基于多分类器融合的遥感分类研究.pdfVIP

基于多分类器融合的遥感分类研究 劳信尧，石爱业 河海大学计算机及信息工程学院，江苏南京（210098 ） E-mail：rush99@163.com 摘 要：为了提高遥感图象分类的精度，弥补传统分类方法通过增加单个分类器结构的复杂度 来提高分类精度通常不能满足问题的需求的缺陷，提出了一种基于多分类器融合的遥感分类方 法，将多个结构较为简单的分类器进行不同策略的融合来提高整体的分类精度。实验结果证明， 该方法在遥感分类精度上优于传统分类方法。 关键词：遥感分类，多分类器融合，模糊积分，模糊密度，遗传算法 1. 引 言 在目前的遥感分类应用中，用得较多的是传统的模式识别分类方法，诸如最小距离法、平 行六面体法、最大似然法、等混合距离法、循环集群法等监督非监督分类法，其分类结果由于 遥感影像本身的空间分辨率以及“ 同物异谱”、“异物同谱”现象的存在，而往往出现较多的错分、 漏分情况，导致分类精度不高。虽然近年来在基于像元的遥感影像分类上引入了很多的新的方 法如模糊集( Fuzzy Set) [1 ] 、神经网络分类器(Neural Net Classifier) [2 ] 、空间逐步寻优模型 (Stepwise Optimization Making Model ) [3] 、分层聚类(Hierarchical Clustering) [4 ] 等等，在影像分 类精度等方面有不少的改进,但由于这些方法都是选择一个测试分类正确率高的分类器进行分 类，难以满足高精度、高稳健性的要求。 据此，本文提出了一种基于多分类器融合的遥感分类方法。只要选取合适的模糊测度值， 基于多分类器融合的遥感分类方法就可以达到比最优的单分类器更好的分类效果[5, 6, 7] 。采用遗 传算法来搜索最优的模糊测度值[8] 。遗传算法是模仿生物进化模型的一个优化搜索过程,它主要 包括三种操作:复制(Reproduction) 、交叉(Crossover) 和变异(Mutation) 。在进化过程中,适应性 强的个体以较大的概率被保存下来并产生后代,而适应性弱的个体产生后代的概率较小,这样,群 体将随着进化过程逐渐向优化的方向发展. 在用该方法搜索模糊密度值时, 以染色体对应的模糊 密度对训练样本进行模糊积分融合识别的识别率作为适应度准则。 本文后续部分内容如下：第 2 部分主要描述了模糊测度和模糊积分，第 3 部分介绍基于多 分类器融合的遥感分类方法及其流程，第 4 部分介绍了实验结果，并将该结果与传统遥感分类 方法进行比较，第 5 部分为本文的结论。 2. 模糊测度和模糊积分 设 S 为任意集合, P( S) 表示 S 的幂集. 如果集合函数 g 满足： I g (Φ) 0,g (S ) 1 II g (A) ≤g (B) , if A ⊂B且A,B ∈P (S ). (1) III lim g (A ) g (lim A ) 如果 A ∈P (S ),且{A } 是单调的， 称g是P (S )上的一个模糊测 i i i i t→∝ t→∝ 度。 如果模糊测度还满足下面的附加条件的话, 就称为 Sugeno 测度,记为gλ ： - 1 - g (A ∪B) g (A) +g (B) +λg (A)g (B ) (λ−1, A,B ∈P (S ) 且A ∩B Φ (2) 假设 S 是由有限个信息源组成的集合, S {s ,s ,...,s } ，并记 g gλ({S }) ,