CN112766371B - 一种基于极少训练样本的高分辨率遥感影像监督分类方法 - Google Patents
一种基于极少训练样本的高分辨率遥感影像监督分类方法 Download PDFInfo
- Publication number
- CN112766371B CN112766371B CN202110069642.7A CN202110069642A CN112766371B CN 112766371 B CN112766371 B CN 112766371B CN 202110069642 A CN202110069642 A CN 202110069642A CN 112766371 B CN112766371 B CN 112766371B
- Authority
- CN
- China
- Prior art keywords
- pixel
- training samples
- classifiers
- pixels
- remote sensing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于极少训练样本的高分辨率遥感影像监督分类方法,利用分类器对初始训练样本进行分类,得到初始分类图;统计分类器同时标记为同一类别的像素点;对每类像素点以像素灰度值进行分析,得到直方图;按直方图步长下像素个数的比例随机抽样,得到每一类像素种子点,并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1;以像素种子点为中心进行预定领域搜索,并选取训练样本;对训练样本再次分类,并进行n次迭代,得到Pn,直到||Pn‑Pn‑1||≤ε成立时,迭代停止,将迭代最后一次的训练样本输入分类器,得到最终分类结果。本发明能够在极少人工标记样本下,有效降低了标记样本的人工成本和时间成本。
Description
技术领域
本发明属于遥感影像分类技术领域,涉及一种基于极少训练样本的高分辨率遥感影像监督分类方法。
背景技术
近年来随着卫星及航空遥感技术的快速发展,影像的时间分辨率和空间分辨率大幅度提高,因此通过对遥感影像和航空影像的分析和处理可以快速、有效地获取地表覆盖信息,对人类迫切认识地球提供数据支持,对环境监测,地籍调查,精准农业,城市规划,政府宏观调控和制定相应的政策提供重要的科学依据。
尽管影像分辨率的提高确实增强了获取地物信息的能力,能够提供更加丰富的地物细节信息,但与此同时不同地物的光谱相互重叠,“同物异谱”、“异物同谱”现象大量发生,使得地物类内方差变大,类间方差变小。
传统分类方法依然依靠大量的人工标记训练样本并且所获取的分类结果仍存在较多的椒盐噪声以及大量地物错分类现象,大大降低了分类结果的可靠性和分类精度。
发明内容
本发明的目的是提供一种基于极少训练样本的高分辨率遥感影像监督分类方法,解决了现有技术中存在的类结果的可靠性和分类精度低的问题。
本发明所采用的技术方案是,1.一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,具体按照以下步骤实施:
步骤1、利用至少两个分类器对初始训练样本进行分类,得到至少两张初始分类图;
步骤2、统计各分类器同时标记为同一类别的像素点;
步骤3、对每类像素点以像素灰度值做直方图分析,得到每一类像素的直方图;
步骤4、按直方图步长下像素个数的比例随机抽样,得到每一类选取的像素种子点,并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1;
步骤5、以像素种子点为中心进行预定领域搜索,并选取训练样本;
步骤6、重复步骤1-5对训练样本再次分类,并进行n次迭代,得到Pn,直到||Pn-Pn-1||≤ε成立时,迭代停止,其中ε∈(0.0001-0.001),将迭代最后一次的训练样本输入分类器,得到最终分类结果。
步骤1中:初始训练样本是从高分影像中选取极少像素并手动标记像素的类别构成初始训练集,每类初始训练样本选取3-15个。
步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。
步骤1中利用分类器对初始训练样本进行分类时选择三个分类器,三个所述分类器为KNN分类器、MLC分类器和随机树分类器。
步骤5中:以像素种子点为中心进行预定领域搜索时的方法由以下步骤组成:
以像素种子点为中心,以n*n的动态窗口进行领域搜索,当该n*n的动态窗口内所有像素点类别一致时,以像素种子点为中心,以(n+2)*(n+2)的动态窗口进行领域搜索,依次类推,直到以像素种子点为中心、(n+2m)*(n+2m)的动态窗口内像素点类别不一致;最后以(n+2m-4)*(n+2m-4)的窗口内所有像素自身为中心分别以同样大小的窗口计算窗口内像素点的方差,对所得的方差进行升序排序,去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本;其中,n为大于等于3的奇数,m为正整数。
步骤6中进行迭代时,迭代方程||Pn-Pn-1||≤ε中,Pn=pu/pt,pu为所有分类器共同分类一致的像素点个数,pt为高分影像像素的总个数。
本发明的有益效果是:
本发明能够在极少人工标记样本下,分类结果精度得到显著提升,有效降低了标记样本的人工成本和时间成本;传统方法在样本选择后,其空间分布上是固定的,由于样本选择的差异性,有可能无法顾及到同一类别的多样性及地理异质性;本发明所提出的样本选择方法通过分析初始分类图及数据分布状态,实现了样本的动态选择,有效顾及了样本的多样性,有利于分类精度提高。
附图说明
图1是本发明基于极少训练样本的高分辨率遥感影像监督分类方法的流程示意图;
图2是本发明基于极少训练样本的高分辨率遥感影像监督分类方法的RGB假彩色图像(a)及地面参考真值(b)示意图;
图3是本发明基于极少训练样本的高分辨率遥感影像监督分类方法的比较结果分析图,(a)为初始样本分类图,(b)为John A.Richards方法下的结果,(c)为Kang-方法下的结果,(d)为Li-方法学习方法下的结果,(e)为第16次迭代的效果图;(f)为地面参考真值;
图4是本发明基于极少训练样本的高分辨率遥感影像监督分类方法的整体精度,平均精度随迭代次数的关系示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,一种基于极少训练样本的高分辨率遥感影像监督分类方法,在进行处理之前,手动标记初始训练样本,每类初始训练样本选取3-15个,然后进行以下步骤:
步骤1、利用至少两个分类器对初始训练样本进行分类,得到至少两张初始分类图;
步骤2、统计各分类器同时标记为同一类别的像素点;
步骤3、对每类像素点以像素灰度值做直方图分析,得到每一类像素的直方图;
步骤4、按直方图步长下像素个数的比例随机抽样,得到每一类选取的像素种子点,并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1;
步骤5、以像素种子点为中心进行预定领域搜索,并选取训练样本;
步骤6、重复步骤1-5对训练样本再次分类,并进行n次迭代,得到Pn,直到||Pn-Pn-1||≤ε成立时,迭代停止,其中ε∈(0.0001-0.001),将迭代最后一次的训练样本输入分类器,得到最终分类结果。
所述步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。
所述步骤1中利用分类器对初始训练样本进行分类时选择三个分类器,三个所述分类器为KNN分类器、MLC分类器和随机树分类器。可以选择的分类器还包括:随机森林分类器、SVM分类器、朴素贝叶斯分类器、DT分类器。
所述步骤5中:以像素种子点为中心进行预定领域搜索时的方法由以下步骤组成:
以像素种子点为中心,以n*n的动态窗口进行领域搜索,当该n*n的动态窗口内所有像素点类别一致时,以像素种子点为中心,以(n+2)*(n+2)的动态窗口进行领域搜索,依次类推,直到以像素种子点为中心、(n+2m)*(n+2m)的动态窗口内像素点类别不一致;最后以(n+2m-4)*(n+2m-4)的窗口内所有像素自身为中心分别以同样大小的窗口计算窗口内像素点的方差,对所得的方差进行升序排序,去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本;其中,n为大于等于3的奇数,m为正整数。
所述步骤6中进行迭代时,迭代方程||Pn-Pn-1||≤ε中,Pn=pu/pt,pu为所有分类器共同分类一致的像素点个数,pt为高分影像像素的总个数。
实施例1
以高光谱公开数据GF-2为例进行验证,如图1的流程图所示,图中Q1、Q2、Q3、Q4、Q5均为P-Q箱线原理选取的训练样本点,高分影像的GF-2数据是通过高分2号卫星获取的数据,提供的光谱范围是蓝色波段(0.45-0.52m),绿色波段(0.52-0.59m),红色波段(0.63-0.69m),近红外波段(0.77-0.89m),影像包含1550*600个像素的地物场景,三个光谱波段合成假彩色图像,地面参考真值,如图2所示;对高分影像GF-2数据,手动标记初始训练样本,每类初始训练样本选取15个初始训练样本。
步骤1:利用KNN分类器、MLC分类器和随机树分类器,分别将初始训练样本输入各分类器,实现分类,得到三张初始分类图。
步骤2:统计三个分类器同时标记为同一类别的像素点。
步骤3:对于步骤2得到的每类像素点以像素灰度值做直方图分析,得到每一类像素的直方图,其中直方图步长为16。
步骤4:按照步骤3中直方图步长下像素个数的比例随机抽样,得到每一类按比例随机选取的像素种子点,并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1。
步骤5:利用双窗口动态原则,对步骤S4得到的像素种子点进行双窗口动态扩展训练样本。
首先,以像素种子点为中心、以5*5的动态窗口进行领域搜索,发现5*5的动态窗口内所有像素点类别一致。
然后,以像素种子点为中心、以7*7的动态窗口进行领域搜索,发现7*7的动态窗口内存在像素点类别不一致。
最后,计算3*3的动态窗口内所有像素方差,对所得的方差进行升序排序,去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本。
步骤6:重复步骤1-5对训练样本再次分类,并进行n次迭代,得到Pn,直到||Pn-Pn-1||≤ε成立时,迭代停止,其中ε=0.0005,迭代方程||Pn-Pn-1||≤ε中,Pn=pu/pt,pu为所有分类器共同分类一致的像素点个数,pt为高分影像像素的总个数。
本实施例1中采用了衡量高分要感影像分类性能的常用指标,即整体精度(OA),平均精度(AA),kappa系数,从图4中可以得出整体精度和平均精度都是随着迭代次数而上升的,比如KNN分类器下整体精度由69.88%提升到77.71%,平均精度由61.33增加到68.94,kappa系数由0.632提升到0.723。
采用本实施例1的分类方法与John A.Richards方法、Kang-方法和Li-方法分类方法进行比较,视觉比较结果如图3所示,即不同方法下可视化对比结果图,定量比较结果如表1所示:
表1定量比较结果
本发明方法对初始训练样本的改进不仅自动丰富了训练样本,还有效顾及到了同类地物的异质性,同时自动去除了冗余样本,从表1中定量分析可以得出各个分类器下分类指标显示出一定的优势,从对比视觉效果角度来看,无论从整体分类效果还是细节边缘保持来看本发明呈现一定优势。此外,本发明只有一个参数ε来控制迭代次数,不需要做其他参数的设置以及硬调整,高度自动是本发明的另一个极大优势,便于推广实际应用。
实施例2
本例与实施例1的区别在于:
直方图步长为8,以像素种子点为中心、以5*5的动态窗口进行领域搜索,发现5*5的动态窗口内所有像素点类别一致。
然后,以像素种子点为中心、以7*7的动态窗口进行领域搜索,发现7*7的动态窗口内存在像素点类别一致。
再次,以像素种子点为中心、以9*9的动态窗口进行领域搜索,发现9*9的动态窗口内存在像素点类别不一致。
最后,计算5*5的动态窗口内所有像素方差,对所得的方差进行升序排序,去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本。
KNN分类器下整体精度由69.88%提升到77.01%,平均精度由61.33增加到67.80,kappa系数由0.632提升到0.712。
Claims (5)
1.一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,具体按照以下步骤实施:
步骤1、利用至少两个分类器对初始训练样本进行分类,得到至少两张初始分类图;
步骤2、统计各分类器同时标记为同一类别的像素点;
步骤3、对每类像素点以像素灰度值做直方图分析,得到每一类像素的直方图;
步骤4、按直方图步长下像素个数的比例随机抽样,得到每一类选取的像素种子点,并计算所有分类器识别一致的总像素个数占整张影像像素个数的百分比记为P1;
步骤5、以像素种子点为中心进行预定领域搜索,并选取训练样本;
步骤5中:以像素种子点为中心进行预定领域搜索时的方法由以下步骤组成:
以像素种子点为中心,以n*n的动态窗口进行领域搜索,当该n*n的动态窗口内所有像素点类别一致时,以像素种子点为中心,以(n+2)*(n+2)的动态窗口进行领域搜索,依次类推,直到以像素种子点为中心、(n+2m)*(n+2m)的动态窗口内像素点类别不一致;最后以(n+2m-4)*(n+2m-4)的窗口内所有像素自身为中心分别以同样大小的窗口计算窗口内像素点的方差,对所得的方差进行升序排序,去除异常值之后并选取方差最小值、第一个四分位点、中位点、第二个四分点、最大值对应的像素点作为训练样本;其中,n为大于等于3的奇数,m为正整数;
步骤6、重复步骤1-5对训练样本再次分类,并进行n次迭代,得到Pn,直到||Pn-Pn-1||≤ε成立时,迭代停止,其中ε∈(0.0001-0.001),将迭代最后一次的训练样本输入分类器,得到最终分类结果。
2.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,所述步骤1中:初始训练样本是从高分影像中选取极少像素并手动标记像素的类别构成初始训练集,每类初始训练样本选取3-15个。
3.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,所述步骤1中利用分类器对初始训练样本进行分类时可选择2-5个分类器。
4.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,所述步骤1中利用分类器对初始训练样本进行分类时选择三个分类器,三个所述分类器为KNN分类器、MLC分类器和随机树分类器。
5.根据权利要求1所述的一种基于极少训练样本的高分辨率遥感影像监督分类方法,其特征在于,所述步骤6中进行迭代时,迭代方程||Pn-Pn-1||≤ε中,Pn=pu/pt,pu为所有分类器共同分类一致的像素点个数,pt为高分影像像素的总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069642.7A CN112766371B (zh) | 2021-01-19 | 2021-01-19 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069642.7A CN112766371B (zh) | 2021-01-19 | 2021-01-19 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766371A CN112766371A (zh) | 2021-05-07 |
CN112766371B true CN112766371B (zh) | 2023-01-24 |
Family
ID=75703168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069642.7A Active CN112766371B (zh) | 2021-01-19 | 2021-01-19 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766371B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN110163213A (zh) * | 2019-05-16 | 2019-08-23 | 西安电子科技大学 | 基于视差图和多尺度深度网络模型的遥感图像分割方法 |
CN111222576A (zh) * | 2020-01-08 | 2020-06-02 | 西安理工大学 | 一种高分辨率遥感图像分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN108985238B (zh) * | 2018-07-23 | 2021-10-22 | 武汉大学 | 联合深度学习和语义概率的不透水面提取方法及*** |
-
2021
- 2021-01-19 CN CN202110069642.7A patent/CN112766371B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN110163213A (zh) * | 2019-05-16 | 2019-08-23 | 西安电子科技大学 | 基于视差图和多尺度深度网络模型的遥感图像分割方法 |
CN111222576A (zh) * | 2020-01-08 | 2020-06-02 | 西安理工大学 | 一种高分辨率遥感图像分类方法 |
Non-Patent Citations (2)
Title |
---|
Fast Weighted Histograms for Bilateral Filtering and Nearest Neighbor Searching;Shengfeng He et al.;《IEEE Transactions on Circuits and Systems for Video Technology》;20160507;全文 * |
局部灰度极值模式及其局部描述符;陈方 等;《中国图象图形学报》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766371A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A tensor decomposition-based anomaly detection algorithm for hyperspectral image | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
Du et al. | Spatial and spectral unmixing using the beta compositional model | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
Kotwal et al. | A novel approach to quantitative evaluation of hyperspectral image fusion techniques | |
Uezato et al. | A novel endmember bundle extraction and clustering approach for capturing spectral variability within endmember classes | |
EP2435954A2 (en) | System and method for reducing dimensionality of hyperspectral images | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
Hasanlou et al. | A sub-pixel multiple change detection approach for hyperspectral imagery | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN112819769B (zh) | 基于核函数和联合字典的非线性高光谱图像异常探测算法 | |
CN116468958B (zh) | 通信铁塔安全检测方法及*** | |
Sreenivas et al. | Processing of satellite image using digital image processing | |
CN112766371B (zh) | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 | |
Padrón-Hidalgo et al. | Unsupervised anomaly and change detection with multivariate gaussianization | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
CN106033545B (zh) | 行列式点过程的波段选择方法 | |
CN113657199B (zh) | 基于空-谱提取的高光谱图像异常检测方法 | |
CN109145945B (zh) | 一种非局部加权联合稀疏表示的高光谱图像分类方法 | |
CN112949422A (zh) | 一种基于自监督光谱匹配框架的高光谱目标检测方法 | |
Zare-Baghbidi et al. | Improving the RX anomaly detection algorithm for hyperspectral images using FFT | |
Akoso | Remotely Sensed Image Classification: Supervised Classification Algorithm Using Envi 5.0 Software |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |