹分類法主要具有以下優(yōu)點 (I)分類決策樹具有結(jié)構(gòu)清晰，易于理解，實現(xiàn)簡單，運行速度快，準確性高等特點?？梢怨＜曳治?、判斷和修正，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)先驗概率分布，這種非參數(shù)化的特點使其具有更好的靈活性和魯棒性，因此，當遙感影像數(shù)據(jù)特征的空間分布很復雜，或者多源數(shù)據(jù)具有不同的統(tǒng)計分布和尺度時，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練樣本決策屬性缺失問題，因此可以解決由于訓練樣本(可能由傳感器噪聲、漏掃描、信號混合、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)中的一種預測模型，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，并用于目標數(shù)據(jù)集的分類。在遙感影像分類中缺少對應(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；分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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。可選的，在本發(fā)明ー實施例中，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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集?？蛇x的，在本發(fā)明ー實施例中，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)的決策樹中進行學習，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，用于分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元，用于分別對同一組影像特征提取后進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。可選的，在本發(fā)明ー實施例中，所述分類単元，進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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集?？蛇x的，在本發(fā)明ー實施例中，所述分類単元，進ー步用于將所述生成的訓練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進行學習，以獲取用于遙感影像分類的規(guī)則集?？蛇x的，在本發(fā)明ー實施例中，所述分類単元，進ー步用于通過不斷更新每個樣本的權(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為采用獲取待分類影像集；根據(jù)時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；分別對同一組影像進行統(tǒng)ー采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，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)用實例應(yīng)用廣域遙感影像決策樹分類的精度評價示意圖；圖4為本發(fā)明應(yīng)用實例中單景影像具體分類策略示意圖；圖5為本發(fā)明應(yīng)用實例分組統(tǒng)ー采樣實施示意圖；
圖6為本發(fā)明應(yīng)用實例決策樹遙感影像分類具體實施流程圖。
具體實施例方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。如圖I所示，為本發(fā)明實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、分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集?？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，包括將所述生成的訓練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進行學習，以獲取用于遙感影像分類的規(guī)則集。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，包括通過不斷更新每個樣本的權(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。對應(yīng)于方法實施例，如圖2所示，為本發(fā)明實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，用于分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元24，用于分別對同一組影像特征提取后進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。可選的，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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集?？蛇x的，所述分類単元25，進ー步用于將所述生成的訓練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進行學習，以獲取用于遙感影像分類的規(guī)則集?？蛇x的，所述分類単元25，進ー步用于通過不斷更新每個樣本的權(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)明實施例上述方法或裝置技術(shù)方案具有如下有益效果因為采用獲取待分類影像集；根據(jù)時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；分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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)用實例進行詳細說明如圖3所示，為本發(fā)明應(yīng)用實例應(yīng)用廣域遙感影像決策樹分類的精度評價示意圖，在分類前，本發(fā)明應(yīng)用實例首先根據(jù)原始影像的時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；然后對每組影像進行采樣，同時對原始影像進行特征指數(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(美國陸地衛(wèi)星4 5號專題制圖儀(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)用實例首先對TM影像進行了特征提取，即做指數(shù)特征提取(、NDVI指數(shù)提取、紋理變換，同時將對應(yīng)的DEM (Digital Elevation Model，數(shù)字高程模型)進行重采樣，然后對上述結(jié)果進行波段組合，導入樣本數(shù)據(jù)生成擁有15個特征變量的訓練集，將其導入到?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)用實例分組統(tǒng)ー采樣實施示意圖，如下為了提高整個分類過程的效率，本發(fā)明應(yīng)用實例按照上圖將待分類影像實施按時相分組采樣，在具體實施過程中要保證先期制定的分類系統(tǒng)中每個類別都有對應(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。在對樣本進行檢驗的時候，需要利用到?jīng)Q策樹分類器的十折交叉驗證功能，即先將樣本數(shù)據(jù)與組合好的波段輸入決策樹分類器，生成訓練集，然后對訓練集采取十折交叉驗證的方式進行檢驗，所謂十折交叉驗證(英文名叫做10-foldcross-validation)是常用的測試方法。將數(shù)據(jù)集分成十分，輪流將其中9份作為訓練數(shù)據(jù)，I份作為測試數(shù)據(jù)，進行試驗。毎次試驗都會得出相應(yīng)的正確率(或差錯率)。10次的結(jié)果的正確率(或差錯率)的平均值作為對算法精度的估計，一般還需要進行多次10折交叉驗證(例如10次10折交叉驗證)，再求其均值，作為對算法準確性的估計。之所以選擇將數(shù)據(jù)集分為10份，是因為通過利用大量數(shù)據(jù)集、使用不同學習技術(shù)進行的大量試驗，表明10折是獲得最好誤差估計的恰當選擇。決策樹分類器如圖6所示，為本發(fā)明應(yīng)用實例決策樹遙感影像分類具體實施流程圖，可結(jié)合圖3理解本發(fā)明應(yīng)用實例中決策樹分類器具體實施流程。
單棵GLC (Globle Land Cover)樹本發(fā)明應(yīng)用實例中，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；分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集。
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)的決策樹中進行學習，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，用于分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)；波段組合單元，用于分別對同一組影像特征提取后進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，并采取十折交叉驗證的方式進行檢驗，以獲取訓練集。
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，進ー步將所述生成的訓練集輸入到面向遙感影像分類的ニ叉樹結(jié)構(gòu)的決策樹中進行學習，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，進ー步通過不斷更新每個樣本的權(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；分別對同一組影像進行統(tǒng)一采樣以獲取樣本數(shù)據(jù)，及分別對同一組影像特征提取后進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)明實施例達到了如下的技術(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G06K9/62GK102831440SQ20121029746
公開日2012年12月19日 申請日期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, 桑會勇, 李奇?zhèn)? 楊剛, 王曉軍, 邱程錦, 賈毅 申請人:中國測繪科學研究院