CN102831440A - 一种广域遥感影像决策树分类方法及装置 - Google Patents
一种广域遥感影像决策树分类方法及装置 Download PDFInfo
- Publication number
- CN102831440A CN102831440A CN2012102974644A CN201210297464A CN102831440A CN 102831440 A CN102831440 A CN 102831440A CN 2012102974644 A CN2012102974644 A CN 2012102974644A CN 201210297464 A CN201210297464 A CN 201210297464A CN 102831440 A CN102831440 A CN 102831440A
- Authority
- CN
- China
- Prior art keywords
- image
- decision tree
- classification
- remote sensing
- wide area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明实施例提供一种广域遥感影像决策树分类方法及装置,所述广域遥感影像决策树分类方法包括:获取待分类影像集;根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,本发明实施例达到了如下的技术效果:提供了一种基于决策树遥感影像分类的广域地表覆盖分类策略,提高了广域遥感影像分类精度。
Description
技术领域
本发明涉及遥感影像的分类,尤其涉及一种广域遥感影像决策树分类方法及装置。
背景技术
遥感影像是利用星载或机载传感器获取的反应地球表面地物空间分布和光谱信息的图像资料,它具有覆盖范围广,成像周期短等特点,随着遥感影像分类技术的发展,使得遥感影像分类技术在广域地表覆盖分类中得到越来越多的应用。现有的遥感影像分类方法和***有:最小距离法、平行六面法、最大似然法和ISODATA(迭代自组织数据分析技术)、K-Means(K-均值聚类法)等监督、非监督分类法,以及新兴的模糊聚类方法、神经网络法、决策树、支持向量机和面向对象分类法。其中决策树分类法主要具有以下优点:
(1)分类决策树具有结构清晰,易于理解,实现简单,运行速度快,准确性高等特点。可以供专家分析、判断和修正,也可以输入到专家***中。
(2)决策树分类方法不需要假设先验概率分布,这种非参数化的特点使其具有更好的灵活性和鲁棒性,因此,当遥感影像数据特征的空间分布很复杂,或者多源数据具有不同的统计分布和尺度时,用决策树分类法能获得理想的分类结果。
(3)决策树可以有效的处理大量高维数据和非线性关系。
(4)决策树方法能够有效地抑制训练样本决策属性缺失问题,因此可以解决由于训练样本(可能由传感器噪声、漏扫描、信号混合、各种等原因造成)使得分类精度降低的问题。
决策树分类算法是数据挖掘技术中的一种预测模型,它通过无次序、无规则的样本数据集推理出决策树表现形式,并用于目标数据集的分类。在遥感影像分类中缺少对应的分类策略和算法,以提高广域遥感影像分类精度。
发明内容
本发明实施例提供一种广域遥感影像决策树分类方法及装置,以提供一种基于决策树遥感影像分类的广域地表覆盖分类策略,并提高广域遥感影像分类精度。
一方面,本发明实施例提供了一种广域遥感影像决策树分类方法,所述广域遥感影像决策树分类方法,包括:
获取待分类影像集;
根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
可选的,在本发明一实施例中,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
可选的,在本发明一实施例中,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
可选的,在本发明一实施例中,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
可选的,在本发明一实施例中,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:通过不断更新每个样本的权重,将迭代技术应用到上述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
另一方面,本发明实施例提供了一种广域遥感影像决策树分类装置,所述广域遥感影像决策树分类装置包括:
获取单元,用于获取待分类影像集;
分组单元,用于根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
统一采样单元,用于分别对同一组影像进行统一采样以获取样本数据;
波段组合单元,用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
分类单元,用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
可选的,在本发明一实施例中,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
可选的,在本发明一实施例中,所述分类单元,进一步用于将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
可选的,在本发明一实施例中,所述分类单元,进一步用于将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
可选的,在本发明一实施例中,所述分类单元,进一步用于通过不断更新每个样本的权重,将迭代技术应用到上述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
上述技术方案具有如下有益效果:因为采用获取待分类影像集;根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像的技术手段,所以达到了如下的技术效果:提供了一种基于决策树遥感影像分类的广域地表覆盖分类策略,提高了广域遥感影像分类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种广域遥感影像决策树分类方法流程图;
图2为本发明实施例一种广域遥感影像决策树分类装置结构示意图;
图3为本发明应用实例应用广域遥感影像决策树分类的精度评价示意图;
图4为本发明应用实例中单景影像具体分类策略示意图;
图5为本发明应用实例分组统一采样实施示意图;
图6为本发明应用实例决策树遥感影像分类具体实施流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例一种广域遥感影像决策树分类方法流程图,所述广域遥感影像决策树分类方法,包括:
101、获取待分类影像集;
102、根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
103、分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
104、将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
可选的,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
可选的,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
可选的,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
可选的,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:通过不断更新每个样本的权重,将迭代技术应用到上述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
对应于方法实施例,如图2所示,为本发明实施例一种广域遥感影像决策树分类装置结构示意图,所述广域遥感影像决策树分类装置包括:
获取单元21,用于获取待分类影像集;
分组单元22,用于根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
统一采样单元23,用于分别对同一组影像进行统一采样以获取样本数据;
波段组合单元24,用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
分类单元25,用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
可选的,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
可选的,所述分类单元25,进一步用于将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
可选的,所述分类单元25,进一步用于将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
可选的,所述分类单元25,进一步用于通过不断更新每个样本的权重,将迭代技术应用到上述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
本发明实施例上述方法或装置技术方案具有如下有益效果:因为采用获取待分类影像集;根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像的技术手段,所以达到了如下的技术效果:提供了一种基于决策树遥感影像分类的广域地表覆盖分类策略,提高了广域遥感影像分类精度。
以下举应用实例进行详细说明:
如图3所示,为本发明应用实例应用广域遥感影像决策树分类的精度评价示意图,在分类前,本发明应用实例首先根据原始影像的时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;然后对每组影像进行采样,同时对原始影像进行特征指数提取(如KT变换(kautlr-thomas transformation,缨帽变换)、NDVI(Normalized DifferenceVegetation Index,归一化植被指数)指数提取、纹理变换等);然后将多特征波段组合影像和样本数据输入到决策树分类器中,经过生成训练集—生成规则集-影像分类-人工编辑等一系列操作得到最终的分类影像。
以TM影像(美国陆地卫星4~5号专题制图仪(thematic mapper)所获取的多波段扫描影像)为例,如图4所示,为本发明应用实例中单景影像具体分类策略示意图,如下:在该策略中,本发明应用实例首先对TM影像进行了特征提取,即做指数特征提取(、NDVI指数提取、纹理变换,同时将对应的DEM(Digital Elevation Model,数字高程模型)进行重采样,然后对上述结果进行波段组合,导入样本数据生成拥有15个特征变量的训练集,将其导入到决策树分类器中,利用生成的规则集和多特征波段组合影像进行分类,得到分类结果。
样本采集:
如图5所示,为本发明应用实例分组统一采样实施示意图,如下:为了提高整个分类过程的效率,本发明应用实例按照上图将待分类影像实施按时相分组采样,在具体实施过程中要保证先期制定的分类***中每个类别都有对应的样本集,且各类样本的比例大致与影像地表覆盖类别比例相同。在对样本进行检验的时候,需要利用到决策树分类器的十折交叉验证功能,即先将样本数据与组合好的波段输入决策树分类器,生成训练集,然后对训练集采取十折交叉验证的方式进行检验,所谓十折交叉验证(英文名叫做10-foldcross-validation)是常用的测试方法。将数据集分成十分,轮流将其中9份作为训练数据,1份作为测试数据,进行试验。每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计,一般还需要进行多次10折交叉验证(例如10次10折交叉验证),再求其均值,作为对算法准确性的估计。之所以选择将数据集分为10份,是因为通过利用大量数据集、使用不同学习技术进行的大量试验,表明10折是获得最好误差估计的恰当选择。
决策树分类器:
如图6所示,为本发明应用实例决策树遥感影像分类具体实施流程图,可结合图3理解本发明应用实例中决策树分类器具体实施流程。
单棵GLC(Globle Land Cover)树:
本发明应用实例中,单棵GLC树算法主要结构如下表1所示:
表1单棵GLC树算法主要结构表
GLC树结构:
在众多决策树算法中,其树的结构分为二叉树和多叉树两种,本发明应用实例通过试验证明,在遥感影像决策树分类中,二叉树结构便于处理连续性数据(不需要做连续属性的离散化)、精度高,且生成的规则集描述简单,这样不论是在规则集的生成中还是最后影像分类中都比多叉树更有优势,所以本发明应用实例中GLC树采用了二叉树结构。
波段阈值选取指标:
本发明应用实例中GLC树波段阈值选取指标采用了信息增益比率。相关公式及描述如下:
信息增益比率定义为:
其中,信息增益Gain(A)定义为原来的信息需求(即仅基于此类比例)与新的需求(即对A划分之后得到的)之间的差,
Gain(A)≡Info(D)-InfoA(D)
而信息量Info(D)定义为:
其中,pi是D中任意元组属于类Ci的概率。现在假设本发明应用实例按照波段A划分D中的元组,划分后,为了得到准确的分类本发明应用实例还需要多少信息?这个量由下式度量:
***信息SplitInf类似于Info(D),定义如下:
该值代表通过将训练数据集D划分成对应于波段A测试的v个输出的v个划分产生的信息。
停止条件:
由于本发明应用实例中GLC树采用了二叉树结构,所以制定了以下GLC树生长的停止条件:
节点的样本集合中所有的样本都属于同一类.此时,该节点设定为叶节点。
节点的样本集合中所有样本的波段取值完全相同,但所属类别却不同.此时用样本中多数类来标示该节点,并将其设定为叶节点。
GLC树高度到达用户设置的阀值,此时用节点的样本集合中多数类来标示该节点,并将其设定为叶节点。
剪枝方法:
在GLC树创建时,由于训练集中的噪声和离群点,许多分枝反映的是训练数据中的异常。需要通过剪枝方法处理这种过分拟合数据问题,在本发明应用实例中采用了悲观错误剪枝方法)。大致思路如下:
假设Tt为以内部节点t为根的子树。n(t)为到达节点t的所有样本数目。e(t)为到达节点t但不属于节点t所标识的类别的样本数目。r(t)为节点t的错误样本率。从概率的角度看,错误样本率r(t)可以看成是n(t)次实验中某事件发生e(t)次的概率并可以求出关于错误样本率的一个置信区间[LCF,UCF],设CF为对该置信区间设定的一个置信水平,LCF和UCF分别是该置信区间的下界和上界。CF的值可以用来控制剪枝的程度:值越高剪枝越少,值越低剪枝越多.本发明应用实例中默认值为0.25,并假设错分样本率服从二项分布。
输出:
在遥感影像分类中,GLC树以树的结构进行存储和使用都是不方便的,所以本发明应用实例在最终输出时将GLC树转换成规则集,这样不仅利于存储,而且利于遥感影像分类的实施。在本发明应用实例中每条规则代表GLC树中的一个叶节点,并且记录了从根节点到该叶节点路径上的所有判定条件,同时根据GLC树生成中每条路径的预测效果为每条规则赋予了权重:
分位累计命中数表示在GLC树生长过程中,对于训练集该条规则预测正确的样本数。
分位样本数表示在GLC树生长过程中,对于训练集使用该条规则的样本数。
总命中数表示在GLC树生长过程中,对于训练集整棵GLC树预测正确的样本数。
总样本数表示在GLC树生长过程中,对于训练集的总样本数。
单棵GLC树生长过程:
设训练集D是样本点对应的决策树遥感影像分类策略中的各个波段值和类别标号,则单棵GLC树的生长过程可以描述为:
输出:
(1)创建一个节点N;
(2)如果D中的元组都是同一类C,返回N作为叶节点,以类C标记;
(3)如果D中的元组所有波段值都相同或者树的高度达到用户定义的高度,返回N作为叶节点,标记为D中的多数类;
(4)计算每个波段的候选阈值:每两个值的中间值;
(5)计算D中所有波段中每个候选阈值二路划分下的信息增益比率,找出最好的波段和阈值;
(6)二路划分元组D,并对每个划分产生子树D1,D2;
(7)分别对D1和D2重复上述操作,直至全部到达叶节点;
(8)执行悲观错误剪枝。
迭代GLC树:
为了提高GLC树的预测精度,本发明应用实例将迭代技术引入到GLC树的使用中,在迭代中,每一个样本都被赋予一个权重,表明它被某个GLC树选入训练集的概率。如果某个样本点已经被准确地分类,那么在构造下一个训练集中,它被选中的概率就被降低;相反,如果某个样本点没有被正确分类,那么它的权重就得到提高。通过这样的方式,能够“聚焦于”那些较困难(更富信息)的样本上。在具体实现上,最初令每个样本的权重都相等。对于第k次迭代操作,本发明应用实例根据这些权重来选取样本点,进而训练GLC树Ck。然后根据这个GLC树,来提高被它错分的那些样本的权重,并降低可以被正确分类的样本权重,然后权重更新过的样本集被用来训练下一个GLC树Ck+1。整个训练过程如此进行下去。最后的总体分类的判决可以使用各个GLC树加权平均来得到。
为了便于算法描述,本发明应用实例设训练样本集合S共有n个样本,T为构建的GLC树的个数(迭代次数),即一共进行T次样本训练。有第t次训练产生的决策树模型记为Ct。最终由这T个GLC树模型结合得到的复合决策树记为C*。为样本i在第t次GLC树构建过程中的权重(i=1,2,…,n;t=1,2,…,T),为的归一化因子,βt为权重值的调整因子。
定义一个0-1函数:
样本训练的步骤如下:
(4)计算第t个GLC树对样本的错误率
(5)如果εt>0.5,则结束整个训练过程,令T=T-1;如果εt=0,结束整个训练过程,令t=T;如果0<εt≤0.5,则继续步骤6)。
(6)计算βt=εt/(1-εt)。
(8)如果t=T,训练过程结束。否则,令t=t+1,转至步骤2)进行下一次的训练。
本发明应用实例的目的在于提供一种广域地表覆盖迭代决策树分类方法与***。创建应用于遥感影像分类的单棵决策树——GLC树;将迭代技术引入到GLC树中;制定广域地表覆盖决策树分类策略是本发明应用实例的三个技术创新点:1、分类策略:本发明应用实例根据遥感影像波谱特征,对待处理的遥感影像按时相进行分组,统一进行样本选取、训练集及规则集的生成,最后利用统一生成的规则集对同组影像进行批处理。同时根据TM影像的特点制定了TM影像的具体分类策略。2、GLC树组建方案及迭代技术的引入:GLC树的组建方案和迭代技术的引入是本发明应用实例的核心,本发明应用实例首次根据遥感影像分类的特点,制定了专门用于遥感影像分类的决策树算法GLC树,并且首次将迭代技术引入到决策树遥感影像分类中,设计实现了遥感影像迭代决策树分类***。3、遥感影像迭代决策树分类***的整体结构:本发明应用实例所设计的支撑***不仅满足了本发明应用实例方案的全部需求,而且实现了一些辅助分类和简单的统计分类功能。其整体结构反应了本发明应用实例方案的技术流程,同时本发明应用实例还设计了一些内部文件格式,如规则集:本发明应用实例将生成的GLC树转换成规则集以方便决策知识的储存与使用。
本发明应用实例首先根据广域遥感影像决策树分类的特点,制定了分类策略,然后创建了适用于遥感影像分类的决策树生长算法——GLC树,为了提高分类精度,本发明应用实例将迭代技术引入到GLC树的应用中,形成了迭代决策树,并根据该迭代决策树设计实现了遥感影像迭代决策树分类***,为制定的广域遥感影像分类策略提供了技术支持。本发明应用实例技术方案带来的有益效果:
1、制定了大区域遥感影像地表覆盖分类的整体技术流程充分利用了基于决策树算法遥感影像分类的优点,使得对同一时相条件下的遥感影像进行批量化的地表覆盖分类成为可能,大大提高了大区域地表覆盖遥感影像分类速度,为大区域地表覆盖遥感影像分类提供了有力的技术支持。
2、创建了适用于遥感影像分类的决策树算法GLC树,并且将迭代技术引入到GLC树的使用中,大大提高了GLC树的分类精度,同时设计实现了遥感影像迭代决策树分类***。
3、制定TM影像的分类策略,在分类中不仅利用了其自身的波谱特征,而且利用了其TC变换、NDVI指数提取、纹理变换后的结果以及DEM重采样结果,大大提高了TM影像的分类精度,并且在支撑***中实现相应功能。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrativecomponents),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种广域遥感影像决策树分类方法,其特征在于,所述广域遥感影像决策树分类方法,包括:
获取待分类影像集;
根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
分别对同一组影像进行统一采样以获取样本数据,及分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
2.如权利要求1所述广域遥感影像决策树分类方法,其特征在于,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
3.如权利要求1所述广域遥感影像决策树分类方法,其特征在于,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:
将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
4.如权利要求1所述广域遥感影像决策树分类方法,其特征在于,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器,以获取分类影像,包括:
将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
5.如权利要求4所述广域遥感影像决策树分类方法,其特征在于,将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像,包括:
通过不断更新每个样本的权重,将迭代技术应用到所述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
6.一种广域遥感影像决策树分类装置,其特征在于,所述广域遥感影像决策树分类装置包括:
获取单元,用于获取待分类影像集;
分组单元,用于根据时相特征将待分类影像集分成若干组,每组影像具有相同的波谱特征;
统一采样单元,用于分别对同一组影像进行统一采样以获取样本数据;
波段组合单元,用于分别对同一组影像特征提取后进行波段组合以获取多特征波段组合影像;
分类单元,用于将所述同一组影像的样本数据和多特征波段组合影像输入到决策树分类器中,以获取分类影像。
7.如权利要求6所述广域遥感影像决策树分类装置,其特征在于,所述特征提取包括:特征指数提取、归一化植被指数NDVI提取、纹理变换。
8.如权利要求6所述广域遥感影像决策树分类装置,其特征在于,
所述分类单元,进一步将所述同一组影像的样本数据和多特征波段组合影像输入决策树分类器,并采取十折交叉验证的方式进行检验,以获取训练集。
9.如权利要求6所述广域遥感影像决策树分类装置,其特征在于,
所述分类单元,进一步将所述生成的训练集输入到面向遥感影像分类的二叉树结构的决策树中进行学习,以获取用于遥感影像分类的规则集。
10.如权利要求9所述广域遥感影像决策树分类装置,其特征在于,
所述分类单元,进一步通过不断更新每个样本的权重,将迭代技术应用到所述二叉树结构的决策树中,构建迭代决策树,以提高规则集的分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210297464.4A CN102831440B (zh) | 2012-08-20 | 2012-08-20 | 一种广域遥感影像决策树分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210297464.4A CN102831440B (zh) | 2012-08-20 | 2012-08-20 | 一种广域遥感影像决策树分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102831440A true CN102831440A (zh) | 2012-12-19 |
CN102831440B CN102831440B (zh) | 2015-03-18 |
Family
ID=47334568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210297464.4A Active CN102831440B (zh) | 2012-08-20 | 2012-08-20 | 一种广域遥感影像决策树分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831440B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN103902591A (zh) * | 2012-12-27 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 构建决策树分类器的方法及装置 |
CN105893970A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于亮度方差特征的夜间道路车辆检测方法 |
CN106874339A (zh) * | 2016-12-20 | 2017-06-20 | 北京华宇信息技术有限公司 | 一种有向循环图的展示方法及其应用 |
CN107194464A (zh) * | 2017-04-25 | 2017-09-22 | 北京小米移动软件有限公司 | 卷积神经网络模型的训练方法及装置 |
CN107967696A (zh) * | 2017-11-23 | 2018-04-27 | 湖南文理学院 | 一种水面船只雷达遥感检测方法、电子设备 |
CN108197225A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110837875A (zh) * | 2019-11-18 | 2020-02-25 | 国家基础地理信息中心 | 地表覆盖数据质量异常判断方法及装置 |
CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN115248876A (zh) * | 2022-08-18 | 2022-10-28 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
CN117786544A (zh) * | 2024-02-28 | 2024-03-29 | 浪潮通信信息***有限公司 | 用户满意度获取方法、装置、电子设备及存储介质 |
-
2012
- 2012-08-20 CN CN201210297464.4A patent/CN102831440B/zh active Active
Non-Patent Citations (3)
Title |
---|
姜丽华,杨晓蓉: "《基于决策树分类技术的遥感影像分类方法研究》", 《农业网络信息》 * |
潘琛 等: "《一种基于植被指数的遥感影像决策树分类方法》", 《计算机应用》 * |
罗来平 等: "《遥感图像决策树分类器研究与实现》", 《遥感信息》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902591A (zh) * | 2012-12-27 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 构建决策树分类器的方法及装置 |
CN103902591B (zh) * | 2012-12-27 | 2019-04-23 | 中国科学院深圳先进技术研究院 | 构建决策树分类器的方法及装置 |
CN103500344B (zh) * | 2013-09-02 | 2017-02-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105893970A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于亮度方差特征的夜间道路车辆检测方法 |
CN106874339A (zh) * | 2016-12-20 | 2017-06-20 | 北京华宇信息技术有限公司 | 一种有向循环图的展示方法及其应用 |
CN107194464A (zh) * | 2017-04-25 | 2017-09-22 | 北京小米移动软件有限公司 | 卷积神经网络模型的训练方法及装置 |
CN107194464B (zh) * | 2017-04-25 | 2021-06-01 | 北京小米移动软件有限公司 | 卷积神经网络模型的训练方法及装置 |
CN107967696A (zh) * | 2017-11-23 | 2018-04-27 | 湖南文理学院 | 一种水面船只雷达遥感检测方法、电子设备 |
CN108197225A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
CN109472304B (zh) * | 2018-10-30 | 2021-04-16 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110837875A (zh) * | 2019-11-18 | 2020-02-25 | 国家基础地理信息中心 | 地表覆盖数据质量异常判断方法及装置 |
CN111401467A (zh) * | 2020-03-26 | 2020-07-10 | 遥相科技发展(北京)有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN111401467B (zh) * | 2020-03-26 | 2023-12-19 | 苏州征图智能科技有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113592770B (zh) * | 2021-06-23 | 2024-02-23 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN115248876A (zh) * | 2022-08-18 | 2022-10-28 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
CN115248876B (zh) * | 2022-08-18 | 2024-05-10 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
CN117786544A (zh) * | 2024-02-28 | 2024-03-29 | 浪潮通信信息***有限公司 | 用户满意度获取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102831440B (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831440A (zh) | 一种广域遥感影像决策树分类方法及装置 | |
CN105184307B (zh) | 一种医学领域图像语义相似度矩阵的生成方法 | |
CN110363049B (zh) | 图形元素检测识别和类别确定的方法及装置 | |
CN110414577A (zh) | 一种基于深度学习的激光雷达点云多目标地物识别方法 | |
CN110378331A (zh) | 一种基于深度学习的端到端车牌识别***及其方法 | |
WO2022134794A1 (zh) | 新闻事件的舆情处理方法及装置、存储介质、计算机设备 | |
CN102208037B (zh) | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 | |
Fu et al. | Comparison of optimized object-based RF-DT algorithm and SegNet algorithm for classifying Karst wetland vegetation communities using ultra-high spatial resolution UAV data | |
AU2021101918A4 (en) | Method and system of fusion classification of rock spectral signature | |
CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及*** | |
CN107194498B (zh) | 一种水文监测网络的优化方法 | |
CN102543074B (zh) | 移动设备农产品数据采集***及其语音识别***、方法 | |
CN104462063B (zh) | 基于语义位置模型的位置信息结构化提取方法及*** | |
CN104462301A (zh) | 一种网络数据的处理方法和装置 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN104035996A (zh) | 基于Deep Learning的领域概念抽取方法 | |
CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
CN117235647B (zh) | 基于边缘计算的矿产资源勘查业务hse数据管理方法 | |
CN106951455A (zh) | 一种相似轨迹分析***及其分析方法 | |
Rousi et al. | Semantically enriched crop type classification and linked earth observation data to support the common agricultural policy monitoring | |
CN109448366A (zh) | 一种基于随机森林的空域扇区拥挤程度预测方法 | |
CN115205481A (zh) | 一种基于图神经网络的频谱地图构建方法及*** | |
CN104778480A (zh) | 一种基于局部密度和测地距离的分层谱聚类方法 | |
CN109063752A (zh) | 基于神经网络的多源高维多尺度实时数据流的分拣方法 | |
CN102208027B (zh) | 基于间隙度维数的土地利用空间格局评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |