一種基于增量集成學習的多時相影像分類方法
【技術領域】
[0001 ] 本發(fā)明涉及多時相遙感圖像分類技術領域。
【背景技術】
[0002]隨著遙感科學技術采集數(shù)據(jù)的速度不斷增加，遙感數(shù)據(jù)的時間分辨率也不斷的提高，研究內(nèi)容由單時相影像時期逐漸進入了多時相影像的時期。多時相影像可以反映在一定區(qū)域內(nèi)各個目標在不同時刻的狀態(tài)變化，具有數(shù)據(jù)量大、維度高且狀態(tài)不斷更新的特點。通過對多時相遙感影像的研究，可以監(jiān)測土地覆蓋變化情況等，從而實現(xiàn)對地球的資源、環(huán)境等進行監(jiān)測。因此研究多時相影像分類方法，具有重要的意義。
[0003]目前的方法不能夠有效地解決多時相影像中樣本多樣性和復雜邊界的問題，使得多時相遙感影像的分類精度較低。

【發(fā)明內(nèi)容】

[0004]本發(fā)明是為了解決多時相影像分類精度低的問題，提供了一種基于增量集成學習的多時相影像分類方法。
[0005]—種基于增量集成學習的多時相影像分類方法，它由以下步驟實現(xiàn):
[0006]步驟一、讀取多時相影像數(shù)據(jù)，對其進行人工標記，獲取監(jiān)督數(shù)據(jù)，根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本，由標記中的樣本隨機選擇得到訓練樣本與增量樣本集，其余作為測試樣本；
[0007]步驟二、通過集成學習算法集成得到強分類器C。，設置增量學習的迭代次數(shù)為N，N為正整數(shù)；
[0008]步驟三、在增量樣本集中隨機采樣得到增量樣本，即新增的訓練樣本，利用新增的樣本代替在集成學習算法中分布權重最小的樣本，更新訓練樣本的權重使其為均勻分布；
[0009]步驟四、更新訓練數(shù)據(jù)集，并通過集成學習算法確定強分類器Cn，n= 1,2,…，N;
[0010]步驟五、重復步驟三至步驟四，直至達到增量學習的迭代次數(shù)N，將各個強分類器Cn相加，構成最終分類器；
[0011]步驟六、利用最終分類器對步驟一的測試樣本進行分類，并采用投票機制給出測試樣本的分類結果。
[0012]步驟二和步驟四所述的通過集成學習算法集成得到強分類器是利用Adaboost集成算法實現(xiàn)，且該Adaboost集成算法中的弱分類器是支持向量機SVM算法。
[0013]利用Adaboost集成算法獲得強分類器的具體方法是:
[0014]將每個時相下的訓練數(shù)據(jù)分別作為支持向量機SVM中的核函數(shù)，然后每個時相對應的核函數(shù)構造的支持向量機SVM作為Adaboost算法的弱分類器；根據(jù)Adaboost算法對訓練數(shù)據(jù)進行迭代式訓練，設迭代次數(shù)為T ;T為正整數(shù)；
[0015]首先，將訓練樣本的分布權重設置為均勻分布；
[0016]然后，對所有的訓練樣本按照采樣率根據(jù)權重分布進行采樣，得到采樣后的樣本，對采樣后的樣本進行訓練得到弱分類器I;
[0017]最后用所有的訓練樣本進行測試；
[0018]對于測試中被錯分的樣本則提高相應的權重，正確分類的樣本則降低其權重，對調(diào)整權重后的訓練樣本仍按照相應的采樣率進行采樣，對采樣后的樣本進行訓練得到弱分類器2;以此類推，迭代T次。
[0019]本發(fā)明中，增量學習在保留原有的訓練模型的基礎上，對不斷更新的樣本進行訓練學習，形成了一個連續(xù)的學習系統(tǒng)，提高了系統(tǒng)的學習能力。本發(fā)明通過對新的樣本的學習，解決了面對多樣性樣本進行學習的問題，同時可以對復雜邊界的樣本進行學習，克服了多時相影像中存在的樣本多樣性和復雜邊界等分類問題，能夠有效地提高分類的精度。
【附圖說明】
[0020]圖1是本發(fā)明所述的一種基于增量集成學習的多時相影像分類方法的流程示意圖。
【具體實施方式】
[0021]【具體實施方式】一、一種基于增量集成學習的多時相影像分類方法，它由以下步驟實現(xiàn):
[0022]步驟一、讀取多時相影像數(shù)據(jù)，對其進行人工標記，獲取監(jiān)督數(shù)據(jù)，根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本，由標記中的樣本隨機選擇得到訓練樣本與增量樣本集，其余作為測試樣本；
[0023]步驟二、通過集成學習算法集成得到強分類器C。，設置增量學習的迭代次數(shù)為N ;
[0024]步驟三、在增量樣本集中隨機采樣得到增量樣本，即新增的訓練樣本，利用新增的樣本代替在集成學習算法中分布權重最小的樣本，更新訓練樣本的權重使其為均勻分布；
[0025]步驟四、更新訓練數(shù)據(jù)集，并通過集成學習算法確定強分類器Cn，n= 1,2,…，N;
[0026]步驟五、重復步驟三至步驟四，直至達到增量學習的迭代次數(shù)，將各個強分類器Cn相加，構成最終分類器；
[0027]步驟六、利用最終分類器對步驟一的測試樣本進行分類，并采用投票機制給出測試樣本的分類結果。
[0028]【具體實施方式】二、本【具體實施方式】是【具體實施方式】一所述的一種基于增量集成學習的多時相影像分類方法的進一步限定，步驟二和步驟四所述的通過集成學習算法集成得到強分類器是利用Adaboost集成算法實現(xiàn)，且該Adaboost集成算法中的弱分類器是支持向量機SVM算法。
[0029]【具體實施方式】三、本【具體實施方式】是【具體實施方式】二所述的一種基于增量集成學習的多時相影像分類方法的進一步限定，利用Adaboost集成算法獲得強分類器的具體方法是:
[0030]將每個時相下的訓練數(shù)據(jù)分別作為支持向量機SVM中的核函數(shù)，然后每個時相對應的核函數(shù)構造的支持向量機SVM作為Adaboost算法的弱分類器；根據(jù)Adaboost算法對訓練數(shù)據(jù)進行迭代式訓練，設迭代次數(shù)為T ;T為正整數(shù)；
[0031]首先，將訓練樣本的分布權重設置為均勻分布；
[0032]然后，對所有的訓練樣本按照采樣率根據(jù)權重分布進行采樣，得到采樣后的樣本，對采樣后的樣本進行訓練得到弱分類器I ;
[0033]最后用所有的訓練樣本進行測試；
[0034]對于測試中被錯分的樣本則提高相應的權重，正確分類的樣本則降低其權重，對調(diào)整權重后的訓練樣本仍按照相應的采樣率進行采樣，對采樣后的樣本進行訓練得到弱分類器2;以此類推，迭代T次。
【主權項】
1.一種基于增量集成學習的多時相影像分類方法，其特征是:它由以下步驟實現(xiàn): 步驟一、讀取多時相影像數(shù)據(jù)，對其進行人工標記，獲取監(jiān)督數(shù)據(jù)，根據(jù)監(jiān)督數(shù)據(jù)確定標記樣本，由標記中的樣本隨機選擇得到訓練樣本與增量樣本集，其余作為測試樣本； 步驟二、通過集成學習算法集成得到強分類器C。，設置增量學習的迭代次數(shù)為N，N為正整數(shù)； 步驟三、在增量樣本集中隨機采樣得到增量樣本，即新增的訓練樣本，利用新增的樣本代替在集成學習算法中分布權重最小的樣本，更新訓練樣本的權重使其為均勻分布； 步驟四、更新訓練數(shù)據(jù)集，并通過集成學習算法確定強分類器Cn，η = 1，2，…，N; 步驟五、重復步驟三至步驟四，直至達到增量學習的迭代次數(shù)N，將各個強分類器(；相加，構成最終分類器； 步驟六、利用最終分類器對步驟一的測試樣本進行分類，并采用投票機制給出測試樣本的分類結果。2.根據(jù)權利要求1所述的一種基于增量集成學習的多時相影像分類方法，其特征在于步驟二和步驟四所述的通過集成學習算法集成得到強分類器是利用Adaboost集成算法實現(xiàn)，且該Adaboost集成算法中的弱分類器是支持向量機SVM算法。3.根據(jù)權利要求2所述的一種基于增量集成學習的多時相影像分類方法，其特征在于利用Adaboost集成算法獲得強分類器的具體方法是: 將每個時相下的訓練數(shù)據(jù)分別作為支持向量機SVM中的核函數(shù)，然后每個時相對應的核函數(shù)構造的支持向量機SVM作為Adaboost算法的弱分類器；根據(jù)Adaboost算法對訓練數(shù)據(jù)進行迭代式訓練，設迭代次數(shù)為T ;Τ為正整數(shù)； 首先，將訓練樣本的分布權重設置為均勻分布； 然后，對所有的訓練樣本按照采樣率根據(jù)權重分布進行采樣，得到采樣后的樣本，對采樣后的樣本進行訓練得到弱分類器I ; 最后用所有的訓練樣本進行測試； 對于測試中被錯分的樣本則提高相應的權重，正確分類的樣本則降低其權重，對調(diào)整權重后的訓練樣本仍按照相應的采樣率進行采樣，對采樣后的樣本進行訓練得到弱分類器2;以此類推，迭代T次。
【專利摘要】一種基于增量集成學習的多時相影像分類方法，涉及多時相遙感圖像分類技術領域。本發(fā)明是為了解決多時相影像分類精度低的問題。本發(fā)明在集成學習的基礎之上，引入增量學習，構造多時相分類器，實現(xiàn)連續(xù)地在線學習。首先，每個時相的影像數(shù)據(jù)分別作為支持向量機SVM算法的基本核函數(shù)，然后通過集成學習算法得到強分類器C0；其次，引入新的訓練數(shù)據(jù)，更新原始的訓練數(shù)據(jù)集，得到增量數(shù)據(jù)集，再通過集成學習算法得到強分類器C1；依次引入新的訓練數(shù)據(jù)，通過集成學習算法得到強分類器Cn；最后各個強分類器相加得到最終分類器，用于測試樣本的分類。本發(fā)明適用于多時相影像分類。
【IPC分類】G06K9/62
【公開號】CN105184322
【申請?zhí)枴緾N201510582557
【發(fā)明人】谷延鋒, 劉歡
【申請人】哈爾濱工業(yè)大學
【公開日】2015年12月23日
【申請日】2015年9月14日